Dự báo khả năng bỏ hẹn không cần đội kỹ sư dữ liệu: với vài tháng sổ lịch và một bảng tính, một cơ sở nhỏ đã có thể biết lịch nào nên được gọi xác nhận thêm. Mục đích không phải để đoán xem ai là "khách xấu", mà để dành công sức nhắc và xác nhận cho đúng những lịch dễ hỏng, thay vì gọi đều cho tất cả hoặc không gọi ai.
Bài này đi từ cách đơn giản nhất là chấm điểm bằng vài quy tắc, đến cách dùng chatbot phân tích dữ liệu để tìm yếu tố nào thật sự liên quan đến bỏ hẹn, cách kiểm xem dự báo có đúng không, và những nguyên tắc để việc dự báo không biến thành phân biệt đối xử. Mọi con số trong bài là ví dụ giả định.
Dự báo để làm gì, và không để làm gì
Một dự báo chỉ có ích khi nó dẫn đến hành động cụ thể. Với tiệm dịch vụ nhỏ, hành động thường là một trong ba việc: gọi hoặc nhắn xác nhận thêm cho lịch có rủi ro cao, hỏi cọc với lịch rủi ro cao ở khung giờ khan hiếm, hoặc chuẩn bị sẵn người trong danh sách chờ cho những khung có nhiều lịch rủi ro. Nếu bạn không định làm gì khác nhau giữa lịch rủi ro cao và thấp, dự báo không mang lại gì.
Điều không nên làm là dùng điểm dự báo để từ chối khách, tính giá khác nhau hay đối xử lạnh nhạt. Điểm dự báo dựa trên quy luật chung, có thể sai với từng người cụ thể. Một khách mới đặt lịch sáng sớm qua tin nhắn có thể bị chấm rủi ro cao chỉ vì những người giống họ hay bỏ hẹn, trong khi bản thân họ rất đúng giờ.
Hãy coi dự báo như gợi ý cho lễ tân về chỗ nên để mắt, giống như người thợ lâu năm vẫn có cảm giác "khách này nên gọi lại cho chắc". Khác biệt là dự báo dựa trên số liệu nên có thể kiểm tra, sửa chữa và áp đồng đều, không phụ thuộc trí nhớ hay thiện cảm riêng của ai.
Các yếu tố hay liên quan đến bỏ hẹn
Dưới đây là những yếu tố thường có trong sổ lịch của cơ sở nhỏ. Mức liên quan thật sự phải kiểm bằng dữ liệu của bạn, không suy từ bảng này.
| Yếu tố | Cách ghi trong sổ | Ghi chú |
|---|---|---|
| Khoảng cách từ ngày đặt đến ngày hẹn | Số ngày | Đặt càng xa thường càng dễ quên |
| Khách mới hay khách cũ | Số lần đã đến trước đó | Khách chưa đến lần nào thường rủi ro hơn |
| Lịch sử bỏ hẹn của khách | Số lần bỏ hẹn trước | Yếu tố mạnh nhưng cần dữ liệu đủ dài |
| Kênh đặt lịch | Gọi điện, tin nhắn, trang đặt lịch, tại quầy | Kênh không có bước xác nhận hay rủi ro hơn |
| Khung giờ, thứ trong tuần | Giờ hẹn, thứ | Sáng sớm, cuối tuần có thể khác |
| Đã xác nhận lại hay chưa | Có hoặc không | Khách trả lời tin nhắc là tín hiệu tốt |
| Có đặt cọc hay không | Có hoặc không | Lịch có cọc thường ít bị bỏ hơn |
| Thời tiết, ngày lễ | Ghi chú ngày đặc biệt | Khó dự báo trước, dùng để giải thích sau |
Không đưa vào dự báo những yếu tố nhạy cảm như giới tính, tuổi, nơi sinh, tình trạng sức khoẻ. Chúng vừa không cần thiết, vừa dễ dẫn đến đối xử thiên lệch và là dữ liệu cá nhân cần bảo vệ chặt hơn.
Cách đơn giản nhất: chấm điểm bằng bảng tính
Bạn có thể bắt đầu mà không cần mô hình gì phức tạp, chỉ cần một cột điểm cộng dồn theo vài quy tắc rút ra từ dữ liệu.
- Lấy sổ lịch tối thiểu ba đến sáu tháng, mỗi lịch một dòng, có trạng thái cuối cùng: đến hay bỏ hẹn.
- Với mỗi yếu tố, tính tỉ lệ bỏ hẹn theo từng nhóm. Ví dụ giả định ở một phòng tập: khách mới bỏ hẹn 18 phần trăm, khách cũ 6 phần trăm; lịch đặt trước trên 7 ngày bỏ 14 phần trăm, dưới 7 ngày bỏ 7 phần trăm; lịch chưa xác nhận bỏ 16 phần trăm, đã xác nhận bỏ 4 phần trăm.
- Gán điểm cho các nhóm có tỉ lệ cao rõ rệt: khách mới cộng 2, đặt trước trên 7 ngày cộng 1, chưa xác nhận cộng 2, từng bỏ hẹn trước đó cộng 2.
- Tạo cột điểm bằng hàm cộng có điều kiện trong bảng tính, áp cho mọi lịch sắp tới.
- Đặt ngưỡng hành động, ví dụ từ 4 điểm trở lên thì lễ tân gọi xác nhận hôm trước, từ 6 điểm ở khung khan hiếm thì hỏi cọc.
- Sau một tháng, kiểm xem nhóm điểm cao có thật sự bỏ hẹn nhiều hơn nhóm điểm thấp không, rồi chỉnh điểm.
Cách chấm điểm này thô nhưng minh bạch: ai trong tiệm cũng hiểu vì sao một lịch bị đánh dấu, và có thể giải thích cho khách nếu cần. Với cơ sở nhỏ, minh bạch thường quan trọng hơn chính xác thêm vài phần trăm.
Nhờ AI tìm yếu tố và dựng mô hình
Khi đã quen với cách chấm điểm, bạn có thể nhờ chatbot có công cụ phân tích dữ liệu đi xa hơn. Tải lên bảng lịch đã bỏ tên, số điện thoại, chỉ giữ mã khách và các cột yếu tố. Câu lệnh mẫu: "Đây là bảng sáu tháng lịch hẹn của một phòng tập, cột cuối là đến hoặc bỏ hẹn. Hãy tính tỉ lệ bỏ hẹn theo từng yếu tố, chỉ ra yếu tố nào có liên quan rõ nhất, và dựng một mô hình hồi quy logistic đơn giản. Dành ba mươi phần trăm số lịch gần nhất để kiểm tra, báo độ chính xác trên phần đó, và giải thích kết quả bằng lời cho người không học thống kê."
Đọc kỹ phần giải thích. Một mô hình tốt cho cơ sở nhỏ phải cho ra quy luật có lý: khách mới rủi ro hơn, lịch xa ngày rủi ro hơn. Nếu mô hình nói rằng yếu tố kỳ lạ như mã nhân viên nhập liệu là quan trọng nhất, có thể dữ liệu đang có lỗi ghi chép, cần kiểm lại trước khi tin.
Hỏi thêm AI một câu quan trọng: "Với ngưỡng gọi xác nhận cho hai mươi phần trăm lịch có điểm cao nhất, bao nhiêu phần trăm lịch bỏ hẹn thực tế rơi vào nhóm đó?" Con số này cho bạn biết nếu chỉ gọi cho một phần năm số lịch, bạn chặn được bao nhiêu phần lịch hỏng. Đó là thước đo thực dụng hơn mọi chỉ số kỹ thuật.
Mô hình dựng trong chatbot là bản thử. Muốn dùng hằng ngày, bạn chuyển quy luật đó về thành công thức trong bảng tính hoặc cài trong hệ thống đặt lịch, và kiểm định kỳ vì hành vi khách thay đổi theo mùa.
Kiểm xem dự báo có đúng không
So nhóm điểm cao với nhóm điểm thấp. Mỗi tháng, đếm tỉ lệ bỏ hẹn thực tế của từng nhóm điểm. Nếu nhóm cao không bỏ hẹn nhiều hơn rõ rệt, quy tắc chấm điểm cần sửa.
Chú ý hiệu ứng của chính hành động. Khi bạn gọi xác nhận cho nhóm điểm cao, tỉ lệ bỏ hẹn của nhóm đó giảm, và trông như dự báo sai. Để biết dự báo có đúng, có thể giữ một phần nhỏ lịch điểm cao không gọi thêm trong vài tuần để so sánh, chỉ ở những khung không khan hiếm.
Đếm báo động giả. Bao nhiêu lịch điểm cao mà khách vẫn đến bình thường. Nếu quá nhiều, lễ tân sẽ mệt và khách bị gọi nhiều thấy phiền.
Xem nhóm bị đánh dấu là ai. Nếu gần như mọi khách mới đều bị điểm cao, dự báo thực chất chỉ là "khách mới". Cần cân nhắc để khách mới không có trải nghiệm đầu tiên toàn bị hỏi han, đòi cọc.
Ghi lại mỗi lần chỉnh. Ngày chỉnh, chỉnh gì, lý do. Sau vài lần bạn sẽ hiểu dữ liệu của mình hơn bất kỳ báo cáo nào.
Giữ công bằng và bảo vệ dữ liệu
Dự báo dựa trên dữ liệu khách nên cần vài nguyên tắc để không làm tổn hại người dùng dịch vụ.
- Chỉ dùng điểm để quyết định mức nhắc, xác nhận, cọc theo chính sách đã công bố, không dùng để từ chối hay tính giá khác.
- Không đưa vào yếu tố nhạy cảm như giới tính, tuổi, sức khoẻ, quê quán.
- Giới hạn người xem điểm trong tiệm, không hiện điểm cho khách hay nhân viên không cần biết.
- Mọi dữ liệu đưa vào công cụ AI bên ngoài đều đã bỏ tên, số điện thoại, ghi chú riêng.
- Xoá dữ liệu lịch quá cũ không còn dùng cho phân tích, theo nguyên tắc chỉ giữ trong thời gian cần thiết.
- Cho khách cơ hội "làm lại": điểm từ lịch sử bỏ hẹn nên giảm dần theo thời gian và theo số lần đến đúng hẹn.
Nếu cơ sở bạn là phòng khám hay nha khoa, càng phải cẩn trọng: dữ liệu lịch hẹn ở đó gắn với thông tin sức khoẻ, cần mức bảo vệ cao hơn theo quy định hiện hành. Phần bảo mật dữ liệu chi tiết có thể tham khảo thêm ở trang AI Bảo Mật.
Một tháng thử điểm rủi ro, kể từng tuần
Ví dụ giả định ở một phòng tập nhỏ tại Nghệ An nhận lịch buổi tập với huấn luyện viên. Tuần đầu, chủ phòng tập xuất sổ ba tháng, bỏ tên và số điện thoại, nhờ chatbot tính tỉ lệ bỏ hẹn theo từng yếu tố. Kết quả cho thấy ba yếu tố nổi bật: học viên mới, lịch đặt qua tin nhắn chưa xác nhận, và lịch sáu giờ sáng. Chủ phòng tập đặt quy tắc chấm điểm từ ba yếu tố đó trong bảng tính.
Tuần thứ hai, lễ tân nhắn xác nhận tối hôm trước cho mọi lịch từ ba điểm trở lên, khoảng một phần tư số lịch. Lịch nào khách không trả lời đến chín giờ tối thì lễ tân hỏi người trong danh sách chờ xem có ai muốn lấy giờ đó nếu khách cũ huỷ. Tuần thứ ba, chủ phòng tập nhận ra lịch sáu giờ sáng của học viên cũ hầu như không bỏ, chỉ học viên mới bỏ nhiều, nên bỏ điểm cho khung giờ và cộng điểm cho tổ hợp học viên mới với khung sáng sớm.
Tuần thứ tư, chủ phòng tập so sánh với tháng trước: số buổi huấn luyện viên phải chờ không có học viên giảm đáng kể, số tin nhắn lễ tân gửi thêm mỗi ngày chỉ khoảng năm đến bảy tin. Không có học viên nào bị đòi cọc vì điểm, vì phòng tập quyết định chỉ dùng điểm cho việc nhắc và xác nhận trong giai đoạn đầu.
Bài học của ví dụ: bắt đầu với hành động nhẹ nhất, chỉnh quy tắc theo những gì thấy trong tuần, và đừng vội gắn điểm với tiền.
Câu hỏi thường gặp
Cơ sở có bao nhiêu lịch thì dự báo mới có ý nghĩa?
Không có con số cố định, nhưng với vài chục lịch mỗi tháng thì cách chấm điểm theo quy tắc đơn giản là phù hợp hơn mô hình. Khi có vài nghìn lịch trở lên, mô hình thống kê mới bắt đầu cho kết quả ổn định hơn quy tắc tay.
Có cần phần mềm chuyên dụng để dự báo không?
Không bắt buộc. Bảng tính với cột điểm theo quy tắc đã đủ cho nhiều tiệm. Một số hệ thống đặt lịch có sẵn tính năng đánh dấu rủi ro; nếu dùng, hãy tìm hiểu nó dựa trên yếu tố gì và kiểm độ đúng bằng dữ liệu của bạn.
Dự báo sai thì khách có bị thiệt không?
Nếu hành động chỉ là thêm một tin nhắn xác nhận, thiệt hại gần như không có. Nếu hành động là đòi cọc, khách bị dự báo sai sẽ phải cọc oan. Vì vậy ngưỡng cho hành động mạnh nên cao hơn, và luôn kèm lựa chọn như chọn giờ vắng không cần cọc.
Có nên dùng thời tiết để dự báo không?
Thời tiết ảnh hưởng thật, nhưng khó đưa vào dự báo từng lịch vì dự báo thời tiết cũng không chắc. Cách thực tế là ghi chú ngày mưa lớn trong sổ, và vào những ngày đó chủ động nhắn xác nhận cho mọi lịch thay vì chỉ lịch điểm cao.
Mô hình học máy có giải thích được vì sao một lịch bị điểm cao không?
Mô hình hồi quy logistic đơn giản cho thấy mỗi yếu tố đóng góp bao nhiêu, nên giải thích được. Mô hình phức tạp hơn khó giải thích hơn. Với cơ sở nhỏ, nên chọn cách giải thích được để lễ tân hiểu và khách không thấy bị đối xử tuỳ tiện.
Bao lâu nên dựng lại mô hình hoặc chỉnh điểm?
Kiểm mỗi tháng và chỉnh khi thấy nhóm điểm cao không còn khác nhóm thấp, hoặc sau thay đổi lớn như áp cọc, đổi kênh nhắc lịch, mở chi nhánh. Hành vi khách đổi theo mùa, nên đánh giá lại ít nhất mỗi quý.