Group: AI – Performance Max
Tóm tắt
Hệ thống AI Agent sử dụng NotebookLM để tự động phân tích performance campaign, đưa ra recommendation off camp và giảm bid theo xu hướng hiệu suất hằng ngày, giúp giảm khoảng 40% workload tối ưu campaign cho team Inhouse Marketing.
VIDEO demo test tool: https://www.youtube.com/watch?v=H_ii5LKW0VA
- Bối cảnh & Vấn đề
Mỗi ngày, team Inhouse cần xử lý và theo dõi performance của số lượng lớn advertising campaigns trên nhiều sàn quảng cáo.
Quy trình hiện tại vẫn đang được thực hiện gần như hoàn toàn thủ công. Marketer cần tải dữ liệu từ Power BI, import vào Google Sheet, sau đó vào từng data sheet để filter các trường và chỉ số cần thiết như Me/Re, Spend, Revenue và hiệu suất ads theo ngày.
Sau khi kiểm tra dữ liệu, marketer tiếp tục phân tích performance của từng campaign để xác định:
- Campaign nào cần off
- Campaign nào cần giảm bid
- Campaign nào cần điều chỉnh ngân sách
Cuối cùng, marketer phải truy cập trực tiếp vào nền tảng quảng cáo để thực hiện các action optimization tương ứng.
Do số lượng campaign lớn và dữ liệu phân tán trên nhiều sheet khác nhau, quy trình này tiêu tốn đáng kể thời gian xử lý thủ công mỗi ngày. Trung bình, mỗi marketer cần khoảng 1.5-2 giờ/ngày để thực hiện việc phân tích dữ liệu và tối ưu campaign.
Ngoài vấn đề thời gian, việc phân tích thủ công cũng tạo ra nhiều rủi ro:
- Dễ bỏ sót campaign performance xấu
- Khó maintain logic tối ưu đồng nhất giữa các marketer
- Chậm phản ứng với các campaign spend cao nhưng không hiệu quả
- Hạn chế khả năng scale campaign khi số lượng data lớn, dễ bị miss
Đây không chỉ là vấn đề về workload, mà còn ảnh hưởng trực tiếp đến tốc độ tối ưu, hiệu quả ngân sách quảng cáo và khả năng scale của team.
- Giải pháp: AI Agent sử dụng NotebookLM
Để giải quyết vấn đề trên, team chúng tôi xây dựng một AI Agent nội bộ sử dụng NotebookLM nhằm tự động hóa quá trình phân tích performance campaign và đưa ra recommendation tối ưu.
Hệ thống được thiết kế để hỗ trợ marketer trong toàn bộ workflow phân tích dữ liệu:
- Đọc dữ liệu performance từ Google Sheet
- Phân tích trend campaign theo thời gian
- Tự động filter các campaign bất thường
- Đưa ra đề xuất off camp hoặc giảm bid
- Hỗ trợ marketer ra quyết định nhanh hơn
Tool không thay thế marketer, mà đóng vai trò như một AI assistant giúp giảm khối lượng xử lý manual và tăng tốc độ optimization.
- Cấu trúc dữ liệu & Workflow hoạt động
3.2. Logic phân tích của AI Agent
AI Agent sử dụng dữ liệu performance được marketer upload thông qua Google Sheet.
Do giới hạn xử lý của Google Sheet và NotebookLM (~10.000 dòng/lần chạy), mỗi marketer sẽ upload dữ liệu trong khoảng 20–25 ngày tùy theo số lượng campaign đang quản lý.
Marketer có thể:
- Export dữ liệu trực tiếp từ Power BI
- Upload lên AI Agent để phân tích
- Nhận recommendation gần như ngay lập tức
3.2. Logic phân tích của AI Agent
Recommendation Off Campaign
AI Agent sẽ tự động tạo danh sách campaign cần off khi thoả các điều kiện:
- Tổng Me/Re > 50%
- Tổng Spend > 100$
- 7 ngày gần nhất có tổng Percent > 50%
Hoặc:
- Spend ≥ 100$
- Total revenue = 0 hoặc 7 ngày gần nhất có tổng revenue = 0
Logic này giúp phát hiện các campaign đang tiêu tiền nhưng không tạo ra hiệu quả hoặc có dấu hiệu performance xấu kéo dài.
Recommendation Giảm Bid
AI Agent sẽ tạo danh sách campaign cần giảm bid khi:
- Tổng Me/Re < 50%
- Tổng Spend > 100$
- 7 ngày gần nhất có tổng Percent > 50%
Nhóm campaign này vẫn còn khả năng optimize nhưng cần giảm bid để kiểm soát rủi ro và tối ưu cost.
3.3. Quy trình hoạt động thực tế
Bước 1 — Upload data
Marketer export dữ liệu performance từ Power BI và upload lên Google Sheet kết nối với NotebookLM.
Bước 2 — AI Phân tích dữ liệu
AI Agent tự động:
- Đọc dữ liệu campaign
- Phân tích performance trend theo ngày
- Filter campaign theo logic optimization
- Tổng hợp các chỉ số cần thiết
Bước 3 — Generate Recommendation
Hệ thống tự động tạo:
- Danh sách campaign cần off
- Danh sách campaign cần giảm bid
- Các campaign có performance bất thường cần chú ý
Bước 4 — Marketer Action
Marketer kiểm tra kết quả từ AI và thực hiện trực tiếp trên nền tảng quảng cáo:
- Off campaign
- Giảm bid
- Điều chỉnh ngân sách
Toàn bộ workflow phân tích dữ liệu được rút ngắn đáng kể so với cách làm thủ công trước đây.
3.4. Test case
Team đã tiến hành test một số case với tool để kiểm tra tính chính xác của tool trong việc vận hành, ngoài việc thực hiện 2 nhiệm vụ chính là off campaign và giảm bid. Team có thể sử dụng tool để hỏi hoặc đánh giá dữ liệu theo nhiều chiều khác nhau.
| TEST CASE | Accuracy | Response time | Score(max is 10) |
| Ask why this NVSST belongs to the OFF Cam Group | 100% | ~20s | Accuracy: 10/10Response time: 9/10Total: 9.5/10 |
| Why is this NVSTT included in the bid reduction list? | 100% | ~30s | Accuracy: 10/10Response time: 8/10Total: 9/10 |
| Ask the AI to recalculate the data. | 100% | ~60s | Accuracy: 10/10Response time: 7/10Total: 8.5/10 |
| Pick 3 random NVSTT and show All data | 100% | ~75s | Accuracy: 10/10Response time: 7/10Total: 8.5/10 |
| Warning: NVSTTs have spent money but have not generated any FR yet. | 90% | ~90s | Accuracy: 9/10Response time: 6/10Total: 7.5/10 |
Chi tiết kết quả test case trong file sau: https://docs.google.com/spreadsheets/d/1omZW93KVcTHz9_vGCNnnTxqEiEjPTrQ-rY_43EpEmaw/edit?gid=0#gid=0
3.5. Vai trò của NotebookLM
NotebookLM đóng vai trò là AI analysis layer trong toàn bộ hệ thống.
Thông qua custom prompt được thiết kế riêng theo logic tối ưu của team, AI Agent có khả năng:
- Hiểu cấu trúc dữ liệu performance
- Phân tích trend theo thời gian
- Phát hiện các ads tiêu bất thường
- Đưa ra recommendation theo đúng logic nội bộ
Điểm quan trọng là AI không tự động thay marketer ra quyết định cuối cùng. Con người vẫn giữ toàn bộ quyền kiểm soát trong việc approve và thực hiện optimization action.
3.6. Điểm khác biệt của dự án
Dự án không đơn thuần là một chatbot AI trả lời câu hỏi, mà là một workflow automation tool hỗ trợ trực tiếp cho quy trình tối ưu campaign hằng ngày.
Human-in-the-loop
AI chỉ đóng vai trò:
- Phân tích dữ liệu
- Flag campaign bất thường
- Đưa ra recommendation
Quyết định cuối cùng vẫn do marketer thực hiện.
Zero-code & triển khai nhanh
Hệ thống được xây dựng hoàn toàn bằng các công cụ có sẵn:
- NotebookLM
- Google Sheet
- Power BI
Không cần developer riêng hoặc infrastructure phức tạp.
- Kết quả và impact
4.1. Tác động về vận hành (People Impact)
Trước khi có AI Agent, marketer cần khoảng 2 giờ/ngày để:
- Tải dữ liệu
- Filter data
- Phân tích performance
- Kiểm tra từng campaign
- Thực hiện optimization action
Sau khi ứng dụng AI Agent, phần lớn các bước phân tích và filter dữ liệu đã được tự động hóa.
Marketer chỉ cần:
- Upload dữ liệu
- Kiểm tra recommendation
- Thực hiện action trên platform
Kết quả thực tế:
| Task | Manual (Before) | With AI Agent (After) | Time Saved |
| Data Download & Processing | ~5 phút | ~5 phút | |
| Campaign Analysis | ~ 60 phút | ~15 phút | ~75% |
| Campaign Optimization | ~ 60 phút | ~ 60 phút | 0% |
| Tổng workload mỗi ngày | ~125 phút/ngày | ~80 phút/ngày | ~40% |
Thông qua việc ứng dụng AI vào workflow optimization, team kỳ vọng có thể tiết kiệm khoảng 75% workload cho bước phân tích dữ liệu campaign , và giảm được khoảng 40% thời gian tổng workload cho công việc tối ưu ads.
Team hiện tại có 3 marketer, mỗi ngày có thể tiết kiệm 45 phút mỗi người. Tổng thời gian tiết kiệm một ngày là khoảng 2.25h cho cả team. Do đặc thù ads cần quản lý hằng ngày nên tổng số thời gian tiết kiệm là 2.25×7 ngày ~16 giờ/tuần.
4.2. Operational Impact
- Giảm workload thủ công cho marketer
- Chuẩn hoá logic tối ưu campaign
- Tăng tốc độ ra quyết định
- Giảm nguy cơ bỏ sót campaign performance xấu
- Tăng khả năng scale campaign với cùng số lượng nhân sự
4.3. Financial Impact
Việc phát hiện sớm các campaign performance kém giúp:
- Giảm spend không hiệu quả
- Tối ưu allocation budget
- Hạn chế campaign burn budget kéo dài
- Tăng hiệu suất vận hành advertising budget
Về bảo mật thông tin
Do yêu cầu bảo mật dữ liệu nội bộ và thông tin kinh doanh, một số dữ liệu, chỉ số và ví dụ minh hoạ trong tài liệu này đã được thay đổi hoặc ẩn bớt thông tin.