Phần mềm AI dự đoán khách rời cho quán F&B — Hoạt động thế nào?

Phần lớn quán F&B Việt Nam mất khách theo cách lặng lẽ — không có nút 'hủy đăng ký', khách chỉ đơn giản là ngừng quay lại. 60–75% khách lần đầu không bao giờ trở lại, và trong số khách quen, khoảng 30–40% lặng lẽ rời đi mỗi 90 ngày. Vấn đề không phải là không có dữ liệu — POS đã ghi đủ từng giao dịch. Vấn đề là không ai ngồi đọc dữ liệu đó mỗi sáng để biết khách nào sắp rời.

Đây là chỗ phần mềm AI dự đoán khách rời (churn prediction) bước vào. Khác với báo cáo 'khách 60 ngày không quay' của POS — vốn chỉ là một câu lệnh SQL chạy ngược thời gian — mô hình AI học nhịp ghé quán riêng của từng khách rồi gắn cờ khi nhịp đó bị phá vỡ, ngay cả khi mốc 60 ngày chưa tới.

Ví dụ cụ thể: một khách văn phòng quận 1 vẫn ghé quán cà phê 4–5 lần/tuần trong 6 tháng liên tục. Nếu bạn dùng rule '30 ngày không ghé = at-risk', bạn chỉ phát hiện ra sau khi khách đã ngừng cả tháng — quá muộn. Một mô hình AI tốt sẽ gắn cờ khách này sau ngày thứ 5–6 im lặng, vì với chu kỳ cá nhân của họ, 5 ngày đã là bất thường rồi. Đây là khác biệt giữa 'báo cáo lịch sử' và 'dự đoán tương lai'.

Về mặt kỹ thuật, một mô hình churn F&B hoạt động qua bốn tầng. Tầng 1: trích đặc trưng (feature engineering) từ giao dịch POS — recency, frequency, monetary, độ lệch chuẩn của khoảng cách giữa các lần ghé, xu hướng giảm/tăng AOV 30 ngày, kênh ghé chủ yếu (dine-in vs ship), món hay gọi. Tầng 2: chấm điểm bằng mô hình gradient-boosted (XGBoost / LightGBM) huấn luyện trên hàng triệu giao dịch F&B Việt Nam, output là xác suất khách rời trong 14 ngày tới. Tầng 3: so sánh điểm hiện tại với baseline cá nhân — không phải baseline ngành — để bắt ra bất thường. Tầng 4: ranking để giới hạn số khách cần action mỗi ngày (top 20–50), tránh ngợp người vận hành.

Lead time là chỉ số quan trọng nhất khi đánh giá phần mềm. Quá ngắn (<48 giờ) không kịp gửi tin có ý nghĩa. Quá dài (>14 ngày) gây false positive cao — gửi nhầm khách đang nghỉ phép, đi công tác, hoặc nghỉ Tết. Vùng tối ưu cho F&B Việt Nam là 3–7 ngày, đủ để tin Zalo OA tới và khách có cơ hội quay lại trong cùng tuần.

Về độ chính xác, đừng kỳ vọng 95% — không tồn tại trong bài toán hành vi con người. Benchmark thực tế trên tập F&B Việt Nam: precision 65–75% (cứ 100 khách AI gắn cờ thì 65–75 người thật sự sắp rời), recall 55–70% (bắt được 55–70% số khách sẽ rời trong 14 ngày). Sai sót còn lại là chi phí có thể chấp nhận — một tin Zalo OA nhầm tốn vài trăm đồng, còn mất một khách quen chi 500k/tháng là mất 6 triệu/năm.

Một mô hình AI không có giá trị nếu nó chỉ in ra một danh sách. Nó phải kết nối thẳng vào kênh hành động — Zalo OA, SMS, hoặc email — và tự sinh nội dung phù hợp với từng phân khúc. Đây là chỗ AI sinh nội dung (generative AI) kết hợp với AI dự đoán: mô hình churn ra danh sách, mô hình ngôn ngữ viết tin tiếng Việt tự nhiên theo món khách hay gọi và lý do được gắn cờ. Công cụ như PEKO ghép sẵn hai tầng này cho thị trường VN với template Zalo ZNS đã duyệt. Nhưng nguyên lý không độc quyền — bất kỳ phần mềm nào ghép đủ hai tầng và có lead time 3–7 ngày đều có thể chạy được.

Không phải quán nào cũng cần ngay. Quán <300 khách lifetime hoặc mới mở <6 tháng thường chưa đủ dữ liệu để mô hình học chu kỳ cá nhân — giai đoạn đó nên ưu tiên capture (lấy số điện thoại + Zalo OA) trước, đợi đủ ~3 tháng giao dịch rồi bật AI. Ngược lại, quán đã có >500 khách quen mà chưa dùng AI churn là đang để doanh thu rơi mỗi tuần.