Bài 3 — Gom cụm phản hồi thành chủ đề bằng AI

Mục tiêu

Biến hàng trăm phản hồi rời rạc thành một số ít chủ đề (theme) có tên rõ ràng, tần suất và trích dẫn đại diện. Đây là bước tạo ra "bức tranh lớn" mà PO cần để nói chuyện với stakeholder bằng con số, không phải cảm tính.

Gom cụm là gì và tại sao AI làm tốt

Gom cụm (clustering) là việc nhóm các phản hồi cùng ý nghĩa lại với nhau — dù chúng dùng từ ngữ khác nhau. "App load chậm quá", "mở lên chờ mãi", "lag kinh khủng" đều thuộc cùng một cụm "Hiệu năng chậm". Con người làm việc này thủ công rất mệt và thiếu nhất quán; AI hiểu ngữ nghĩa nên gom nhanh và ổn định hơn — miễn là bạn hướng dẫn đúng.

Hai chiến lược gom cụm

• Gom mở (bottom-up): để AI tự phát hiện chủ đề từ dữ liệu. Tốt khi bạn chưa biết trước vấn đề.
• Gom theo khung (top-down): bạn cho sẵn danh mục chủ đề (ví dụ: Hiệu năng, Thanh toán, UX, CSKH, Tính năng thiếu) và yêu cầu AI phân loại vào. Tốt khi muốn so sánh qua các kỳ.

Thực chiến: chạy gom mở lần đầu để khám phá, sau đó cố định khung để theo dõi xu hướng theo thời gian.

Ví dụ cụ thể

Với 200 phản hồi đã làm sạch, AI trả về:

• Hiệu năng chậm — 47 mẩu — "mở app chờ cả phút", "lag khi cuộn danh sách"
• Thanh toán lỗi — 38 mẩu — "Momo báo lỗi", "trừ tiền nhưng đơn không lên"
• Tìm kiếm kém — 22 mẩu — "gõ tên món không ra", "kết quả không liên quan"

Bạn lập tức thấy 3 chủ đề chiếm >50% phản hồi tiêu cực → định hướng backlog quý.

Prompt gom cụm (kèm ràng buộc truy vết)

Bạn là trợ lý phân tích. Dưới đây là các phản hồi đã làm sạch, mỗi dòng có ID.

Hãy GOM CỤM chúng thành 6-10 chủ đề theo NGỮ NGHĨA (không theo từ khóa bề mặt).

Với mỗi chủ đề, xuất bảng:
- Tên chủ đề (ngắn gọn, dễ hiểu)
- Số lượng phản hồi
- Danh sách ID thuộc cụm này
- 2 trích dẫn nguyên văn tiêu biểu (kèm ID)
- Loại: Pain point / Feature request / Khen

RÀNG BUỘC:
- Mỗi phản hồi chỉ thuộc 1 cụm chính.
- CHỈ dùng ID có trong dữ liệu; không bịa ID hay trích dẫn.
- Nếu một phản hồi mơ hồ, đưa vào cụm "Khác/Chưa rõ".

Dữ liệu:
<dán dataset đã làm sạch có ID>

Các bước triển khai

• Lấy dataset sạch có ID từ Bài 2.
• Chạy prompt gom mở, thu về danh sách chủ đề + ID.
• Xác minh truy vết: chọn ngẫu nhiên 1 chủ đề, mở 3 ID xem có đúng thuộc chủ đề đó không.
• Gộp/tách chủ đề nếu thấy AI chia quá vụn hoặc gộp quá thô.
• Cố định danh mục chủ đề thành "khung" để dùng cho các kỳ sau (top-down).
• Lưu bảng chủ đề — đầu vào cho Bài 4 (trích pain point).

Template — Bảng chủ đề

Sai lầm thường gặp

• Cụm "ma" do ảo giác: AI có thể tạo một chủ đề nghe hợp lý nhưng gán ID không tồn tại. Luôn yêu cầu liệt kê ID và kiểm tra chéo.
• Gom theo từ khóa thay vì ngữ nghĩa: nếu prompt không nói rõ, AI dễ gom "chậm" (giao hàng) chung với "chậm" (app load). Nhấn mạnh "theo ngữ nghĩa và ngữ cảnh".
• Tin % tuyệt đối mà quên thiên lệch nguồn: nếu 80% dữ liệu là review 1 sao, tỷ lệ pain point bị thổi phồng. Ghi rõ nguồn khi báo cáo.
• Phụ thuộc quá mức, bỏ đọc mẫu: đừng bao giờ trình bày kết quả gom cụm trước sếp mà chưa tự đọc ít nhất một mẫu mỗi chủ đề lớn.

Kết bài

Giờ bạn đã có các chủ đề định lượng. Nhưng "chủ đề" chưa phải "vấn đề cần giải". Bài 4 sẽ dạy bạn khoan sâu từng chủ đề để trích ra pain point cụ thể — nguyên liệu trực tiếp cho story và epic.