Tâm Sự Của Một Intern: Dùng Claude Dựng Dashboard Đa Kênh

TL;DR

• Sau hơn 2 tuần được sếp yêu cầu áp dụng Claude vào công việc, một intern kéo được dữ liệu gần như realtime từ nhiều kênh (Meta, TikTok, YouTube, Google) về chung một dashboard.
• Điểm khác biệt lớn nhất không nằm ở việc kéo dữ liệu từng kênh riêng lẻ, mà ở khả năng nhóm dữ liệu đa kênh theo đúng mục tiêu chiến dịch vào một dashboard tổng hợp.
• MCP (Model Context Protocol) là chuẩn giúp Claude kết nối trực tiếp tới các nguồn dữ liệu như Meta Ads, Google Ads, GA4, nhưng không phải mọi dữ liệu trong trình quản lý quảng cáo đều kéo về được, kể cả khi đã kết nối MCP.
• Claude không luôn báo rõ dữ liệu nào thiếu, mà đôi khi tự suy diễn công thức thay thế, nên người dùng buộc phải tự đối chiếu ngược lại với source gốc.

Từ thử nghiệm kéo dữ liệu kênh lẻ đến ý tưởng dashboard đa kênh

Hơn 2 tuần trước, mình được sếp giao một việc nghe qua thì đơn giản: áp dụng Claude vào công việc hàng ngày. Ban đầu, mình chỉ tính kéo dữ liệu của từng kênh riêng lẻ về Claude để test xem nó đọc hiểu, phân tích và đánh giá bối cảnh tốt đến đâu. Test một kênh, xem Claude phản hồi ra sao, rồi tính tiếp.

Nhưng làm được vài vòng thì mình phát hiện ra một thứ hay hơn nhiều so với kỳ vọng ban đầu. Claude không chỉ đọc hiểu dữ liệu của một kênh, mà còn có thể tổng hợp dữ liệu từ nhiều kênh khác nhau, miễn là nhóm đúng theo mục tiêu, vào chung một dashboard. Từ chỗ chỉ định test khả năng đọc hiểu, mình có luôn vài dashboard tổng hợp dữ liệu đa kênh, kéo gần như realtime, mà không cần biết viết một dòng code nào.

Trước đó mình cũng nghe qua bộ skill của Claude, nhưng dân tay mơ 2 tuần tuổi như mình thấy vậy đã là khá ra gì rồi.

Nhóm dữ liệu đa kênh theo mục tiêu chiến dịch nghĩa là gì

Câu hỏi đầu tiên khi nghe tới cụm này chắc ai cũng thắc mắc giống mình: kéo dữ liệu đa kênh theo mục tiêu cụ thể là làm gì mà nghe có vẻ khác kéo dữ liệu tổng hợp bình thường?

Cách làm cũ, quen thuộc hơn, là kéo dữ liệu tổng hợp của một kênh hoặc một nền tảng về, rồi bảo Claude đọc và phân tích các vấn đề chỉ xoay quanh kênh đó. Meta ra báo cáo Meta, TikTok ra báo cáo TikTok, mỗi cái một dashboard riêng.

Cách làm mới thì khác. Thay vì tách theo kênh, mình nhóm những dữ liệu thuộc nhiều kênh và nền tảng khác nhau, nhưng cùng phản ánh một kết quả mang tính chiến dịch, vào chung một dashboard tổng hợp. Sau đó mới kêu Claude đọc, trả lời và phân tích dựa trên các câu hỏi ở cấp độ chiến dịch đa kênh, chứ không phải cấp độ từng kênh riêng lẻ nữa.

Nghe thì đơn giản, nhưng đây chính là chỗ Claude tận dụng được sức mạnh của MCP (Model Context Protocol), chuẩn kết nối do Anthropic xây dựng để Claude đọc trực tiếp dữ liệu từ các nguồn bên ngoài như Meta Ads, Google Ads, GA4 ngay trong một phiên hội thoại, thay vì phải export thủ công rồi upload lại từng file via Anthropic.

Vì sao cách làm thủ công vẫn tốn thời gian và dễ bỏ sót

Bình thường, để có được bức tranh tổng thể, mình phải theo dõi và đánh giá dữ liệu từ nhiều nguồn. Có khi là nhận báo cáo và đánh giá từ nhân sự phụ trách từng kênh, có khi tự vào check dashboard từng nền tảng, đọc từng nhóm chỉ số, thậm chí đào sâu vào từng sản phẩm đã triển khai, rồi tự kết nối dữ liệu giữa các kênh, tổng hợp, phân tích và đánh giá.

Việc này không phải không làm được. Khi mọi thứ thuận buồm xuôi gió hoặc phạm vi triển khai không quá rộng thì cũng ổn, kinh nghiệm nghề nghiệp giúp đọc nhanh key metric và rút ngắn thời gian nắm bối cảnh. Nhưng khi phạm vi rộng hơn hoặc phát sinh vấn đề, việc bao quát bối cảnh, check lỗi và định hướng xử lý sẽ ngốn không ít thời gian.

Chưa kể, con người vẫn dễ đọc sót dữ liệu, bỏ sót mối liên hệ giữa các kênh, bị kinh nghiệm cũ kéo về góc nhìn quen thuộc trong một thị trường luôn thay đổi, và nắm bắt thông tin nhiều khi phụ thuộc vào cách nhân sự báo cáo lại. Phương án thủ công, dù có kinh nghiệm đến đâu, vẫn có giới hạn tự nhiên về khả năng bao quát.

Nếu import đủ dữ liệu và đúng chuẩn vào Claude, nó giúp đọc bối cảnh nhanh hơn, liên kết dữ liệu và phân tích, đánh giá tổng quan với góc nhìn đa chiều hơn, miễn là được train đúng mindset và đúng quy tắc mapping dữ liệu.

Giới hạn thật: MCP không kéo được hết, và Claude không luôn nói thẳng

Đây là phần mình nghĩ quan trọng nhất, vì nó là cái bẫy dễ mắc nhất. Nếu chỉ cung cấp ý tưởng mà không làm rõ cấu trúc thành phần dữ liệu cần kéo về, Claude sẽ chỉ trả về dashboard với dữ liệu cơ bản. Ngược lại, nếu hiểu sâu từng nền tảng, mình có thể điều hướng Claude đi xa hơn nhiều.

Ví dụ với Meta Ads, Claude không chỉ dừng ở các chỉ số quen thuộc như reach, impression, chi phí, chuyển đổi, mà còn có thể phân tích sâu hơn theo nhóm sản phẩm, content pillar, target audience, xu hướng hành vi. Điều kiện là người dùng phải tự xây được logic phân loại và quy tắc mapping từ Ads sang đúng nhóm dữ liệu cần đánh giá.

Nhưng có một case cụ thể khiến mình phải dè chừng hơn hẳn. Không phải mọi dữ liệu trong trình quản lý quảng cáo đều có thể kéo về Claude, dù đã kết nối MCP Meta Ads. Một số tính năng trong Marketing API vẫn chưa được các connector expose hết, và quan trọng hơn, không có sẵn lớp chuẩn hoá nào để tự blend dữ liệu chéo kênh via AdAmigo. Vấn đề là Claude không nói luôn cho mình biết dữ liệu nào không thể trực tiếp kéo về, mà vẫn có thể tự lấy dữ liệu khác áp vào công thức do nó tự suy diễn để ra kết quả. Hên xui.

Điều rút ra là người dùng buộc phải có đủ kiến thức để check ngược lại source gốc và cấu trúc mình đã xây. Sau khi dashboard được tạo, luôn phải so sánh với source gốc, kiểm tra dữ liệu đã chuẩn hoá đúng chưa, rà lại quy tắc mapping, và đánh giá lại luồng phân tích Claude vừa đưa ra. Dùng ChatGPT hay Claude, cảm giác chúng gần như không từ chối yêu cầu nào, chỉ dẫn rất nhiệt tình, cho đến khi phát sinh lỗi và bị yêu cầu giải trình kèm nguồn mới lộ ra chỗ hổng.

Điều một intern rút ra sau 2 tuần

Phạm vi mình test hiện mới nằm ở bề nổi của truyền thông. Nhưng khi kết nối được thêm dữ liệu bán hàng, CRM, cấu trúc P&L, Claude hoàn toàn có thể kết hợp để phân tích ở cấp độ kinh doanh, phát triển thành một workflow hoàn chỉnh hơn nhiều, tất nhiên còn tuỳ vào khả năng kết nối dữ liệu thực tế của từng bên.

Với dân non-tech, kỹ thuật một chữ bẻ đôi cũng không rành như mình, việc tự tạo được dashboard dữ liệu gần như realtime, tuỳ chỉnh theo ý tưởng riêng, chỉ trong thời gian ngắn với một trợ lý AI chi phí chưa đến một triệu đồng mỗi tháng, là trải nghiệm rất đáng thử. Phần còn lại chỉ là tự đánh giá rủi ro bảo mật dữ liệu cho kỹ.

Khi dữ liệu từ nhiều kênh được đưa về cùng một hệ thống, Claude có thể trở thành một trợ lý phân tích, thậm chí hỗ trợ điều phối triển khai rất hữu ích. Nhưng Claude đi sâu đến đâu, đúng đến đâu và tạo ra giá trị đến đâu vẫn phụ thuộc vào chất lượng dữ liệu, logic mapping và năng lực chuyên môn của người điều phối, không phải bản thân mô hình.

Claude chỉ thực sự hữu dụng khi người dùng có đủ hai thứ. Thứ nhất là ý tưởng với cấu trúc rõ ràng: biết mình muốn Claude làm gì để đạt mục tiêu gì, bài toán thực sự là gì, dữ liệu nào là cần thiết, câu hỏi nào cần được trả lời. Không có mục tiêu rõ, Claude rất dễ trả về những thứ chung chung hoặc dẫn mình đi vòng. Thứ hai là chuyên môn đủ sâu: hiểu chỉ số nào cần đánh giá, quy tắc đánh giá là gì, dữ liệu nằm ở đâu, source gốc trả được những dữ liệu nào, metric nào có ý nghĩa, metric nào chỉ là bề nổi, và mapping thế nào mới hợp lý trong đúng case của mình. Mơ hồ về dữ liệu cần dùng và không biết cách check lại, người dùng rất dễ bị Claude dắt mũi bởi những câu trả lời nghe rất logic nhưng thực tế dữ liệu đầu vào hoặc quy tắc xử lý đã sai từ đầu.

Kết

Điều mình thấy rõ nhất sau 2 tuần không phải là AI mạnh đến đâu, mà là AI đang phóng đại rất rõ điểm mạnh và điểm yếu của chính người dùng. Dữ liệu càng chuẩn thì phân tích càng giá trị. Chuyên môn càng sâu thì AI càng hữu ích. Ngược lại, nếu dữ liệu lộn xộn hay bản thân còn chưa rõ mình cần giải quyết bài toán gì, thì AI cũng chỉ đưa ra được những câu trả lời mơ hồ một cách rất tự tin mà thôi.