Gặp gỡ team Magestore tại series 'Chân chất kể tất - Webinar #2: "How to build data warehouse by Hadoop ecosystem"
Đăng ký tham gia!

7 tháng xây dựng sản phẩm Trợ Lý Bán Lẻ - Series Chân Chất Kể Tất

Khám phá những cơ hội & thách thức của nhóm phát triển sản phẩm Trợ lý Bán lẻ trong 7 tháng đầu tiên
Nội dung chính

30 người đăng ký và tổng cộng 37 người tham gia webinar là con số đã thu hút được ở webinar số 1 - Cơ hội và Thách thức trên con đường phát triển Retail Assistant - nằm trong series Chân Chất Kể Tất - chuỗi sự kiện sharing những câu chuyện  về phát triển và kinh doanh sản phẩm tại thị trường quốc tế của Magestore. Ở những bước chập chững chia sẻ câu chuyện của mình, Magestore thấy đây là một sự quan tâm nhất định từ cộng đồng. Và điều khiến team thấy tâm đắc nhất, là những feedback của người nghe trùng lặp ở từ “Chất" 

“Em thích nhất tính cởi mở của công ty" 
“Anh chị chia sẻ rất chất & thật ạ" 
“Diễn giả tương tác nhiều với khán giả, chia sẻ chân thật “
Hình ảnh Webinar: Cơ hội & Thách thức trên con đường phát triển Trợ lý bán lẻ ngày 24/6/2020

7 tháng phát triển sản phẩm Retail Assistant

Webinar số 1 đã gọi tên 3 chàng trai đến từ team WHO, team phát triển sản phẩm Retail Assistant với đầu tàu là anh Alex Nguyen - CTO của Magestore. Gắn bó với các nhà bán lẻ trên thế giới từ 10 năm trước, Magestore luôn đau đáu sẽ sử dụng công nghệ để mang đến những giải pháp bán hàng thảnh thơi cho những người chủ doanh nghiệp. Kỷ nguyên của AI, của Chatbot, Big Data và Data Science đã tới. Không nằm ngoài công nghệ mới, Retail Assistant là sự thâm nhập của Magestore để giải quyết bài toán về Dữ liệu & Insights cho doanh nghiệp bán lẻ. 

Như anh Alex có sharing trong webinar, dù Magestore đã làm được 10 năm, nhưng Retail Assistant là một startup trong Magestore, vẫn đang ở những bước đi rất đầu tiên của mình. Anh Alex có chia sẻ lại con đường 7 tháng đã trải qua cùng sản phẩm. 

retail assistant development map
7 tháng phát triển sản phẩm Retail Assistant của Magestore

Hình dung sản phẩm Retail Assistant

Retail Assistant giải quyết những câu hỏi về dữ liệu để từ đó chủ doanh nghiệp ra quyết định hiệu quả hơn. Hãy tưởng tượng đến một bạn Bot luôn bên bạn để cung cấp những insights kinh doanh như sau: 

retail assistant

Có 4 cấp phân tích dữ liệu có thể khái quát như sau: 

  • Informative: Trả lời câu hỏi Điều gì đã xảy ra. 
  • Investigative: Tại sao Điều này lại xảy ra 
  • Predictive: Điều gì sẽ xảy ra
  • Prescriptive: Tôi sẽ cần phải làm gì 
4 cấp phân tích dữ liệu dành cho nhà bán lẻ

Về tầm nhìn, Magestore muốn phát triển 1 sản phẩm trợ lý ảo cho các nhà doanh nghiệp ra quyết định hiệu quả trên dữ liệu được phân tích bằng máy, ngay lập tức và kịp thời. Có thể nói, hiện nay với những gì Magestore đang làm được, Retail Assistant đang ở mức độ sơ cấp trong câu chuyện cung cấp thông tin từ dữ liệu - đó chính là việc show off thành bảng biểu so sánh dữ liệu, hiển thị dữ liệu theo mong muốn của người sử dụng. 

Vision sản phẩm Retail Assistant

Hiện nay Retail Assistant gồm có 2 phần bổ trợ nhau: 1 là phần xử lý dữ liệu, gom dữ liệu từ các nền tảng Ecommerce và quản trị vận hành, xử lý thành một luồng dữ liệu chuẩn sao cho nhanh nhất và đảm bảo tính chính xác nhất. Trả về những kết quả report trong thời gian giây với những nhà bán lẻ có con số SKUs/đơn hàng khổng lồ. Và từ đó phát triển Chatbot để tâm sự với chủ doanh nghiệp những insight ít thấy ngay khi đọc những dữ liệu thô kinh doanh. 

retail data analysis
Hình ảnh sản phẩm Assisty.io - Dashboard cho nhà bán lẻ
chat bot assistant
Hình ảnh sản phẩm Chatbot trả về dữ liệu bán hàng thống kê theo chart cho doanh nghiệp

3 con người 3 điểm xuất phát, hội tụ ở 1 sản phẩm 

Bộc bạch những câu chuyện đằng sau của phát triển sản phẩm, mỗi người trình bày của Retail Assistant lại bồi hồi nhớ về thưở ban đầu khi quyết định tham gia vào team của mình. Alex với cương vị là CTO của Magestore, đã rất thành công launching nhiều sản phẩm trước đây và hiện anh đang là Product Owner của sản phẩm chính Magestore POS. Anh có chia sẻ khi bước tiếp ở team mới, anh tin cậy và dành cơ hội phát triển và định hướng sản phẩm cũ cho các bạn đã thành thạo ở trong team để tiếp tục khai phá ở mảnh đất mới. 

Hình ảnh chia sẻ của anh Alex trong chương trình
“Có lẽ xuất phát của mình là lập trình viên, nên cứ quay lại công việc programming là mình thấy hứng thú. Mình thấy rất phấn khích khi làm ở team Retail Assistant" 

Còn Justin - chàng trai vừa tốt nghiệp loại ưu tại trường ĐH Bách Khoa Hà Nội có nhớ về thời kỳ đầu nhiều sợ hãi. Lựa chọn một công ty đã có team AI rồi, vào làm việc sẽ được training luôn và có nhiều anh chị mentor, hay vào làm tại một công ty có team AI rất mới, mình sẽ làm chủ bài toán và cùng tìm lời giải đáp. Cuối cùng trái tim đã gọi tên Magestore với những thách thức và bài toán cho Justin - một mình xử lý phần Chatbot cho Retail Assistant.

Chàng trai cuối cùng - Tommy cũng có câu chuyện riêng của mình. Làm việc tại TOPICA trong 2 năm và trực tiếp tham gia dựng web học tiếng anh trực tuyến, Tommy nghĩ rằng mình sẽ theo con đường web developer. Có một chút tìm hiểu về Magento và cũng là cái duyên đến với Magestore. Tommy nghĩ rằng mình sẽ trở thành một backend developer chuyên về Magento. Nhưng giờ thì đang đi trên con đường Data Science và hạnh phúc khi được chinh phục nhiều công nghệ mới để xử lý bài toán của mình. 

Intrapreneurship 

Khởi sự trong doanh nghiệp - Startup trong SME là từ đúng nhất để mô tả về Retail Assistant. Được kế thừa những kinh nghiệm build sản phẩm và insights về bán lẻ sau 10 năm hoạt động, Retail Assistant bước tiếp với mô hình mới, công nghệ mới. Retail Assistant cũng trải qua một chặng đường phát triển nhiều thăng trầm trong 7 tháng. 

Sự up & down này có được anh Alex mô tả lại bằng model J-curve khi start up. Nó sẽ võng xuống và rồi đi lên. Giai đoạn võng xuống là giai đoạn đen tối. Team Retail Assistant cũng đã từng tan rã một lần vào thời kỳ đầu, khi team chưa nhìn rõ sản phẩm mình muốn làm, các nhân sự cũng đang có những hình dung hoàn toàn khác biệt về sản phẩm, từ đó hợp rồi lại tách. 

j curve model

“Khi Magestore start up đến lần n, team cũng tự rút ra nhiều bài học. Tính đến thời điểm này team đang tiến gần đến có một sản phẩm Product Market Fit và tiếp theo sẽ là câu chuyện tìm & thử nghiệm Business Model” là câu nói khái quát của anh Steve về những gì team đã làm được tính đến thời điểm này. 

Làm bài bản quá lại bị quên mất điểm khác biệt 

Tự thú nhận về con đường trải hoa hồng đã từng đi trong thời kỳ đầu gầy dựng Magestore, anh Alex có kể lại chiến thuật tung ra những sản phẩm nhỏ khi nhìn thấy thj trường đã có hồi Magestore còn làm Magento Extensions. Lợi thế kỹ thuật, là một trong những nhà cung cấp đầu tiên, Magestore gặt hái những thành công nhất định, nhưng lại gặp khó khăn trong bài toán phát triển về sau khi sản phẩm đã bão hoà. Thế còn với những sản phẩm lớn, giải quyết bài toán phức tạp của doanh nghiệp, sản phẩm càng to lại càng dễ chết. Dễ sa đà vào những mục tiêu không phải là tối quan trọng của mình.

Như Retail Assistant cũng đã từng làm mọi thứ rất bài bản, mất nhiều thời gian để xử lý dữ liệu, sử dụng cả Apache Kylin - một công cụ xử lý phân tích trực tuyến đa chiều (MOLAP) mã nguồn mở, có nguồn gốc từ eBay, Inc., Kylin được thiết kế để xử lý các bộ dữ liệu quy mô petabyte. Tuy nhiên con đường từ lúc bài bản để đến lúc có thứ mình muốn là khác biệt thì lại quá dài. Đến khi tung sản phẩm ra cho khách hàng thì khách hàng không thấy có sự khác biệt với những nền tảng hiện tại. Từ bài bản, để đi đến ngọn - là điểm công nghệ khác biệt lại quá dài, và có thể sẽ bị fail ở giữa. Vì vậy team cũng có thay đổi chiến thuật để tập trung lại xây dựng ngay điểm khác biệt của mình từ đầu, và bám sát mục tiêu này trên cả chặng đường. 

Khi fail thì mới thấm, chưa fail thì nghe bài học như kiểu nước đổ đầu vịt (Alex)

Thách thức Deliver kết quả có ý nghĩa hàng ngày và minh bạch quy trình với team 

Magestore áp dụng Agile cho việc vận hành của mình và tất cả các team đều rất thấm ý nghĩa của việc deliver hàng ngày, hàng tuần. Kết quả sẽ là thứ xác nhận những gì bạn đã bỏ công sức làm. Không phải làm cả tháng mới show off kết quả, mà ngay từ từng tuần, đến đâu đã cần minh bạch và hướng tới người dùng đến đó. Đấy cũng là một áp lực dành cho người chân ướt chân ráo vào Data Science như Tommy. Là một PT bên cạnh công việc Developer, tay Tommy to thật, nhưng chưa thấm vào đâu với rất nhiều mô hình mà Tommy đã trải nghiệm khi xử lý các bài toán của Data Engineer. 

Chương trình khép lại với phần Q&A giữa người tham gia & team WHO của Magestore.

  1. Sản phẩm áp dụng AI đến đâu rồi? 

Alex: Ban đầu xây dựng, tầm nhìn của team là ứng dụng AI để đưa ra thông tin hữu ích về bán hàng cho khách hàng. Sau đó team nhận ra AI ko phải là tất cả, mà sau đó team tìm thấy từ khoá mới Data Science. Thời gian tiếp theo, team sẽ sử dụng Data Science để khai phá dữ liệu bán lẻ. Hiện tại AI đang được áp dụng ở phần Chatbot - xử lý ngôn ngữ tự nhiên khi giao tiếp, xây dựng conversation tương tác với người dùng khi trò chuyện với Chatbot. 

  1. Lúc nào cho thêm yếu tố AI/Big Data vào là phù hợp? 

Justin: Thời kỳ đầu team có sự xung đột - 1 người luôn muốn đưa AI vào trước, 1 người thì thấy thế nào cũng được. Nhưng lúc đó sản phẩm chưa có Base - xử lý dữ liệu thì việc áp dụng công nghệ mới vào cũng rất khó. Tuỳ vào sản phẩm của bạn đang giải quyết bài toán gì cho khách hàng và liệu việc đưa AI vào có giải quyết thực sự bài toán của khách hàng ko. Như sản phẩm Retail Assistant, base ban đầu khá lớn vì làm việc với dữ liệu kinh doanh của doanh nghiệp. Trước khi áp dụng AI cũng cần chinh phục được phần dữ liệu bán lẻ này. Nên có muốn tiếp cận ngay từ ngọn, cũng rất khó vì team cũng chưa đủ insight để làm ngay được. 

  1. Cần kiến thức kỹ năng gì từ khi học để theo Data Science? 

Alex: 3 anh em join thành công ở điểm là tìm thấy con đường đi tiếp theo cho mình,. Tommy trước làm web programming, giờ thì đi theo Data Engineering. Còn Justin & Alex đều muốn đào sâu về Data Science. Base cơ bản giống nhau và mỗi lĩnh vực chuyên sâu vào 1 kiến thức khác. Hiện tại anh Alex có join khoá học Data science của IBM - rơi vào khoảng 10 tháng để học. Advanced hơn khoảng 1 năm tiếp theo. Để thấy con đường theo Data science ko đơn giản. Các chuyên gia theo ngành này sở hữu bằng PHD, có nghĩa cần 

Justin bổ sung thêm: Tự hỏi bản thân mình học ngành nghề này để làm gì? Đôi khi mọi người chạy theo trend. Tại sao mình muốn học. Nhớ lại thời xưa học tại Bách Khoa, khi đã học nhiều về phần mềm và thấy chán chán, nửa năm cuối đã học về Machine Learning. Justin đã làm luôn 1 đồ án tốt nghiệp về đề tài này và tham gia trên Lab của giáo sư. Giáo sư có nhận xét em có tố chất để làm trong ngành này. Đến giờ khi nhìn lại Roadmap được chia sẻ về Data Science, nhận thấy mình cần có:

  • Tư duy BA tốt 
  • Nền tảng Toán rất vững. Lab có thử thách 6 tháng học toán. Không trải qua được thì không thể đi tiếp được 
  • Kiến thức Database: Cần có sự hiểu về Database khi làm việc với dữ liệu lớn.

Chương trình khép lại với những câu hỏi còn mở của người tham gia về kỹ thuật của Retail Assistant. Chân Chất Kể Tất sẽ quay trở lại sau 02 tuần để tiếp tục chia sẻ những bài học và câu chuyện kỹ thuật sâu hơn của sản phẩm Personal Power AI Retail Assistant này các bạn nhé!

Stay in Touch!

Xem lại Webinar số 1 - Cơ hội và thách thức trên con đường phát triển Retail Assistant ngày 24/6


Về chung một nhà với Magestore

More Articles