1. Bài toán kinh doanh thực tế (Business Context & The Burning Platform)
Trong một thập kỷ qua, thị trường kinh doanh kỹ thuật số tại Việt Nam và Đông Nam Á (SEA) đã chứng kiến một sự dịch chuyển mang tính kiến tạo. Kỷ nguyên của "tăng trưởng bằng mọi giá" (growth at all costs), nơi các doanh nghiệp (đặc biệt là startup và e-commerce) đốt tiền không tiếc tay vào Quảng cáo trả phí (Paid Ads) để thâu tóm khách hàng (User Acquisition), đã chính thức khép lại.
Lý do đằng sau sự dịch chuyển này đến từ một "The Burning Platform" - một tình thế bắt buộc phải thay đổi hoặc là chết:
- Chi phí Thu hút Khách hàng (CAC - Customer Acquisition Cost) tăng phi mã: Các nền tảng quảng cáo như Facebook, Google liên tục thay đổi thuật toán, chính sách quyền riêng tư (như Apple iOS 14.5 App Tracking Transparency) khiến hiệu suất quảng cáo giảm sút, chi phí hiển thị và chuyển đổi tăng gấp 2, gấp 3 lần trong vài năm qua.
- Dòng tiền và Lợi nhuận lên ngôi: Dưới áp lực từ khủng hoảng kinh tế vĩ mô và sự thận trọng của giới đầu tư (Venture Capitalists), các doanh nghiệp buộc phải chứng minh khả năng sinh lời thay vì chỉ khoe khoang chỉ số người dùng mới đăng ký (Registered Users) hời hợt.
- Sự trung thành mong manh: Khách hàng ngày nay có vô vàn sự lựa chọn. Nếu bạn chỉ cạnh tranh bằng giá (Discounting), họ sẽ rời bỏ bạn ngay khi đối thủ tung ra mã giảm giá sâu hơn.
Hệ quả tất yếu: Cuộc chiến đã chuyển từ "Ai mang về nhiều khách hàng mới nhất" sang "Ai giữ chân và khai thác giá trị từ khách hàng hiện tại tốt nhất". Customer Analytics (Phân tích dữ liệu khách hàng), CRM (Quản trị quan hệ khách hàng) và Retention (Giữ chân khách hàng) không còn là những phòng ban phụ trợ, mà đã trở thành Động Cơ Tăng Trưởng (Growth Engine) sống còn của doanh nghiệp.
2. Định nghĩa khái niệm (Concept Definition)
Để có một nền tảng vững chắc, chúng ta cần tái định nghĩa các khái niệm cốt lõi dưới lăng kính tăng trưởng thực chiến, gạt bỏ những lớp vỏ lý thuyết giáo điều.
- Customer Analytics (Phân tích dữ liệu khách hàng): Không đơn thuần là việc vẽ các biểu đồ báo cáo (reporting) đẹp mắt. Đây là quá trình thu thập, xử lý và mô hình hóa dữ liệu hành vi, giao dịch, và thuộc tính của khách hàng để tạo ra Insights mang tính hành động (Actionable Insights). Mục tiêu tối thượng của Customer Analytics là dự đoán hành vi tương lai (ví dụ: ai sắp rời bỏ, ai có khả năng mua thêm) và cá nhân hóa trải nghiệm.
- CRM (Customer Relationship Management - Quản trị Quan hệ Khách hàng): Cần phân biệt rõ giữa Phần mềm CRM (như Salesforce, Hubspot) và Chiến lược CRM. Trong bối cảnh khóa học này, CRM là một hệ thống chiến lược nhằm quản lý tất cả các điểm chạm (touchpoints) và tương tác với khách hàng, nhằm mục đích nuôi dưỡng mối quan hệ dài hạn, tối đa hóa giá trị vòng đời và biến họ thành những người ủng hộ thương hiệu (Brand Advocates).
- Retention (Giữ chân khách hàng): Là nghệ thuật và khoa học của việc giữ cho người dùng tiếp tục sử dụng sản phẩm, dịch vụ hoặc tiếp tục mua hàng lặp lại theo thời gian. Nó đo lường tỷ lệ khách hàng không rời bỏ (Churn) và mức độ gắn kết (Engagement). Retention chính là thước đo trung thực nhất về Product-Market Fit (Sự phù hợp giữa Sản phẩm và Thị trường).
3. Tại sao nó quan trọng? (Why it matters?)
Hiểu được tầm quan trọng của CRM và Retention chính là nắm được chìa khóa của "Lãi kép" (Compound Interest) trong kinh doanh.
- Tính kinh tế vượt trội: Chi phí để thu hút một khách hàng mới thường cao gấp 5 đến 7 lần chi phí để giữ chân một khách hàng hiện tại. Việc tăng tỷ lệ Retention lên chỉ 5% có thể dẫn đến sự gia tăng lợi nhuận từ 25% đến 95% (theo nghiên cứu của Bain & Company).
- Mở rộng dư địa cho Acquisition: Khi giá trị trọn đời (LTV - Life Time Value) của khách hàng tăng lên thông qua Retention tốt, doanh nghiệp có thể tự tin chi trả mức CAC cao hơn đối thủ để thâu tóm thị phần mà vẫn đảm bảo khả năng sinh lời. Đơn giản: Ai có LTV cao nhất, người đó có thể "mua" khách hàng với giá cao nhất.
- Xây dựng rãnh hào kinh tế (Moat): Một tập khách hàng trung thành, gắn kết không chỉ mang lại dòng doanh thu ổn định (Recurring Revenue) mà còn cung cấp dữ liệu quý giá giúp doanh nghiệp liên tục cải tiến sản phẩm. Đối thủ có thể copy tính năng sản phẩm của bạn, nhưng không thể copy cộng đồng người dùng và dữ liệu lịch sử hành vi của họ.
4. Các hiểu lầm phổ biến (Common Misconceptions)
Có rất nhiều tư duy sai lệch đang bào mòn nỗ lực tăng trưởng của các doanh nghiệp. Chúng ta cần "unlearn" (học cách quên đi) những điều sau:
- Hiểu lầm 1: CRM chỉ là việc gửi Email rác/SMS Spam. Rất nhiều doanh nghiệp tại VN sử dụng CRM như một cái loa phóng thanh, liên tục bắn tin nhắn khuyến mãi (Batch and Blast) cho toàn bộ tập khách hàng. Thực tế, CRM hiện đại là việc truyền tải Đúng thông điệp - Đúng người - Đúng kênh - Đúng thời điểm (The Right Message to the Right Person on the Right Channel at the Right Time).
- Hiểu lầm 2: Retention là nhiệm vụ của đội Customer Service (Chăm sóc khách hàng). CS chỉ xử lý các vấn đề khi chúng đã xảy ra (Reactive). Retention là một nỗ lực chủ động (Proactive) liên phòng ban, bắt đầu ngay từ trải nghiệm Onboarding (Ngày đầu tiên khách hàng dùng sản phẩm), chất lượng sản phẩm (Product), cho đến các chiến dịch Lifecycle Marketing.
- Hiểu lầm 3: Khách hàng trung thành vì tích điểm. Các chương trình Loyalty (tích điểm đổi quà) hời hợt không tạo ra lòng trung thành thực sự, nó chỉ tạo ra sự trung thành với "khuyến mãi". Sự trung thành đích thực đến từ Trải nghiệm vượt trội, Sự thấu hiểu cá nhân hóa và Giá trị cốt lõi mà sản phẩm mang lại.
5. Kinh tế học khách hàng (Customer Economics)
Kinh tế học khách hàng là nền tảng toán học của tăng trưởng. Bạn không thể scale nếu Unit Economics (Kinh tế học đơn vị) của một khách hàng bị âm.
- CAC (Customer Acquisition Cost): Tổng chi phí Sales & Marketing (bao gồm cả nhân sự, công cụ, quảng cáo) chia cho số lượng khách hàng mới thu được trong một khoảng thời gian.
- LTV (Lifetime Value) / CLV (Customer Lifetime Value): Tổng lợi nhuận gộp (Gross Margin) mà một khách hàng mang lại trong suốt thời gian họ gắn bó với doanh nghiệp. Lỗi phổ biến ở VN là tính LTV dựa trên Doanh thu (Revenue) thay vì Lợi nhuận gộp (Gross Margin), dẫn đến việc định giá sai lệch sức khỏe tài chính.
- Tỷ lệ LTV:CAC (The Golden Ratio): Tỷ lệ vàng được các quỹ đầu tư săn đón là 3:1 (LTV gấp 3 lần CAC). Nếu < 1: Bạn đang đốt tiền. Nếu = 1: Bạn làm không công. Nếu > 5: Bạn đang đầu tư quá rụt rè, hãy tăng ngân sách Marketing để chiếm lĩnh thị trường.
- Thời gian thu hồi vốn (Payback Period): Thời gian cần thiết để lợi nhuận từ khách hàng bù đắp lại CAC ban đầu. Trong môi trường lãi suất cao, Payback Period càng ngắn (< 6 - 12 tháng) càng tốt để dòng tiền xoay vòng nhanh.
6. Framework/Mô hình lõi (Core Frameworks)
Để chuyển từ tư duy quản lý thông thường sang Growth, chúng ta sử dụng một số Framework lõi:
- Mô hình Vòng đời Khách hàng (Customer Lifecycle Model): Bao gồm 5 giai đoạn chính: Acquisition (Thu hút) -> Activation (Kích hoạt) -> Retention (Giữ chân) -> Revenue (Doanh thu) -> Referral (Giới thiệu). Đây chính là phễu cướp biển AARRR nổi tiếng, nhưng khóa học này sẽ focus 80% vào cụm (Activation - Retention - Revenue).
- Mô hình Phân lớp RFM (Recency, Frequency, Monetary): Một kỹ thuật phân tích siêu việt nhưng rất thực chiến. Phân loại khách hàng dựa trên: Recency (Lần cuối mua hàng), Frequency (Tần suất mua hàng), và Monetary (Tổng tiền đã chi). Từ đó chia thành các tập: Champions (Khách hàng VIP), At-Risk (Khách hàng sắp rời bỏ), Hibernating (Ngủ đông)... để có kịch bản chăm sóc riêng.
- Vòng lặp tăng trưởng (Growth Loops) vs. Phễu (Funnels): Phễu tuyến tính có điểm kết thúc. Vòng lặp tăng trưởng thiết kế sao cho đầu ra của quá trình này (một khách hàng trung thành) lại trở thành đầu vào của quá trình tiếp theo (họ giới thiệu khách hàng mới).
7. Các chỉ số đo lường chính (Key Metrics)
Không thể quản trị những gì không thể đo lường. Các chỉ số này không chỉ là số liệu, mà là tín hiệu sinh tồn:
- Tỷ lệ rời bỏ (Churn Rate): Có hai loại: Customer Churn (Tỷ lệ khách hàng rời bỏ) và Revenue Churn (Tỷ lệ doanh thu bị mất đi). Một số mô hình SaaS chú trọng Net Negative Churn (khi doanh thu up-sell từ khách cũ bù đắp được doanh thu mất đi từ khách rời bỏ).
- Tỷ lệ duy trì (Retention Rate / Cohort Retention): Được đo lường theo thời gian (D1, D7, D30, M1, M3...). Phân tích Cohort (Tập người dùng cùng chung một đặc điểm thời gian) là công cụ quan trọng nhất để xem sản phẩm có thực sự tốt lên qua từng bản cập nhật hay không.
- Giá trị Đơn hàng Trung bình (AOV - Average Order Value) & Tần suất mua (Purchase Frequency): Hai biến số trực tiếp tác động lên LTV. Tăng AOV qua up-sell/cross-sell, tăng Frequency qua các chiến dịch trigger dựa trên hành vi.
- Tỷ lệ gắn kết (Engagement Rate): Ví dụ DAU/MAU (Daily Active Users / Monthly Active Users). Khách hàng không đột ngột rời bỏ; họ ngừng tương tác (disengage) trước khi chính thức churn.
8. Hướng dẫn từng bước (Step-by-step Guide)
Để xây dựng một hệ thống Customer Analytics & Retention từ số 0, hãy theo lộ trình sau:
- Bước 1: Chuẩn hóa Dữ liệu (Data Foundation): Gom tất cả dữ liệu rải rác từ POS, Website, App, Facebook, Zalo về một nguồn duy nhất (Single Source of Truth) - thường là một Data Warehouse hoặc CDP (Customer Data Platform). Dữ liệu rác (Garbage In) sẽ dẫn đến kết quả phân tích rác (Garbage Out).
- Bước 2: Xây dựng Bản đồ Hành trình (Customer Journey Mapping): Vẽ ra mọi điểm chạm của khách hàng từ lúc họ chưa biết bạn là ai đến khi mua hàng lần n. Xác định đâu là "Aha Moment" (Khoảnh khắc khách hàng nhận ra giá trị cốt lõi của sản phẩm).
- Bước 3: Phân khúc Khách hàng (Segmentation): Áp dụng RFM hoặc phân khúc theo hành vi. Ngừng đối xử với tất cả khách hàng như nhau.
- Bước 4: Thiết kế Kịch bản Tương tác (Lifecycle Automations): Thiết lập các chuỗi kịch bản tự động: Chuỗi Onboarding Welcome, Chuỗi Cứu giỏ hàng (Cart Abandonment), Chuỗi Mừng sinh nhật, Chuỗi Win-back (Kéo lại khách hàng ngủ đông).
- Bước 5: A/B Testing và Tối ưu (Iterate): Không có kịch bản nào hoàn hảo từ ngày đầu. Liên tục test tiêu đề, nội dung, thời gian gửi, kênh gửi (Email vs SMS vs Zalo ZNS) để tìm ra công thức tối ưu.
9. Ví dụ thực tiễn tại VN/SEA (Regional Examples)
- Shopee (E-commerce): Bậc thầy về Gamification (Trò chơi hóa) để tăng Retention. Việc sử dụng Shopee Xu (Coins), mini-games như Shopee Nông Trại, và các chiến dịch Flash Sale không ngừng nghỉ tạo ra Habit-forming (thói quen) khiến người dùng mở app mỗi ngày (tăng DAU).
- Grab (Super App): Chuyển từ ứng dụng gọi xe sang siêu ứng dụng. Grab hiểu rõ LTV của một khách hàng sử dụng đa dịch vụ (Ride + Food + Mart + Pay) cao gấp nhiều lần khách hàng dùng một dịch vụ. Họ dùng GrabRewards và các combo voucher chéo (Cross-sell) để khóa chặt người dùng vào hệ sinh thái.
- Thế Giới Di Động (Retail): Mặc dù là bán lẻ truyền thống, TGDD áp dụng CRM cực mạnh ở khâu Dịch vụ Khách hàng. Từ tin nhắn SMS sau khi mua hàng, đến việc gọi điện hỏi thăm sau 3 ngày, họ tạo ra sự gắn kết bằng "Human Touch" (Yếu tố con người) kết hợp với hệ thống ERP/CRM mạnh mẽ đằng sau.
10. Phân tích Case Study sâu (Deep-dive Case Study)
Case Study: Bữa tiệc sinh nhật của "The Coffee House" (TCH)
- Bối cảnh: TCH từng có một ứng dụng Loyalty rất mạnh, nhưng làm sao để biến dữ liệu người dùng thành doanh thu tăng thêm (Incremental Revenue) một cách tự nhiên nhất?
- Chiến lược: TCH không chỉ tặng mã giảm giá vào đúng ngày sinh nhật. Họ phân tích dữ liệu và nhận ra: Mọi người thường đãi bạn bè vào dịp sinh nhật.
- Thực thi: Thay vì tặng "Giảm 20% cho ly nước của bạn", hệ thống CRM của TCH tự động gửi offer: "Tặng 1 bánh kem khi mua từ 3 ly nước trở lên trong tuần lễ sinh nhật của bạn".
- Kết quả (Phân tích):
- Khách hàng cảm thấy được trân trọng (Emotional benefit).
- TCH tăng được AOV (do khách hàng rủ thêm 2 người bạn mua cùng).
- Biên lợi nhuận của bánh kem rất tốt để bù đắp, đồng thời tạo ra thói quen ăn kèm bánh tại quán.
- Bài học: Customer Analytics không phải là đưa ra con số, mà là hiểu được Hành vi con người đằng sau con số đó.
Cảnh báo: Đừng để "Công cụ" dẫn dắt "Chiến lược". Hãy vẽ ra chiến lược trước, sau đó chọn công cụ phù hợp với quy mô và ngân sách. Một Tech Stack tiêu chuẩn thường bao gồm:
- Lớp thu thập và lưu trữ dữ liệu (Data Foundation):
- Google Analytics 4 / Amplitude / Mixpanel: Phân tích hành vi (Product Analytics) trên Web/App.
- Segment / mParticle: CDP (Customer Data Platform) - thu gom dữ liệu từ nhiều nguồn về một mối.
- Google BigQuery / Snowflake: Data Warehouse để lưu trữ dữ liệu thô khối lượng lớn.
- Lớp tương tác (Marketing Automation / CRM / Engagement):
- CleverTap / MoEngage / Braze: Dành cho App/Web, mạnh về Push Notification, In-app message và Journey builder đa kênh. Từng được nhiều kỳ lân SEA sử dụng.
- Klaviyo / Mailchimp: Chuyên biệt cho E-commerce (Email/SMS marketing).
- Zalo Mini App / Zalo ZNS: Kênh không thể thiếu tại Việt Nam hiện nay vì tỷ lệ mở (Open Rate) cực cao so với Email.
- Lớp hiển thị báo cáo (BI Tools):
- Tableau / PowerBI / Looker Studio: Trực quan hóa dữ liệu (Data Visualization).
12. Bài tập thực hành (Exercises/Assignments)
Bài tập cá nhân: Phân tích Unit Economics của một doanh nghiệp giả định
- Dữ liệu đề bài: Doanh nghiệp SaaS B2B có chi phí Marketing & Sales hàng tháng là 500.000.000 VNĐ. Tháng đó họ thu được 100 khách hàng mới. Doanh thu trung bình mỗi tháng từ 1 khách (ARPU) là 5.000.000 VNĐ. Biên lợi nhuận gộp là 80%. Tỷ lệ Churn hàng tháng (Monthly Churn Rate) là 5%.
- Yêu cầu:
- Tính CAC.
- Tính LTV (Nhắc lại: LTV dựa trên Gross Margin).
- Tính tỷ lệ LTV/CAC.
- Tính Thời gian thu hồi vốn (Payback Period).
- Đưa ra nhận xét: Doanh nghiệp này đang tăng trưởng khỏe mạnh hay đang đốt tiền? Nếu là Giám đốc Tăng trưởng, bạn sẽ ưu tiên cải thiện chỉ số nào trong tháng tới?
- Mục tiêu: Giúp học viên nắm vững toán học đằng sau tăng trưởng, bỏ tư duy chỉ nhìn vào Doanh thu (Top-line Revenue) mà quên đi lợi nhuận gộp và chi phí thu tóm.
13. Câu hỏi ôn tập (Quiz/Review Questions)
- Câu 1: Đâu là điểm khác biệt cốt lõi giữa Customer Analytics và Reporting (Báo cáo) thông thường?
- A. Customer Analytics dùng biểu đồ đẹp hơn.
- B. Customer Analytics tập trung vào Insight mang tính hành động (Actionable) và dự đoán tương lai, thay vì chỉ thống kê quá khứ.
- C. Cả hai là một.
- Câu 2: Tại sao lại cần dùng Lợi nhuận gộp (Gross Margin) thay vì Doanh thu (Revenue) khi tính LTV?
- A. Để trốn thuế.
- B. Doanh thu không phản ánh đúng dòng tiền thực sự giữ lại được sau khi trừ đi giá vốn hàng bán (COGS). Tính theo doanh thu sẽ làm "ảo" giá trị khách hàng và dẫn đến chi tiêu lố cho CAC.
- Câu 3: Theo mô hình RFM, một khách hàng có Recency thấp (đã lâu không mua), Frequency cao (trước đây mua rất thường xuyên) thuộc nhóm nào và nên áp dụng chiến lược gì?
- A. Khách hàng VIP - Tặng quà đắt tiền.
- B. Khách hàng At-Risk/Hibernating (Sắp rời bỏ/Ngủ đông) - Cần chiến dịch Win-back (khảo sát lý do, tặng offer mạnh để lôi kéo lại).
14. Tài liệu tham khảo thêm (Further Reading)
Để mở rộng kiến thức sau Bài 1, học viên bắt buộc/khuyến khích đọc các tài liệu sau:
- Sách: Hacking Growth (Sean Ellis) - Đọc Chương 4: "Giữ chân khách hàng".
- Sách: Customer Success: How Innovative Companies Are Reducing Churn and Growing Recurring Revenue (Nick Mehta) - Rất tốt cho mảng B2B/SaaS.
- Bài viết/Blog: The LTV:CAC Ratio của David Skok (ForEntrepreneurs). Đây là bài viết "kinh điển" về Unit Economics.
- Podcast: Lenny's Podcast - Các tập phỏng vấn Giám đốc Tăng trưởng (Head of Growth) từ Airbnb, Duolingo về cách họ tối ưu Retention.
15. Tiêu chí đánh giá (Rubric)
Dành cho bài tập tính toán Unit Economics ở phần 12:
- Mức Xuất sắc (9-10 điểm): Tính đúng 100% các chỉ số (CAC = 5M, LTV = 80M, LTV:CAC = 16:1). Nhận xét cực kỳ sắc sảo: Doanh nghiệp đang quá "rụt rè" trong việc chi tiêu Marketing (LTV:CAC quá cao), cần x2, x3 ngân sách để scale nhanh vì Payback Period chưa tới 2 tháng.
- Mức Khá (7-8 điểm): Tính đúng các chỉ số nhưng phần nhận xét còn chung chung (chỉ dừng ở mức "doanh nghiệp đang làm tốt").
- Mức Đạt (5-6 điểm): Có hiểu cách tính toán nhưng nhầm lẫn giữa Lợi nhuận gộp và Doanh thu khi tính LTV (Tính LTV = 100M).
- Mức Không đạt (< 5 điểm): Không hiểu bản chất công thức, tính sai CAC, không đưa ra được hành động thực tế.
16. Sai lầm phổ biến & Anti-patterns
Khi bắt tay vào làm Customer Analytics và CRM, các doanh nghiệp tại VN thường vấp phải những "Anti-patterns" (Mẫu thiết kế/Tư duy sai lệch lặp đi lặp lại) sau:
- Death by Dashboards (Chết chìm trong báo cáo): Tạo ra hàng chục Dashboard với hàng trăm chỉ số nhấp nháy, nhưng không ai trong công ty biết phải "làm gì" với các con số đó. Giải pháp: Chỉ theo dõi 3-5 chỉ số (North Star Metrics) thực sự ảnh hưởng đến hành động.
- Phân mảnh dữ liệu (Data Silos): Marketing dùng Facebook Analytics, Sales dùng Google Sheet, CS dùng Zendesk. Không có một "Single Source of Truth", dẫn đến việc một khách hàng vừa mới chửi bới CS trên tổng đài lại nhận được tin nhắn SMS "Cảm ơn bạn đã mua hàng, mời bạn mua tiếp".
- CRM bị biến thành công cụ gửi thư rác: Đo lường thành công của CRM bằng "Số lượng tin nhắn gửi đi" thay vì "Tỷ lệ chuyển đổi" hay "Doanh thu gia tăng".
- Ám ảnh với Acquisition (Thu hút mới): Đổ 90% ngân sách vào chạy Ads tìm khách mới, trong khi tỷ lệ Churn là 20% mỗi tháng (Thủng đáy phễu - Leaky Bucket).
17. Checklist thực hành
18. Template/Mẫu tài liệu (Templates)
Học viên có thể truy cập vào folder Google Drive của khóa học để tải xuống:
[Template] Unit_Economics_Calculator_v1.0.xlsx: File Excel có sẵn công thức tính CAC, LTV, Payback Period. Chỉ cần điền số liệu đầu vào.[Template] Customer_Journey_Mapping_Miro.pdf: Sơ đồ mẫu phân tích hành trình khách hàng trên Miro.[Template] CRM_Tech_Stack_Evaluation.docx: Bảng tiêu chí đánh giá và lựa chọn phần mềm CRM/CDP phù hợp.
19. Tóm tắt bài học (Executive Summary)
- Cuộc chơi tăng trưởng đã thay đổi: Acquisition ngày càng đắt đỏ, Retention mới là mỏ vàng thực sự.
- Customer Analytics giúp biến dữ liệu thành Actionable Insights. CRM là hệ thống để thực thi các Insights đó. Retention là kết quả cuối cùng.
- Công thức sinh tồn: LTV > 3 * CAC. Hãy tối ưu lợi nhuận gộp thay vì chỉ nhìn vào doanh thu.
- Đừng dùng CRM để spam. Hãy dùng CRM để cá nhân hóa hành trình khách hàng dựa trên phân khúc dữ liệu chuẩn xác.
20. Bước tiếp theo (Next Steps)
- Hành động ngay: Hoàn thành "Bài tập cá nhân: Phân tích Unit Economics" (Mục 12) và nộp lên hệ thống LMS trước thứ Sáu tuần này.
- Chuẩn bị cho Bài 02: Bài tiếp theo chúng ta sẽ đi sâu vào "Đào sâu dữ liệu hành vi & Xây dựng mô hình RFM bằng Excel/SQL". Hãy cài đặt sẵn phần mềm Excel (phiên bản 2016 trở lên) hoặc chuẩn bị tài khoản Google Sheets. Đọc trước bài blog: RFM Analysis for E-commerce.
