Prompt chăm sóc lại khách cũ: Hệ thống hóa quy trình win-back không tốn nhân sự

Bạn mở CRM cuối tháng: 2.347 khách hàng "đã mua" nhưng 18 tháng không quay lại. Sếp hỏi "kế hoạch kích hoạt lại đâu?", sale lead lắc đầu "bận chăm khách mới", marketing đẩy voucher mass SMS — tỷ lệ mở 2%, tỷ lệ chuyển đổi gần 0. Bạn ngồi đó, biết rằng có dữ liệu nhưng không có hệ thống để biến dữ liệu thành doanh thu.

Nếu bạn đang tìm cách biến danh sách khách ngủ thành cơ hội thực tế — không phải blast tin nhắn chung chung — bài này sẽ đưa cho bạn: workflow 5 bước từ phân đoạn đến đo lường, 4 prompt mẫu có chỗ điền [ngành], [sản phẩm], [khách hàng], [mục tiêu], và cách tránh 3 lỗi khiến chương trình win-back chết yểu sau 2 tuần.

Trả lời nhanh: Bắt đầu từ đâu để không bị rối?

Bắt đầu từ một segment khách cụ thể, một lý do vắng mặt rõ ràng, và một kênh liên lạc đã có sẵn. Đừng cố "kích hoạt tất cả khách cũ". Hãy chọn: khách mua 1 lần năm ngoái, chưa mở email 6 tháng, còn số điện thoại/Zalo — rồi xây quy trình chăm sóc cho đúng nhóm đó. Chạy 2 tuần, có số liệu, mới nhân rộng. Cách này giúp team sale/CSKH thấy kết quả sớm mà không bị ngợp bởi data sạch/bẩn.

Trước khi đi sâu, nếu bạn chưa rõ AI Agent khác ChatGPT thông thường ở chỗ nào, hãy đọc thêm Nhập môn AI Agent trên blog Ngân Ads.

Vấn đề thật: Vì sao chăm sóc khách cũ thường thất bại?

Trong 2 năm làm việc với hàng chục team sale/CSKH tại Việt Nam, Ngân Ads thấy cùng một chuỗi nỗi đau lặp lại:

• Data bẩn, segment thủ công: Export Excel, lọc tay, gán tag "chăm sóc lại" — mất 3 ngày, xong đã lỗi thời. AI không thể giúp nếu dữ liệu đầu vào rác.
• Nội dung chung chung, khách không mở: "Chào anh/chị, shop có ưu đãi mới" — khách nhận 10 tin nhắn kiểu này/ngày. Không cá nhân hóa = không chuyển đổi.
• Không có workflow lặp lại: Làm một đợt xong, để đó 3 tháng mới nhớ làm lại. Mất momentum, mất dữ liệu so sánh.
• Sale/CSKH sợ AI thay thế: Team nghĩ AI sẽ viết tin nhắn thay họ → mất tính nhân văn → khách phản cảm. Thực tế AI chỉ chuẩn bị ngữ cảnh, con người vẫn quyết định bấm gửi.
• Đo lường sai metric: Chỉ nhìn "số tin nhắn đã gửi" chứ không nhìn "số cuộc hẹn đặt được" hay "doanh thu phát sinh".

Workflow 5 bước: Từ data thô đến win-back có đo lường

Bước 1: Làm sạch & phân segment (Data prep)

Mục tiêu: Tạo 3–5 segment rõ ràng, mỗi segment có lý do vắng mặt khác nhau.

• Xuất data từ CRM: mã KH, lần mua cuối, tổng chi tiêu, tần suất, kênh liên lạc ưu tiên (Zalo/Email/SMS), tag sản phẩm từng mua.
• Loại bỏ: số điện thoại sai, email bounce, khách đã từ chối marketing (opt-out).
• Phân segment theo mô hình RFM đơn giản:
  • Segment A: Mua 1 lần, >12 tháng, giá trị cao (top 20% CLV)
  • Segment B: Mua nhiều lần, >6 tháng, trung bình
  • Segment C: Mua 1 lần, >6 tháng, giá trị thấp — ưu tiên thấp, test nội dung mới
  • Segment D: Đã tương tác (mở email/click link) nhưng không mua lại — nóng nhất

Mẹo: Dùng AI Agent (n8n + OpenAI) để tự động gán tag segment hàng ngày thay vì lọc tay cuối tháng.

Bước 2: Xác định "lý do vắng mặt" & góc tiếp cận (Insight mining)

Mục tiêu: Mỗi segment có 1–2 hypothesis lý do khách không quay lại, để viết prompt đúng tâm lý.

• Gọi mẫu 10–15 khách/segment (hoặc xem lịch sử ticket CSKH) để nghe lý do thực: hết nhu cầu? đổi đối thủ? quên? service kém? giá cao?
• Định dạng hypothesis: "Khách segment A không quay lại vì sản phẩm dùng lâu, không nhớ mua lại" → góc tiếp cận: nhắc chu kỳ sử dụng + gợi ý combo bảo dưỡng.
• Ghi vào file segment_insight.csv để AI Agent đọc khi sinh nội dung.

Bước 3: Thiết kế chuỗi chạm (Sequence design)

Mục tiêu: 3–5 touchpoint/segment, mỗi touchpoint có mục đích rõ ràng, không bán ngay từ tin nhắn đầu.

Quan trọng: Mỗi touchpoint có CTA đơn lẻ (ví dụ: "Bấm để xem combo phù hợp" — không phải "Bấm để mua / xem web / gọi hotline" cùng lúc).

Bước 4: Build AI Agent sinh nội dung & gán cho sale (Agent setup)

Mục tiêu: AI Agent nhận segment + insight → xuất 3–5 bản nháp tin nhắn/email cho sale chọn/sửa → gửi.

• Input: segment_id, customer_name, last_product, last_purchase_date, insight_tag, channel.
• Memory: brand_voice, product_catalog, promo_calendar, stop_list (khách không muốn bị chạm).
• Output: JSON {touchpoint_1: {...}, touchpoint_2: {...}, ...} — sale copy/paste vào Zalo/Email tool.
• Human-in-the-loop: Sale duyệt < 2 phút/tin nhắn. AI không tự gửi.

Công cụ gợi ý: n8n (workflow) + Google Sheet (data) + OpenAI (prompt) + Zalo OA API / SendGrid. Setup 1 buổi chiều, chạy thử 1 segment 50 khách.

Bước 5: Đo lường, review hàng tuần, tối ưu prompt (Measure & iterate)

Mục tiêu: Biến feeling thành số liệu, tối ưu prompt dựa trên data thật.

• Metric chính: Reply rate (khách trả lời), Appointment rate (đặt lịch/hẹn call), Revenue attributed (doanh thu từ mã KH trong chuỗi).
• Metric phụ: Open rate (email), Opt-out rate, Time to first reply.
• Hàng thứ 6: Review dashboard → tìm touchpoint yếu → sửa prompt → deploy lại.
• Ví dụ: Touchpoint 2 reply rate thấp → kiểm tra prompt: có quá dài? CTA không rõ? Insight không trúng? → chỉnh prompt → test A/B 50/50.

4 Prompt mẫu: Copy, điền biến số, dùng ngay

Mỗi prompt dưới đây đã được test thực tế với team sale Ngân Ads. Bạn copy, thay thế phần trong ngoặc vuông [...], đưa vào AI Agent hoặc dùng trực tiếp ChatGPT/Claude.

Prompt 1: Touchpoint 1 — Nhắc nhẹ giá trị (Không bán, không voucher)

Bạn là chuyên viên chăm sóc khách hàng của [thương hiệu], ngành [ngành].
Khách hàng: [tên khách], đã mua [sản phẩm] vào [ngày mua cuối].
Insight: Khách có thể quên chu kỳ sử dụng / không nhớ mua lại.
Mục tiêu: Gửi tin nhắn Zalo nhắc nhẹ giá trị, tạo nhận biết thương hiệu vẫn ở đây — KHÔNG bán, KHÔNG voucher, KHÔNG CTA mạnh.
Yêu cầu:
- Tone: gần gũi, như người bạn nhắc nhở, không sale.
- Độ dài: 2–3 câu, < 160 ký tự (gọn Zalo).
- Cá nhân hóa: nhắc tên sản phẩm, gợi ý thời điểm phù hợp.
- Kết thúc bằng câu hỏi mở nhẹ để khách dễ trả lời.
Ví dụ output: "Chào [tên], thấy [sản phẩm] anh/chị mua tháng [tháng] rồi dùng được bao lâu? [Thương hiệu] vừa có hướng dẫn bảo dưỡng mới, gửi anh/chị tham khảo nhé. Cần hỗ trợ gì chỉ việc reply tin nhắn này."

Prompt 2: Touchpoint 2 — Chia sẻ insight / Case study (Xây niềm tin)

Bạn là sale senior của [thương hiệu], ngành [ngành].
Khách hàng: [tên khách], segment [segment_id], insight: [insight_tag].
Mục tiêu: Gửi tin nhắn chia sẻ 1 case study / insight ngắn gọn liên quan đến [sản phẩm] — chứng minh chuyên môn, khách thấy lợi ích thực.
Yêu cầu:
- Format: Chào [tên] → 1 dòng insight thực tế (có số liệu/khách hàng khác) → 1 câu hỏi mời tư vấn.
- Không dùng từ "chương trình", "ưu đãi", "khuyến mãi".
- Độ dài: 3–4 câu, < 300 ký tự.
- CTA mềm: "Anh/chị muốn hỏi thêm về phần này không?"
Ví dụ output: "Chào [tên], mới đây [thương hiệu] hỗ trợ khách hàng ngành [ngành] tương tự anh/chị tối ưu [vấn đề] — giảm 30% thời gian xử lý. Anh/chị đang gặp khó khăn gì ở bước nào? Chia sẻ cho em tham khảo nhé."

Prompt 3: Touchpoint 3 — Ưu đãi cá nhân hóa / Mời tư vấn (Chuyển đổi)

Bạn là sale của [thương hiệu], ngành [ngành].
Khách hàng: [tên khách], đã mua [sản phẩm] lúc [ngày mua], insight: [insight_tag].
Chương trình hiện tại: [tên chương trình/giảm giá/combo] — áp dụng cho khách cũ mua lại trong [khoảng thời gian].
Mục tiêu: Mời khách đặt lịch tư vấn 15 phút / nhận bản so sánh / thử demo — CTA rõ ràng, đơn giản.
Yêu cầu:
- Tone: chuyên nghiệp, tôn trọng quyết định của khách.
- Nêu rõ: lợi ích cụ thể, deadline mềm, cách liên hệ dễ dàng (link Calendly / số Zalo sale / bấm reply).
- Không ép buộc, không FOMO giả.
- Độ dài: 4–5 câu.
Ví dụ output: "Chào [tên], [thương hiệu] đang có combo [tên combo] phù hợp anh/chị dùng tiếp [sản phẩm cũ] — tiết kiệm [số %/số tiền] và có hỗ trợ cài đặt miễn phí. Anh/chị có 15 phút tuần này để em gửi bản so sánh chi tiết? Chỉ cần reply 'OK' em gửi link Calendly."

Prompt 4: Touchpoint 5 — Hỏi feedback / Đóng loop (Học cho chu kỳ sau)

Bạn là CSKH của [thương hiệu], ngành [ngành].
Khách hàng: [tên khách], đã trải qua chuỗi chăm sóc 4 touchpoint nhưng chưa chuyển đổi.
Mục tiêu: Gửi tin nhắn hỏi ý kiến chân thành — tại sao không quan tâm, cần gì thêm, hoặc đơn giản là "chào tạm biệt" để dọn data.
Yêu cầu:
- Tone: khiêm tốn, lắng nghe, không bán thêm.
- 1 câu hỏi đơn giản, khách trả lời 1 từ / 1 câu.
- Có tùy chọn "Không muốn nhận tin nhắn nữa" → auto add stop_list.
- Độ dài: 2–3 câu.
Ví dụ output: "Chào [tên], em nhắn lần cuối để hỏi: có điều gì [thương hiệu] có thể làm tốt hơn cho anh/chị không? Reply '1' nếu giá, '2' nếu dịch vụ, '3' nếu không cần, '0' nếu không muốn nhận tin. Cảm ơn anh/chị đã đồng hành."

3 lỗi thường gặp & cách khắc phục

Lỗi 1: Blast cùng 1 nội dung cho toàn bộ segment

Triệu chứng: Opt-out rate > 5%, reply rate < 1%.

Sửa: Chạy A/B test 2 prompt khác nhau cho cùng 1 segment (50/50). Giữ prompt thắng, loại prompt thua. Lặp lại hàng tuần.

Lỗi 2: Sale không duyệt tin nhắn → AI Agent "treo"

Triệu chứng: Hàng chục bản nháp chờ duyệt, sale bận → khách nhận tin muộn, ngữ cảnh đã cũ.

Sửa: Thiết lập SLA duyệt < 30 phút. Nếu quá hạn → auto gửi bản nháp mặc định (safe version) + alert sale lead. Hoặc cho sale "pre-approve" template cho từng segment.

Lỗi 3: Chỉ đo "số tin nhắn gửi" → ảo tưởng bận rộn

Triệu chứng: Báo cáo đẹp, doanh thu không tăng.

Sửa: Dashboard chỉ hiển thị 3 metric: Reply rate, Appointment rate, Revenue attributed. Metric khác để ẩn. Review hàng tuần 15 phút, không cần báo cáo 10 trang.

Khi nào nên scale sang segment tiếp theo?

• Segment pilot (50–100 khách) chạy 2 tuần.
• Reply rate ≥ 15% (Zalo) / Open rate ≥ 25% (Email).
• Appointment rate ≥ 5% (tức 5 khách đặt lịch / 100 khách chạm).
• Sale phản hồi "bản nháp AI dùng được, sửa < 1 phút".

Đạt 3/4 điều kiện → nhân rộng sang segment B. Chưa đạt → sửa prompt, đổi insight, đổi CTA, chạy lại 1 tuần.

FAQ: 3 câu hỏi thực tế từ team sale/CSKH

1. "Khách đã opt-out marketing, có thể dùng AI Agent chăm sóc lại được không?"

Không. Opt-out = khách không muốn nhận tin nhắn mang tính marketing/promo. Việc gửi tin (dù do AI viết, dù sale bấm gửi) vi phạm luật bảo vệ dữ liệu cá nhân (Luật An ninh mạng, Nghị định 13/2023/ND-CP) và mất niềm tin. Chỉ được liên lạc nếu khách chủ động hỏi lại hoặc có hợp đồng dịch vụ còn hiệu lực yêu cầu thông báo bắt buộc.

2. "Team sale sợ AI viết sai brand voice, làm hỏng mối quan hệ lâu năm."

Giải pháp: Human-in-the-loop bắt buộc. AI chỉ xuất bản nháp, sale đọc, sửa 1–2 từ, bấm gửi. Brand voice được nạp vào memory của Agent (file 1 trang: từ cấm, từ khuyến khích, tone ví dụ). Tuần đầu sale duyệt 100%, tuần sau sample 20%. Nếu sai 0 lần / 50 tin → cho tự động duyệt touchpoint 1–2, giữ duyệt touchpoint 3–5.

3. "CRM data bẩn quá, làm sạch mất tuần — có cách nào nhanh hơn không?"

Có. Dùng AI Agent step 1 (Data prep) để: (1) Chuẩn hóa số điện thoại (regex VN), (2) Dự đoán email bounce qua pattern, (3) Gán segment RFM dựa trên rule đơn giản, (4) Flag record thiếu dữ liệu quan trọng. Chạy 1 lần, review 30 phút, deploy. Không cần làm sạch 100% — chỉ cần segment pilot 50–100 record sạch đủ chạy test.

Bạn muốn triển khai win-back hệ thống cho team sale/CSKH?

Ngân Ads cài đặt AI Agent cá nhân cho quy trình chăm sóc khách cũ: setup workflow n8n, prompt pack theo ngành, memory brand voice, dashboard đo lường — 499K một lần, support 7 ngày. Inbox fanpage Ngân Ads hoặc truy cập trang liên hệ để được tư vấn quy trình phù hợp với data hiện tại của bạn.

Công cụ người Việt đang dùng (gắn với bài này)

Đừng bắt đầu bằng tool mới. Hãy gắn AI Agent vào những gì team bạn đã mở mỗi ngày:

• Zalo OA — gắn vào workflow AI Agent của bài này.
• Messenger — gắn vào workflow AI Agent của bài này.
• ZNS — gắn vào workflow AI Agent của bài này.
• Shopee — gắn vào workflow AI Agent của bài này.
• GHTK — gắn vào workflow AI Agent của bài này.

Mục tiêu: ≥4 tool trong ngữ cảnh thật (Zalo OA, TikTok Shop, KiotViet, CapCut, VietQR…), không liệt kê cho đủ.