AI-DRIVEN: LiveSync Assistant – Khi quản trị dữ liệu không còn là cuộc chiến “rà soát thủ công”

Hiệu suất vận hành (Operational Excellence) không đến từ việc làm nhiều hơn, mà đến từ việc làm thông minh hơn. Trong quy trình quản lý lịch Live phức tạp giữa Brand và Agency, việc duy trì một nhân sự chỉ để trực chiến và đối soát dữ liệu là một điểm nghẽn về chi phí và nguồn lực. LiveSync Assistant được thiết kế như một ‘người gác cổng’ tận tụy, sử dụng AI để tự động hóa luồng thông tin từ bảng tính (lịch live) đến nhóm Google Chat. Đây không chỉ là một công cụ hỗ trợ, mà là tiêu chuẩn mới trong quản trị rủi ro, nơi mọi biến động quan trọng đều được báo cáo ngay lập tức, đảm bảo rằng: ‘Quản trị dữ liệu không còn là cuộc chiến rà soát thủ công.

1. Đặt vấn đề & Thực trạng

Trong quy trình quản lý lịch Livestream cho Brand với hàng chục phiên Live mỗi ngày, team đã đối mặt với những bài toán vận hành thực tế:

• Tính biến động cực cao (High Volatility): Brand thường xuyên thay đổi Host (người dẫn), SS Live (phiên Live), và khung giờ… vào phút chót. Việc này yêu cầu dữ liệu tracking phải được cập nhật và báo cáo về team quản lý ngay lập tức để điều phối nhân sự/kỹ thuật.
• “Bẫy” nhân sự và Workload: Để không bỏ sót thay đổi, team buộc phải cử nhân sự trực chiến chỉ để… F5 và check Google Sheets liên tục. Đây là công việc lặp đi lặp lại, gây mệt mỏi và lãng phí chất xám của nhân viên.
• Giới hạn của con người so với Máy móc: Với hàng trăm ô dữ liệu, việc mắt người bỏ sót một thay đổi nhỏ về khung giờ (ví dụ: từ 19:00 thành 19:30) là điều khó tránh khỏi. Trong ngành Live, sai một li là đi một phiên Live nghìn đơn.
• Nhiễu loạn thông tin (Information Noise): Không phải thay đổi nào cũng cần can thiệp (ví dụ: sửa lỗi chính tả tên Host). Việc báo cáo tất cả mọi thứ khiến PIC bị “mưa thông báo” và dễ dàng bỏ qua những thay đổi trọng yếu.

2. Giải pháp AI-Driven: Smart Tracking Agent (STA)

Team đã xây dựng một AI Agent đóng vai trò là “Bộ lọc thông minh” dựa trên logic xử lý tự động:

Thay vì dùng người để “canh”, chúng tôi dùng AI Agent làm lớp màng lọc logic:

• Logic giám sát: Tool tự động quét các cột trọng yếu (Host, Thời gian, Trạng thái phiên Live,…).
• AI Agent đánh giá tác động:Brand chỉ sửa định dạng/typo? -> AI im lặng.
  • Brand đổi Host hoặc đổi giờ Live? -> AI xác định đây là rủi ro vận hành, lập tức soạn tin nhắn tóm tắt: “⚠️ CẢNH BÁO: Brand vừa đổi Host phiên Live 20h từ [A] sang [B]. PIC @TenPIC cần điều phối lại kỹ thuật!”
• Kết nối trực tiếp: Thông báo được gửi thẳng vào Group Google Chat của team.

3. Kiến trúc hệ thống 

Tư duy hệ thống:

Google Sheet 

    ↓

Apps Script Trigger

    ↓

So sánh với CACHE

    ↓

Detect thay đổi

    ↓

Rule Engine (prompt AI)

    ↓

Gemini AI Summary

    ↓

Google Chat Notification

    ↓

Save AI_LOG memory

3.1. Google Sheet

Link lịch của từng division:

Sử dụng hàm IMPORTRANGE nhằm clone lịch live của từng division về thành của mình để thoả: 

• Cơ chế Mirroring & Data Isolation: Thiết lập luồng đồng bộ dữ liệu một chiều từ bảng tính của Brand về hệ thống nội bộ, đảm bảo tính toàn vẹn tuyệt đối cho dữ liệu gốc.
• Kiến trúc cô lập môi trường thao tác: Sử dụng phương thức truy vấn dữ liệu gián tiếp để clone lịch Live, ngăn chặn hoàn toàn rủi ro tác động ngoài ý muốn lên tệp nguồn của brand.

3.2. App Script Trigger

Để hệ thống có thể hoạt động tự động và liên tục, nhóm chúng em sử dụng trigger trong Google Apps Script để kích hoạt quy trình kiểm tra dữ liệu định kỳ. Trigger được thiết lập chạy mỗi 5 phút, giúp hệ thống liên tục theo dõi các thay đổi từ sheet lịch, tự động đối chiếu dữ liệu và gửi thông báo khi phát hiện cập nhật quan trọng. Nhờ cơ chế này, hệ thống có thể vận hành ổn định gần như real-time mà không cần thao tác thủ công từ người dùng.

3.3. So sánh với CACHE

Hệ thống cũng sử dụng một sheet cache trung gian để lưu lại dữ liệu của lần chạy trước. Mỗi khi trigger được kích hoạt, dữ liệu mới sẽ được đối chiếu với dữ liệu đã lưu trong cache nhằm phát hiện các thay đổi như cập nhật giờ livestream, thay đổi host hoặc thêm phiên mới. Cách tiếp cận này giúp giảm số lượng xử lý không cần thiết, tối ưu tốc độ hoạt động và hạn chế việc gửi thông báo trùng lặp.

3.4. Detect thay đổi

Sau bước đối chiếu dữ liệu giữa sheet hiện tại và cache, hệ thống sẽ thực hiện detect change để xác định chính xác những nội dung đã bị thay đổi. Các thay đổi như cập nhật thời gian livestream, thay đổi host, thêm hoặc hủy phiên live sẽ được trích xuất và tổng hợp thành danh sách thay đổi. Danh sách này sau đó được gửi đến Gemini để phân tích mức độ ảnh hưởng, quyết định có cần thông báo hay không và tạo nội dung summary phù hợp cho team.

3.5. Rule Engine (prompt AI)

Đoạn prompt được sử dụng như một lớp “decision engine”:

• Đọc thay đổi
• Đánh giá mức độ quan trọng
• Quyết định thông báo
• Và trả dữ liệu structured JSON để hệ thống phía sau dùng tiếp.

3.6. Gemini AI Summary

Theo yêu cầu của đề bài phải ứng dụng Gemini hoặc NotebookLM vào hệ thống, nhóm chúng em đã lựa chọn sử dụng Gemini thông qua Gemini API do khả năng tích hợp sâu với hệ sinh thái Google như Google Sheets, Apps Script và Google Chat, giúp việc triển khai và tự động hóa trở nên thuận tiện hơn.

Sau nhiều lần thử nghiệm và đánh giá giữa tốc độ xử lý, độ ổn định và chi phí vận hành, nhóm quyết định sử dụng Gemini 2.5 Flash Lite làm mô hình AI chính cho hệ thống.

Ngoài ra, nhóm cũng theo dõi lượng token sử dụng trong mỗi lần chạy để tối ưu chi phí và đảm bảo hệ thống có thể vận hành ổn định với tần suất cập nhật liên tục.

3.7. Google Chat Notification

Sau giai đoạn tổng hợp dữ liệu, Agent sẽ lọc ra các biến động trọng yếu để kích hoạt quy trình báo cáo tự động. Hệ thống không chỉ đơn thuần gửi cảnh báo mà còn cung cấp một bản tóm tắt nội dung thay đổi súc tích, đính kèm liên kết truy cập nhanh (Deep-link) đến vị trí ô dữ liệu và thực hiện Smart Tagging chính xác nhân sự phụ trách (PIC) theo từng Division, đảm bảo luồng thông tin được xử lý tức thì.

Ví dụ bên dưới:

3.8. Save AI_LOG memory

Ngoài ra, hệ thống còn sử dụng sheet AI_LOG để lưu lại toàn bộ kết quả phân tích từ AI trong mỗi lần chạy. Các thông tin như nội dung thay đổi, kết quả đánh giá, mức độ rủi ro, action đề xuất và token sử dụng đều được ghi lại nhằm phục vụ cho việc kiểm tra, debug và theo dõi hiệu suất hoạt động của hệ thống. Điều này giúp nhóm dễ dàng đánh giá độ ổn định của AI cũng như tối ưu prompt và chi phí vận hành theo thời gian.

4. Kết quả & Đo lường Impact

Sau khi áp dụng Tool tích hợp AI AGENT vào quy trình làm việc của team, kết quả đo đạc được vô cùng khả quan:

• Tiết kiệm thời gian: Giảm từ 45-60 phút xuống còn 5-10 phút rà soát dữ liệu mỗi ngày (Tiết kiệm 92% thời gian).

• Giảm nhiễu: AI lọc bỏ thành công 85% các thông báo không cần thiết, giúp team tập trung vào task chuyên môn.

• Độ chính xác: Đạt 95% trong việc nhận diện các thay đổi mang tính rủi ro cao (xóa cột dữ liệu, sửa công thức).

• Impact thực tế: Loại bỏ hoàn toàn tình trạng sai sót dữ liệu không được phát hiện kịp thời.

6. Kết luận

LiveSync Assistant không chỉ đơn thuần là một công cụ tracking, mà là bước đi đầu tiên trong việc chuẩn hóa quy trình vận hành Livestream bằng trí tuệ nhân tạo. Qua quá trình triển khai thực tế, team tự đúc kết các khía cạnh sau:

Ưu điểm & Tiềm năng (Scalability):

• Khả năng nhân rộng không giới hạn: Hệ thống được thiết kế với cấu trúc linh hoạt, sẵn sàng để áp dụng cho bất kỳ loại hình lịch trình nào, từ các Brand khác nhau đến các Division nội bộ, chỉ với một vài tùy chỉnh về tham số đầu vào.
• Chuyển đổi tư duy quản trị: Thay đổi hoàn toàn cách tiếp cận dữ liệu từ thụ động (reactive) sang chủ động (proactive), giúp team giải phóng sức lao động và tập trung vào các nhiệm vụ chiến lược.

Hạn chế hiện tại (Current Limitations):

• Nút thắt về hiệu suất AI: Hiện tại, hệ thống đang vận hành trên phiên bản AI tối ưu hóa chi phí (Gemini Lite/Flash Free Tier). Điều này dẫn đến tình trạng “độ nhạy bén” ngữ cảnh đôi khi chưa ổn định, bản tóm tắt (summary) đôi lúc còn máy móc hoặc chưa bắt trọn được những sắc thái phức tạp trong các thay đổi đặc thù.
• Rủi ro về tính chính xác: Do hạn chế của model Lite, vẫn còn một tỉ lệ nhỏ thông tin tóm tắt chưa thực sự tối ưu, đòi hỏi PIC vẫn cần một bước kiểm tra nhanh lại link gốc để đảm bảo tính tuyệt đối.

Tầm nhìn tương lai:

Chúng em  coi đây là phiên bản Minimum Viable Product (MVP). Trong tương lai, dự án sẽ được nâng cấp lên các model mạnh mẽ hơn (như Gemini Pro hoặc Ultra) và tinh chỉnh bộ Prompt (Prompt Engineering) chuyên sâu hơn. Mục tiêu cuối cùng là xây dựng một hệ sinh thái quản trị dữ liệu tự trị, nơi AI không chỉ tóm tắt mà còn có khả năng dự báo rủi ro vận hành trước khi chúng xảy ra.