
Nhóm của Vy đang thiết kế ba lô đi học. Đọc qua 200 đánh giá, cả nhóm đánh dấu hàng chục câu có chữ “đẹp”. Đến khi gặp câu “mưa tạt vào khóa, sách bên trong ướt”, Vy mới tìm được một vấn đề đủ cụ thể để đưa cho người thiết kế.
Dùng AI để lọc và gom câu trùng, sau đó quay lại câu gốc để xác định khách đang cố làm gì và vướng ở đâu. Tình huống trong bài là ví dụ minh họa.
Câu nào trong 200 đánh giá đáng đọc kỹ?
Nhóm tác giả thử cách chọn câu hữu ích và giảm câu lặp trong nội dung do người dùng tạo. Trong dữ liệu về sản phẩm chăm sóc răng miệng, phương pháp học máy giúp chuyên gia tìm được nhiều nhu cầu riêng biệt hơn trên mỗi đơn vị chi phí đọc và mã hóa. Quy trình vẫn dựa vào người phân tích để diễn giải nhu cầu. Timoshenko và Hauser (2019).
Từ câu của khách đến phương án thiết kế
Với ba lô, Vy giữ mã đánh giá, câu nguyên văn và bối cảnh. Nhóm nhờ AI gom câu gần nghĩa. “Mưa tạt vào khóa” và “mở ngăn ra thấy mép vở ẩm” có thể cùng dẫn đến giả thuyết khách cần bảo vệ đồ khi di chuyển dưới mưa. Khóa chống nước là một phương án thiết kế để thử sau.
Cách đọc 200 đánh giá có hệ thống
- Lấy 200 đánh giá về cùng loại sản phẩm, loại bản sao và giữ mã của từng câu.
- Yêu cầu AI trả về cụm vấn đề, câu gốc và mã. Đọc cả cụm nhỏ và lấy mẫu từ nhóm bị loại để tìm nhu cầu ít gặp.
- Chọn một nhu cầu có bối cảnh rõ, phỏng vấn thêm người dùng rồi thử một nguyên mẫu. Tần suất trong tập đánh giá chỉ mô tả tập đó.
Bài tập thực hành. Đưa cho nhóm một cụm gồm ba câu về mưa và một câu về khó mở khóa bằng một tay. Tách nhu cầu nào cần kiểm tra riêng?
Tài liệu tham khảo
Timoshenko, A., & Hauser, J. R. (2019). Identifying Customer Needs from User-Generated Content. Marketing Science 38(1), 1–20. https://doi.org/10.1287/mksc.2018.1123


