Bài 1 — Nền tảng Search & Recommendation cho Product Manager

Bài 1 — Nền tảng: Search & Recommendation làm gì cho sản phẩm?

Search (tìm kiếm) và Recommendation (gợi ý) là hai mặt của cùng một bài toán: kết nối đúng người dùng với đúng nội dung vào đúng thời điểm. Khác biệt cốt lõi nằm ở intent (ý định).

• Search: người dùng chủ động khai báo intent qua từ khóa. Bài toán là hiểu truy vấn và xếp hạng kết quả liên quan. Ví dụ: gõ "áo khoác nam mùa đông" trên Tiki.
• Recommendation: người dùng không khai báo intent. Hệ thống phải suy đoán họ muốn gì từ hành vi quá khứ, ngữ cảnh, và những người tương tự. Ví dụ: hàng "Dành cho bạn" trên trang chủ Shopee, hàng phim gợi ý trên Netflix.

Cả hai đều là ranking problem: cho một tập ứng viên (candidates), sắp xếp chúng theo mức độ phù hợp với người dùng lúc này.

Kiến trúc chung mà PM cần nắm

Gần như mọi hệ thống search/rec đều đi qua ba tầng, và bạn nên vẽ được sơ đồ này khi họp với engineer:

• Candidate generation (retrieval): từ hàng triệu item, lọc nhanh xuống vài trăm ứng viên có khả năng liên quan. Ưu tiên recall (không bỏ sót). Kỹ thuật: inverted index cho search, collaborative filtering / embedding nearest-neighbor cho rec.
• Ranking: chấm điểm chi tiết vài trăm ứng viên bằng mô hình học máy nặng hơn, dựa trên hàng trăm feature. Ưu tiên precision (top đầu phải đúng).
• Re-ranking / business logic: áp các ràng buộc kinh doanh — đa dạng (diversity), lọc nội dung độc hại, tăng hàng tồn kho, quảng cáo, dedupe.

Là PM, bạn hiếm khi viết mô hình, nhưng bạn sở hữu tầng 3 và các mục tiêu (objectives) mà tầng 2 tối ưu.

Ba loại tín hiệu (signals)

• Explicit: người dùng nói thẳng — rating sao, like, "không quan tâm", truy vấn tìm kiếm.
• Implicit: hành vi ngầm — click, thời gian xem, cuộn, mua, quay lại. Nhiều nhưng nhiễu (click nhầm ≠ thích).
• Contextual: thời điểm, thiết bị, vị trí, phiên hiện tại (session).

Khung tư duy: "3 câu hỏi trước khi động vào relevance"

Trước khi bàn thuật toán, PM nên trả lời:

• Người dùng đang cố làm gì? (mua ngay / khám phá / giải trí giết thời gian) — intent quyết định ta ưu tiên relevance hay diversity.
• Ta kiếm tiền/tạo giá trị bằng cách nào? — north-star metric phải phản ánh giá trị dài hạn, không chỉ click.
• Điều gì xảy ra nếu ta sai? — gợi ý sai một video hài thì nhẹ; khuếch đại nội dung độc hại thì nghiêm trọng.

Ví dụ cụ thể

Một app đọc tin tức Việt. Trang chủ dùng rec. Nếu PM chỉ tối ưu click, thuật toán sẽ đẩy tin giật gân, gây nghiện ngắn hạn nhưng người dùng chán và rời bỏ sau 2 tuần. Nếu tối ưu "số ngày đọc trong tháng" (retention), thuật toán học cách cân bằng tin nóng với tin hữu ích — bền hơn.

Sai lầm thường gặp

• Nhầm search với rec: bê nguyên logic search (chỉ relevance) sang trang chủ rec, khiến gợi ý nhàm chán và trùng lặp.
• Tôn thờ click: coi CTR là chân lý. Click cao có thể đến từ clickbait, ảnh gây sốc, hoặc gây hiểu nhầm.
• Bỏ qua tầng retrieval: dồn hết công sức tinh chỉnh ranking trong khi item tốt đã bị loại từ vòng candidate generation — ranking không cứu được thứ đã bị bỏ sót.

Checklist Bài 1

• [ ] Vẽ được sơ đồ 3 tầng (retrieval → ranking → re-ranking) cho sản phẩm của bạn.
• [ ] Liệt kê 5 explicit + 5 implicit + 3 contextual signals bạn đang có.
• [ ] Trả lời "3 câu hỏi trước khi động vào relevance".
• [ ] Xác định đây là bài toán search, rec, hay lai cả hai.