Mở đầu — vì sao bài này quan trọng
Nếu bạn hỏi mười PM rằng "người dùng của bạn là ai", chín người sẽ trả lời bằng một con số trung bình: "DAU khoảng 50 nghìn", "retention tháng 1 đâu đó 30%". Nhưng con số trung bình che giấu sự thật quan trọng nhất trong sản phẩm của bạn — rằng người dùng không hề giống nhau. Một người mở app mỗi sáng để check số dư, một người ba tháng mới ghé một lần, một người mua 20 đơn/tháng và một người mãi chưa hoàn tất đơn đầu tiên. Gộp tất cả họ vào một con số trung bình cũng vô nghĩa như đo nhiệt độ trung bình của một bệnh viện.
Segmentation (phân khúc) là kỹ năng chia tập người dùng thành các nhóm có ý nghĩa dựa trên hành vi và đặc điểm chung. Personalization (cá nhân hóa) là hành động tiếp theo: điều chỉnh trải nghiệm, thông điệp, ưu đãi cho từng phân khúc. Trong Mixpanel và Amplitude, đây không phải khái niệm lý thuyết — đó là những tính năng bạn bấm chuột dùng hàng ngày để trả lời câu hỏi "nhóm nào đáng đầu tư, nhóm nào đang rời bỏ, và tôi nên nói gì với ai".
Bài này dạy bạn xây phân khúc chuẩn trong công cụ analytics, chọn tiêu chí phân khúc phù hợp, và biến phân khúc thành hành động cá nhân hóa cụ thể. Đây là chỗ analytics chuyển từ "báo cáo đẹp" sang "quyết định thay đổi doanh thu".
Khái niệm cốt lõi
Segmentation là gì và khác gì với cohort
Trong ngôn ngữ hàng ngày người ta hay dùng lẫn "segment" và "cohort", nhưng phân biệt được sẽ giúp bạn nói chuyện với đội data chính xác hơn.
- Segment là một nhóm người dùng được định nghĩa bằng điều kiện — có thể là thuộc tính (quốc gia = "Việt Nam") hoặc hành vi (đã mua ≥ 3 lần trong 30 ngày). Segment mang tính động: hôm nay một người thỏa điều kiện thì thuộc nhóm, mai không thỏa nữa thì rời nhóm.
- Cohort thường được cố định theo một mốc, phổ biến nhất là thời điểm đăng ký (cohort tháng 6). Bài 11 và Bài 41 đi sâu vào cách xây cohort; bài này tập trung vào tiêu chí phân khúc và cách dùng phân khúc để cá nhân hóa.
Ba trục tiêu chí phân khúc
Đây là phần xương sống của bài. Có nhiều cách phân khúc, nhưng gom lại thành hai họ lớn: hành vi và nhân khẩu học.
#### 1. Phân khúc theo hành vi (Behavioral)
Đây là loại phân khúc mạnh nhất và đáng tin nhất, vì hành vi phản ánh ý định thật, không phải điều người dùng khai. Ba chiều kinh điển — thường được gói trong khung RFM (Recency, Frequency, Monetary) — là:
- Recency (độ gần đây): Lần cuối người dùng thực hiện hành động cốt lõi cách đây bao lâu? Người mua hàng lần cuối 2 ngày trước rất khác người mua lần cuối 90 ngày trước. Recency là chỉ báo rời bỏ (churn) sớm nhất.
- Frequency (tần suất): Trong một khoảng thời gian, người dùng lặp lại hành động cốt lõi bao nhiêu lần? Đây là thước đo mức độ hình thành thói quen.
- Depth / Monetary (độ sâu / giá trị): Người dùng đi sâu tới đâu trong sản phẩm, dùng bao nhiêu tính năng, chi bao nhiêu tiền? "Depth" đo mức độ khám phá tính năng; "Monetary" đo giá trị tiền tệ.
#### 2. Phân khúc theo nhân khẩu học (Demographic)
Đây là phân khúc theo người dùng là ai: độ tuổi, giới tính, khu vực, ngôn ngữ, loại thiết bị, gói dịch vụ, ngành nghề (với sản phẩm B2B). Trong công cụ, đây chính là các user properties / people properties (Bài 12 nói kỹ về cách nạp chúng vào profile).
Nhân khẩu học hữu ích nhưng cần dùng một cách cẩn trọng:
- Đừng dùng để suy diễn định kiến: "Phụ nữ 25-34 thích màu hồng" là kiểu suy đoán dễ sai và dễ gây phản cảm. Hãy để hành vi xác nhận, đừng để nhân khẩu học tự quyết.
- Cẩn trọng pháp lý và đạo đức: Ở Việt Nam, Nghị định 13/2023 (PDPD) và ở châu Âu là GDPR xem một số thuộc tính (sức khỏe, tôn giáo, khuynh hướng...) là dữ liệu nhạy cảm. Phân khúc và cá nhân hóa dựa trên chúng có rủi ro pháp lý cao. Bài 28 đi sâu về tuân thủ; ở đây bạn chỉ cần nhớ nguyên tắc: thu thập tối thiểu, dùng đúng mục đích.
- Nhân khẩu học tốt nhất khi kết hợp hành vi: Bản thân "ở Hà Nội" ít ý nghĩa; nhưng "ở Hà Nội + đặt đồ ăn trưa mỗi ngày làm việc" là một phân khúc bán được hàng.
Từ phân khúc đến cá nhân hóa
Phân khúc chỉ có giá trị khi dẫn đến hành động khác nhau cho từng nhóm. Cá nhân hóa trong bối cảnh analytics thường ở ba cấp độ:
- Cá nhân hóa thông điệp: gửi push/email/in-app khác nhau cho từng segment (thường qua tích hợp Mixpanel/Amplitude → Braze, OneSignal, CleverTap).
- Cá nhân hóa trải nghiệm: bật/tắt tính năng, đổi onboarding, đổi thứ tự nội dung theo segment (thường qua feature flag như tích hợp Amplitude Experiment).
- Cá nhân hóa ưu đãi: gửi voucher, đề xuất gói, upsell dựa trên độ sâu và giá trị.
Tình huống thực tế
Ví dụ 1 — Tiki: cứu nhóm "at-risk buyer" bằng recency
Một team growth (bối cảnh mô phỏng dựa trên sàn thương mại điện tử như Tiki) nhận thấy doanh thu tháng đi ngang dù lượng người dùng mới vẫn tăng. Họ mở Amplitude và tạo ba segment hành vi trên sự kiện Order Completed:
- Loyal: mua ≥ 4 lần / 30 ngày gần nhất.
- At-risk: từng mua ≥ 2 lần trong 90 ngày trước, nhưng 0 lần trong 21 ngày gần nhất (recency xấu đi).
- Dormant: không mua trong 90 ngày.
Sau 6 tuần, đo lại trong Amplitude: tỉ lệ At-risk quay lại mua trong 14 ngày tăng từ 11% (nhóm đối chứng không nhận chiến dịch) lên 19%. Bài học: recency là còi báo động sớm nhất; can thiệp vào lúc người dùng vừa chớm nguội rẻ và hiệu quả hơn nhiều so với đánh thức nhóm đã dormant 90 ngày.
Ví dụ 2 — Ứng dụng học tiếng Anh: depth quan trọng hơn frequency
Một startup edtech ở TP.HCM (giả định hợp lý) có app luyện tiếng Anh. Ban đầu họ tối ưu theo frequency: đẩy notification để người dùng mở app mỗi ngày. Streak lên, DAU đẹp, nhưng doanh thu gói trả phí vẫn thấp.
Họ phân khúc lại trong Mixpanel theo depth — số loại hoạt động khác nhau mà một người dùng đã chạm trong 14 ngày đầu (nghe, nói, ngữ pháp, flashcard, bài kiểm tra). Kết quả: nhóm dùng ≥ 3 loại hoạt động có tỉ lệ chuyển sang trả phí 22%, trong khi nhóm chỉ dùng 1 loại (đa số là flashcard) chỉ 4% — dù frequency của hai nhóm gần như nhau.
Insight: người mở app mỗi ngày chỉ để lật flashcard trông có vẻ engaged nhưng không cảm nhận đủ giá trị để trả tiền. Họ chuyển hướng onboarding: thay vì hối thúc quay lại hằng ngày, họ thiết kế lộ trình đưa người mới chạm đủ 3 loại hoạt động trong tuần đầu. Ba tháng sau, tỉ lệ trả phí trên cohort mới tăng khoảng 40% tương đối.
Bài học: đừng mặc định frequency là "engagement tốt". Với nhiều sản phẩm, depth (độ sâu khám phá) mới dự báo giá trị. Chọn sai chiều phân khúc dẫn đến tối ưu sai chỉ số.
Ví dụ 3 — Fintech: khi nhân khẩu học đánh lừa
Một ví điện tử (bối cảnh mô phỏng kiểu MoMo) muốn đẩy sản phẩm đầu tư vi mô. Đội marketing đề xuất target theo nhân khẩu học: "nam, 25-40, ở Hà Nội và TP.HCM, thu nhập cao". Đội analytics phản biện bằng dữ liệu: khi tạo segment hành vi "đã từng nạp tiền tiết kiệm số hoặc mua bảo hiểm trong app", họ thấy nhóm này phân bố đều ở nhiều độ tuổi và cả hai giới, kể cả người ở tỉnh.
Nếu chạy theo nhân khẩu học ban đầu, họ đã bỏ lỡ một mảng lớn người dùng nữ ở tỉnh vốn có hành vi tiết kiệm rất tốt. Họ đổi tiêu chí kích hoạt sang hành vi tài chính đã thể hiện thay vì hồ sơ nhân khẩu, và campaign đầu tư đạt tỉ lệ đăng ký cao hơn đáng kể so với bản target theo nhân khẩu học.
Bài học: nhân khẩu học dễ dẫn tới định kiến và bỏ sót cơ hội. Khi có dữ liệu hành vi, hãy để hành vi lên tiếng trước; dùng nhân khẩu học như lớp bổ trợ, không phải lớp quyết định.
Hướng dẫn từng bước
Đây là quy trình thực chiến để xây một hệ phân khúc dùng được, áp dụng cho cả Mixpanel lẫn Amplitude.
Bước 1 — Xác định "hành động cốt lõi" (core action). Trước khi phân khúc, hãy chốt sự kiện thể hiện giá trị thật của sản phẩm: Order Completed với e-commerce, Lesson Finished với edtech, Transaction Success với fintech. Mọi chiều recency/frequency/depth đều đo quanh sự kiện này.
Bước 2 — Định nghĩa ngưỡng cho ba chiều hành vi. Đừng đặt ngưỡng cảm tính. Nhìn phân phối thực tế: ví dụ vẽ histogram số đơn/30 ngày, chọn điểm gãy tự nhiên (chẳng hạn phần lớn dừng ở 1-2 đơn, một nhóm nhỏ ≥ 4 đơn — vậy lấy 4 làm ngưỡng power user). Ghi ngưỡng ra tài liệu để cả team hiểu giống nhau.
Bước 3 — Tạo segment trong công cụ.
- Mixpanel: vào một report (ví dụ Insights), bấm "Filter" để thêm điều kiện thuộc tính, dùng "Filter by users who did/did not do [event]" cho điều kiện hành vi, rồi "Save as Cohort" để tái sử dụng.
- Amplitude: trong panel Segment của chart, thêm điều kiện "performed [event] ≥ N times in last M days", kết hợp user property, rồi "Save as Cohort".
Bước 5 — Kích hoạt (sync sang kênh hành động). Bật tích hợp có sẵn: Mixpanel/Amplitude → Braze, CleverTap, OneSignal cho messaging; → Amplitude Experiment hoặc feature flag cho trải nghiệm. Segment cập nhật động sẽ tự đẩy người ra/vào chiến dịch.
Bước 6 — Đo lại tác động và lặp. Luôn giữ một nhóm đối chứng (holdout) không nhận cá nhân hóa để so sánh. Đo chênh lệch retention/doanh thu giữa nhóm nhận và không nhận. Nếu không có chênh lệch, tiêu chí phân khúc hoặc thông điệp của bạn sai — quay lại Bước 2.
Lỗi thường gặp & mẹo
- Phân khúc quá nhiều mảnh. Chia người dùng thành 15 nhóm nghe rất "khoa học" nhưng không ai hành động nổi. Bắt đầu với 3-4 segment mang tính hành động (ai cần cứu, ai cần nuôi, ai cần upsell). Ít mà rõ hơn nhiều mà loạn.
- Nhầm frequency với giá trị. Như ví dụ edtech: người dùng active mỗi ngày chưa chắc là người tạo doanh thu. Luôn kiểm tra chiều depth/monetary song song.
- Segment tĩnh mà nghĩ là động (và ngược lại). Hãy hiểu rõ segment bạn tạo cập nhật theo thời gian thực hay chốt tại một mốc. Gửi win-back cho một danh sách "at-risk" chốt từ 3 tháng trước là gửi nhầm cho những người đã quay lại.
- Cá nhân hóa không có holdout. Nếu không giữ nhóm đối chứng, mọi tăng trưởng bạn thấy có thể chỉ do mùa vụ. Holdout 5-10% là chi phí rẻ để biết cá nhân hóa có thật sự hiệu quả.
- Lạm dụng nhân khẩu học nhạy cảm. Đừng phân khúc theo dữ liệu nhạy cảm nếu không có cơ sở pháp lý và mục đích rõ. Rủi ro tuân thủ (PDPD/GDPR) và rủi ro thương hiệu lớn hơn nhiều so với lợi ích nhỏ.
- Mẹo naming: đặt tên segment theo hành động cần làm, không theo mô tả trung tính. "at_risk_send_winback" tốt hơn "users_no_purchase_21d" — nhìn tên biết ngay phải làm gì.
- Mẹo dữ liệu: đảm bảo user property được cập nhật đúng (Bài 12) trước khi phân khúc theo chúng; property cũ/sai khiến segment rác.
Bài tập thực hành
- Chọn core action cho một sản phẩm bạn biết rõ (app của công ty bạn hoặc một app bạn dùng hằng ngày). Viết một câu định nghĩa nó thành sự kiện analytics.
- Thiết kế 3 segment hành vi dùng khung RFM: một nhóm power user, một nhóm at-risk (dựa recency), một nhóm dormant. Ghi rõ ngưỡng cụ thể (số lần, số ngày) và giải thích vì sao chọn ngưỡng đó.
- Thiết kế 1 segment kết hợp giữa một chiều hành vi và một thuộc tính nhân khẩu học (ví dụ: khu vực + tần suất mua). Nêu rõ vì sao sự kết hợp này hành động được mà từng chiều riêng thì không.
- Lập kế hoạch cá nhân hóa cho segment at-risk: viết 3 thông điệp cho 3 mốc thời gian (ngày 1, 3, 7) và nêu bạn sẽ đo tác động bằng chỉ số nào, với holdout bao nhiêu phần trăm.
- Phản biện nhân khẩu học: lấy một giả định target theo nhân khẩu học phổ biến trong ngành bạn (ví dụ "gen Z thích X") và mô tả bạn sẽ kiểm chứng/bác bỏ nó bằng segment hành vi nào trong công cụ.
Tóm tắt
Segmentation biến một tập người dùng vô danh thành những nhóm có ý nghĩa và hành động được; personalization biến các nhóm đó thành trải nghiệm và thông điệp riêng. Trục phân khúc mạnh nhất là hành vi — với ba chiều recency (gần đây), frequency (tần suất) và depth/monetary (độ sâu, giá trị) — vì hành vi phản ánh ý định thật. Nhân khẩu học (tuổi, giới, khu vực, gói) hữu ích nhưng phải dùng thận trọng: tránh định kiến, tuân thủ pháp lý, và tốt nhất là kết hợp với hành vi thay vì đứng một mình.
Quy trình thực chiến gồm sáu bước: chốt core action, đặt ngưỡng dựa trên phân phối thật, tạo segment trong Mixpanel/Amplitude, kiểm tra kích thước và chồng lấn, sync sang kênh kích hoạt, rồi đo lại bằng holdout. Ba tình huống trong bài — cứu at-risk bằng recency, chọn depth thay vì frequency, và để hành vi vượt qua định kiến nhân khẩu học — đều chỉ về cùng một bài học lớn: phân khúc chỉ có giá trị khi nó dẫn tới hành động khác nhau và bạn đo lại được tác động. Đừng bao giờ cá nhân hóa trong bóng tối.