Identity Resolution là gì? Cách hợp nhất hồ sơ khách hàng đa kênh

Identity resolution (nhận diện và hợp nhất danh tính khách hàng) là quá trình xác định những mảnh dữ liệu nằm rải rác ở nhiều hệ thống — form website, tin nhắn fanpage, phần mềm bán hàng, CRM — thực ra thuộc về cùng một người, rồi gộp chúng thành một hồ sơ thống nhất. Kết quả thường được gọi là hồ sơ khách hàng hợp nhất (unified profile).

Bài CDP là gì đã nhắc ngắn identity resolution như phần khó nhất của CDP. Bài này đi sâu hơn: hai cách khớp hồ sơ, khoá định danh nào đáng tin, và vì sao gộp nhầm nguy hiểm hơn chưa gộp được. Bạn không cần CDP để áp dụng — cùng nguyên tắc dùng được cho một bảng tính khách hàng hay một CRM nhỏ.

Khớp xác định và khớp xác suất

Có hai cách tiếp cận chính để quyết định hai bản ghi có phải cùng một người không:

Ở mức lý thuyết, hai loại lỗi này đánh đổi cho nhau: nới quy tắc để gộp được nhiều hơn thì gộp nhầm nhiều hơn, siết quy tắc thì bỏ sót nhiều hơn. Với doanh nghiệp nhỏ, lựa chọn gần như luôn là siết: một khách bị tách thành hai hồ sơ chỉ làm báo cáo kém chính xác một chút; hai khách bị gộp thành một có thể khiến bạn gửi thông tin cá nhân của người này tới người kia.

Khoá định danh: cái nào đáng tin, cái nào không

Không có khoá nào hoàn hảo. Vì vậy, khoá mạnh nhất là khoá do chính doanh nghiệp cấp (mã khách, mã thành viên) và cách hiệu quả nhất để tăng khả năng khớp là thiết kế điểm chạm sao cho khách tự nhận diện: đăng nhập, dùng mã thành viên, xác nhận số điện thoại. Đó cũng là giá trị của first-party data thu thập có chủ đích.

Quy trình identity resolution 6 bước

Bước 1. Xác định định danh được phép dùng

Không phải dữ liệu nào đang có cũng được phép dùng để nối hồ sơ. Liệt kê các định danh bạn thu thập ở từng kênh, khách đã được thông báo về mục đích sử dụng chưa, và việc gộp dữ liệu từ nhiều kênh có nằm trong mục đích đó không. Theo Nghị định 13/2023/NĐ-CP về bảo vệ dữ liệu cá nhân, doanh nghiệp cần có cơ sở cho việc xử lý dữ liệu cá nhân; nếu chưa chắc, hỏi người có chuyên môn pháp lý trước khi gộp. Với ngành như phòng khám, thông tin sức khoẻ đòi hỏi thận trọng đặc biệt.

Bước 2. Chuẩn hoá email và số điện thoại

Khớp xác định chỉ đúng khi hai bản ghi viết cùng một kiểu. Với số điện thoại Việt Nam, đưa về một định dạng duy nhất: bỏ khoảng trắng, dấu chấm, gạch ngang; thống nhất đầu số 0 và +84 (ví dụ 0912 345 678, +84912345678 và 84912345678 đều về một dạng). Với email: cắt khoảng trắng thừa, chuyển về chữ thường. Đừng tự áp các mẹo như bỏ dấu chấm trong phần tên email, vì quy tắc khác nhau giữa nhà cung cấp và có thể nối nhầm hai địa chỉ khác nhau. Giữ lại giá trị gốc bên cạnh giá trị chuẩn hoá để đối chiếu.

Bước 3. Ưu tiên quy tắc khớp xác định

Viết quy tắc theo thứ tự ưu tiên và dừng ở quy tắc đầu tiên khớp: trùng mã khách → cùng một người; nếu không có mã, trùng email đã xác minh → cùng một người; nếu không, trùng số điện thoại đã xác minh → cùng một người. Đi kèm là danh sách loại trừ: email chung, số tổng đài, số điện thoại của nhân viên từng nhập thay khách không bao giờ được dùng làm khoá gộp. Mỗi quy tắc cần được viết thành lời để người không làm kỹ thuật cũng đọc hiểu.

Bước 4. Đánh giá khớp xác suất thận trọng

Khi không có khoá chung, có thể dùng tín hiệu gần giống — cùng họ tên, cùng quận, cùng sản phẩm quan tâm — để gợi ý hai hồ sơ có thể là một. Với doanh nghiệp nhỏ, gợi ý này nên vào hàng chờ để người duyệt, không tự gộp. Nếu dùng mô hình tự động, cần đánh giá nó trên một mẫu đã được người kiểm tra, ghi lại tỉ lệ gộp nhầm quan sát được và xem lại khi dữ liệu thay đổi — tinh thần quản trị rủi ro tương tự khung quản lý rủi ro AI của NIST. Thiết bị dùng chung hay cùng mạng wifi không đủ để kết luận hai lượt truy cập là một người.

Bước 5. Lưu dấu vết hợp nhất

Mỗi lần gộp cần ghi lại: hồ sơ nào gộp với hồ sơ nào, theo quy tắc nào, lúc nào, ai duyệt (nếu có). Đồng thời định rõ quy tắc ưu tiên giá trị khi hai nguồn mâu thuẫn — ví dụ địa chỉ giao hàng lấy từ đơn mới nhất, ngày sinh lấy từ hồ sơ khách tự khai. Không có dấu vết, bạn không thể giải thích vì sao một hồ sơ trông như vậy, và không thể sửa khi sai.

Bước 6. Cho phép tách hồ sơ khi sai

Gộp nhầm sẽ xảy ra, dù quy tắc tốt đến đâu. Hệ thống cần cho phép tách lại hồ sơ về các bản ghi gốc — điều chỉ làm được nếu bạn giữ bản ghi gốc và dấu vết gộp ở bước 5. Tạo một kênh để nhân viên báo “hồ sơ này có vẻ lẫn hai người”, và khi tách, kiểm tra xem dữ liệu lẫn đã được đẩy tới đâu (danh sách gửi tin, tệp đối tượng quảng cáo) để gỡ theo.

Ví dụ thực hành: phòng khám nha và ba bản ghi của “một” bệnh nhân

Ví dụ giả định: một phòng khám nha có ba nguồn — form đặt lịch trên website (họ tên, số điện thoại, email), phần mềm quản lý phòng khám (mã bệnh nhân, số điện thoại), và bảng tính tin nhắn fanpage do lễ tân ghi.

Phòng khám chấp nhận còn một số hồ sơ chưa gộp được, đổi lại không có trường hợp lịch sử điều trị của người này hiện trong hồ sơ người kia. Khoá chính dài hạn là mã bệnh nhân: lễ tân được hướng dẫn hỏi mã hoặc tra theo số điện thoại kèm năm sinh trước khi tạo hồ sơ mới. Ví dụ này minh hoạ cách ra quyết định, không phải kết quả thực tế của một khách hàng.

AI giúp được gì, và ranh giới ở đâu

• Soạn nháp quy tắc chuẩn hoá số điện thoại, email và quy tắc khớp theo thứ tự ưu tiên, để người kỹ thuật kiểm tra.
• Rà danh sách loại trừ: gợi ý những email, số điện thoại xuất hiện ở quá nhiều hồ sơ — dấu hiệu của định danh dùng chung.
• Giải thích vì sao một cặp hồ sơ được gợi ý gộp, khi dùng mô hình khớp xác suất.
• Không nên: để AI tự gộp hồ sơ mà không có người duyệt, hay đưa danh sách khách chứa thông tin cá nhân vào công cụ AI không được doanh nghiệp phê duyệt. AI không biết hai người dùng chung số điện thoại trừ khi dữ liệu nói ra điều đó.

Sai lầm thường gặp

• Gộp chỉ bằng họ tên, hoặc bằng số điện thoại mà không có danh sách loại trừ.
• Không chuẩn hoá trước khi khớp, cùng một số viết ba kiểu thành ba người.
• Tự động gộp theo khớp xác suất mà không có người duyệt và không đo tỉ lệ nhầm.
• Ghi đè bản ghi gốc khi gộp, không còn đường tách lại.
• Coi cookie, thiết bị là danh tính, trong khi máy dùng chung rất phổ biến ở cửa hàng, gia đình.
• Gộp dữ liệu vượt mục đích khách đã được thông báo.

Identity resolution chỉ tốt bằng dữ liệu đầu vào — định dạng lộn xộn, trường bỏ trống, số gõ sai sẽ làm mọi quy tắc khớp kém đi. Nên đọc cùng bài data quality trong marketing.

Câu hỏi thường gặp