Phân loại và định tuyến ticket hỗ trợ tự động bằng AI

Khách gửi yêu cầu hỗ trợ qua email, bộ phận A đọc xong thấy không phải việc của mình liền chuyển sang bộ phận B, bộ phận B lại chuyển tiếp sang bộ phận C - trong khi khách phải kể lại vấn đề từ đầu mỗi lần ticket đổi tay và thời gian phản hồi thì cứ thế kéo dài ra. Bài này hướng dẫn bạn xây bộ nhãn phân loại, huấn luyện AI định tuyến bằng chính dữ liệu ticket cũ, và thiết lập cơ chế xử lý khi AI phân loại sai để không lặp lại vòng lặp chuyển lòng vòng đó nữa.

Vì sao ticket cứ bị chuyển lòng vòng

Phần lớn hệ thống hỗ trợ khách hàng khi mới lập ra chỉ có một hộp thư chung, ai rảnh thì nhận ticket, đọc xong thấy không đúng chuyên môn của mình thì chuyển sang người khác. Cách làm này chạy ổn khi công ty còn nhỏ, nhưng khi số lượng ticket tăng lên và có nhiều bộ phận cùng tham gia xử lý (kỹ thuật, thanh toán, vận chuyển, tài khoản), ticket bắt đầu bị chuyển qua chuyển lại nhiều lần trước khi tới đúng người có thể giải quyết - mỗi lần chuyển là một lần khách phải chờ thêm, và tệ hơn là nhiều trường hợp khách phải giải thích lại vấn đề từ đầu vì người tiếp nhận sau không đọc kỹ lịch sử trước đó.

Việc dùng AI phân loại và định tuyến ticket tự động không phải để thay thế hoàn toàn con người ra quyết định, mà để làm đúng một việc: đọc nội dung ticket ngay khi vừa tạo, gắn nhãn phân loại chính xác, rồi chuyển thẳng tới đúng bộ phận phụ trách - rút ngắn phần lớn thời gian "tam giác chuyển tiếp" vốn không tạo ra giá trị gì cho khách hàng. Nếu bạn muốn hình dung bức tranh tổng thể về mức độ tự động hoá phù hợp cho chăm sóc khách hàng trước khi đi sâu vào riêng khâu phân loại ticket, bài AI cho Chăm sóc khách hàng: tự động tới đâu là đủ là điểm khởi đầu phù hợp.

Bước 1: Xây bộ nhãn phân loại trước khi nghĩ tới AI

Sai lầm phổ biến nhất khi bắt đầu là vội vàng đi tìm công cụ AI trước, trong khi việc quan trọng hơn nhiều lại là xác định cho đúng bộ nhãn phân loại nội bộ. Nếu bộ nhãn mơ hồ hoặc chồng chéo lẫn nhau, thì dù AI có thông minh tới đâu cũng không thể phân loại chính xác được, vì chính con người cũng không thống nhất được ticket nào thuộc nhãn nào.

Cách xây bộ nhãn hiệu quả là kết hợp hai chiều: chiều thứ nhất theo loại vấn đề (lỗi kỹ thuật, thắc mắc thanh toán, yêu cầu đổi trả, hỏi thông tin sản phẩm...), chiều thứ hai theo mức độ ưu tiên (khẩn cấp cần xử lý trong ngày, bình thường, có thể xử lý trong tuần). Hai chiều này kết hợp lại giúp hệ thống vừa biết chuyển ticket tới đúng bộ phận, vừa biết xếp ticket nào cần ưu tiên xử lý trước.

Bước 2: Chuẩn bị dữ liệu ticket cũ để huấn luyện

1. 1

   Xuất khoảng 300-500 ticket gần nhất đã xử lý xong

   Càng nhiều ticket đã gắn nhãn đúng theo bộ nhãn ở bước 1, AI càng học tốt cách phân loại. Nếu công ty chưa có thói quen gắn nhãn trước đây, đây là lúc phải làm thủ công cho một lượng mẫu đủ lớn trước khi huấn luyện.

2. 2

   Gắn nhãn thủ công cho mẫu dữ liệu này theo đúng bộ nhãn đã thống nhất

   Nên để 2-3 người khác nhau cùng gắn nhãn độc lập cho một phần mẫu nhỏ rồi so sánh kết quả - nếu tỷ lệ đồng thuận giữa họ thấp, nghĩa là bộ nhãn còn mơ hồ và cần làm rõ lại trước khi huấn luyện AI trên dữ liệu đó.

3. 3

   Loại bỏ ticket trùng lặp hoặc không đại diện

   Ticket spam, ticket thử nghiệm nội bộ, hoặc ticket có nội dung quá đặc thù chỉ xảy ra một lần nên loại khỏi tập huấn luyện để tránh làm lệch mô hình phân loại.

4. 4

   Chạy thử trên tập dữ liệu mới chưa từng huấn luyện

   Giữ lại khoảng 15-20% dữ liệu đã gắn nhãn để kiểm tra độ chính xác sau khi huấn luyện xong, thay vì chỉ đánh giá trên chính dữ liệu đã dùng để huấn luyện - đây là cách duy nhất để biết mô hình có thực sự hiểu nghiệp vụ hay chỉ đang học thuộc lòng các ví dụ cũ.

Bước 3: Thiết lập quy tắc định tuyến theo nhãn

Sau khi AI đã gắn nhãn cho ticket, bước tiếp theo là quyết định ticket mang nhãn nào sẽ tự động chuyển tới đâu. Không phải mọi nhãn đều nên định tuyến hoàn toàn tự động ngay từ đầu - với những nhãn có độ chắc chắn cao và hậu quả thấp nếu chuyển sai (ví dụ hỏi thông tin sản phẩm), có thể tự động chuyển thẳng; còn với nhãn dễ nhầm lẫn hoặc hậu quả nghiêm trọng nếu chuyển sai bộ phận (ví dụ liên quan tới pháp lý hoặc hợp đồng lớn), nên để AI gợi ý nhãn nhưng vẫn có người xác nhận trước khi chuyển.

Cách phân tầng theo độ tin cậy này giúp bạn tận dụng được tốc độ của tự động hoá ở những trường hợp rõ ràng, đồng thời vẫn giữ được lớp kiểm soát của con người ở những trường hợp mơ hồ - tránh được tình huống ticket bị chuyển sai bộ phận một cách tự động và không ai phát hiện ra cho tới khi khách phàn nàn.

Bước 4: Cơ chế xử lý khi AI phân loại sai

Không có hệ thống phân loại tự động nào đúng 100%, nên thay vì kỳ vọng điều không thực tế đó, bạn nên tập trung xây cơ chế phát hiện và sửa sai thật nhanh. Ba việc cần có ngay từ ngày đầu vận hành gồm: nút "chuyển lại nhãn" đơn giản để bất kỳ nhân viên nào cũng có thể sửa nhãn sai chỉ trong một cú nhấp, cơ chế tự động học lại định kỳ từ những lần sửa nhãn đó, và một người phụ trách theo dõi báo cáo các lỗi phân loại lặp lại hàng tuần.

Song song đó, nên có sẵn kịch bản chuyển tiếp cho những tình huống ticket phức tạp, mang tính khẩn cấp hoặc liên quan tới cảm xúc khách hàng - những trường hợp này nên được ưu tiên xử lý bởi người có kinh nghiệm bất kể AI phân loại vào nhãn nào. Bài Tự động hoá quy trình kinh doanh bằng AI: bắt đầu từ đâu có thêm góc nhìn về cách xác định phần việc nào nên tự động hoá trước trong toàn bộ quy trình vận hành, không riêng khâu ticket.

Tích hợp với hệ thống helpdesk đang dùng

Phần lớn hệ thống helpdesk phổ biến hiện nay đều đã tích hợp sẵn tính năng AI phân loại và định tuyến ticket ở một mức độ nào đó, nhưng thường tách riêng thành gói bổ sung tính phí ngoài gói phần mềm cơ bản. Bảng dưới đây tổng hợp nhanh cách tính phí của hai nền tảng phổ biến, ghi nhận theo trang giá chính thức tại thời điểm 9/2026 - bạn nên kiểm tra lại đúng trang bảng giá trước khi quyết định vì các nhà cung cấp thường điều chỉnh gói và giá theo thời gian.

Ngoài hai cái tên lớn ở trên còn nhiều nền tảng helpdesk khác có mức giá và cách tính phụ phí AI khác nhau, nên thay vì chọn theo tên tuổi, hãy ước lượng số ticket trung bình mỗi tháng của công ty bạn rồi quy đổi tổng chi phí (gói cơ bản cộng phụ phí AI) trên mỗi ticket, để so sánh công bằng giữa các lựa chọn. Nếu công ty bạn đang dùng một hệ thống helpdesk khác chưa có sẵn tính năng AI phân loại, việc xây dựng một lớp phân loại riêng kết nối qua API vào hệ thống hiện tại thường tiết kiệm chi phí hơn là chuyển hẳn sang nền tảng mới chỉ vì tính năng này.

Đo hiệu quả sau khi triển khai

Ba chỉ số nên theo dõi song song sau khi triển khai là: thời gian trung bình từ lúc tạo ticket tới khi ticket tới đúng người xử lý lần đầu tiên (mục tiêu là giảm mạnh so với trước), số lần một ticket bị chuyển tay trung bình trước khi được giải quyết (mục tiêu tiến dần về 1 lần), và tỷ lệ ticket bị phân loại sai phải sửa lại thủ công (chỉ số này giúp bạn biết khi nào cần huấn luyện lại mô hình với dữ liệu mới).

Nên so sánh các chỉ số này giữa giai đoạn trước và sau khi triển khai trong cùng khoảng thời gian tương đương, thay vì chỉ nhìn con số tuyệt đối sau triển khai - vì lượng ticket theo mùa vụ hoặc theo chiến dịch marketing có thể khiến số liệu dao động mà không liên quan gì tới hiệu quả của hệ thống phân loại.