Giới thiệu Trong các team chăm sóc khách hàng quy mô nhỏ, lượng ticket đến hàng ngày thường vượt quá khả năng xử lý thủ công. Việc phân loại theo chủ đề, mức độ khẩn cấp và gán cho nhân viên phù hợp tốn nhiều thời gian và dễ gây sai sót. Bài viết chia sẻ quy trình áp dụng AI để tự động hóa bước này, giúp team tập trung vào giải quyết vấn đề thay vì quản trị ticket. Bối cảnh thực tế - Team 5 người, nhận trung bình 120 ticket/ngày từ email, chat và mạng xã hội. - Trước đây: nhân viên đọc từng ticket, gán nhãn thủ công, ưu tiên theo cảm tính. - Kết quả: trung bình 30 phút/ngày chỉ để phân loại, 15% ticket bị gán sai mức ưu tiên. Giải pháp AI 1. Thu thập dữ liệu lịch sử 6 tháng (ticket nội dung, nhãn chủ đề, mức ưu tiên, thời gian giải quyết). 2. Huấn luyện mô hình phân loại văn bản (multiclass) và mô hình dự đoán độ khẩn (binary). Sử dụng thư viện Hugging Face Transformers với mô hình PhoBERT-base fine‑tune trên dữ liệu nội bộ. 3. Triển khai API nhẹ trên server nội bộ, tích hợp qua webhook vào hệ thống helpdesk (Freshdesk/Zendesk). 4. Xây dựng quy tắc: nếu độ tin cậy > 0.85 thì tự động gán nhãn và ưu tiên; ngưỡng thấp hơn chuyển sang hàng đợi xem xét thủ công. Quy trình triển khai - Tuần 1: Chuẩn bị dữ liệu, dọn sạch, chia train/validation/test. - Tuần 2: Fine‑tune, đánh giá F1 > 0.92 cho phân loại chủ đề, AUC > 0.95 cho ưu tiên. - Tuần 3: Viết wrapper API, test end‑to‑end với sandbox helpdesk. - Tuần 4: Go‑live, theo dõi metrics realtime (tỷ lệ tự động, tỷ lệ sai, thời gian xử lý). Kết quả sau 2 tháng - 78% ticket được phân loại và ưu tiên tự động, giảm 22 phút/ngày công việc thủ công. - Tỷ lệ ticket gán sai ưu tiên giảm từ 15% xuống 3%. - Thời gian trung bình giải quyết (MTTR) cải thiện 18% nhờ nhân viên nhận đúng ticket phù hợp chuyên môn. Lời khuyên áp dụng - Bắt đầu với tập dữ liệu nhỏ nhưng sạch; chất lượng dữ liệu quyết định hiệu năng mô hình. - Luôn giữ cơ chế "human‑in‑the‑loop" cho các trường hợp độ tin cậy thấp. - Theo dõi drift mô hình hàng tháng bằng cách so sánh phân bố nhãn dự đoán với thực tế. - Tài liệu hóa quy trình retrain định kỳ (ví dụ mỗi quý) để duy trì độ chính xác. - Chia sẻ dashboard kết quả với cả team để tạo niềm tin và thu thập phản hồi cải tiến.