TIP

Tài liệu này được dịch bởi AI. Đối với bất kỳ thông tin không chính xác nào, vui lòng tham khảo phiên bản tiếng Anh

Trợ lý AI · Viz: Hướng dẫn cấu hình kịch bản CRM

Lấy ví dụ về CRM, tìm hiểu cách để chuyên viên phân tích AI của bạn thực sự hiểu nghiệp vụ và phát huy tối đa tiềm năng.

1. Giới thiệu: Giúp Viz từ "nhìn dữ liệu" thành "hiểu nghiệp vụ"

Trong hệ thống NocoBase, Viz là một chuyên viên phân tích AI được tích hợp sẵn. Viz có thể nhận diện ngữ cảnh trang (ví dụ: Khách hàng tiềm năng, Cơ hội, Tài khoản), tạo biểu đồ xu hướng, biểu đồ phễu và thẻ KPI. Tuy nhiên, theo mặc định, Viz chỉ có khả năng truy vấn cơ bản nhất:

Công cụ	Mô tả chức năng	Bảo mật
Get Collection Names	Lấy danh sách bộ sưu tập	✅ An toàn
Get Collection Metadata	Lấy cấu trúc trường	✅ An toàn

Những công cụ này chỉ giúp Viz "nhận diện cấu trúc", chứ chưa thực sự "hiểu nội dung". Để Viz tạo ra các insight, phát hiện bất thường, phân tích xu hướng, bạn cần mở rộng thêm các công cụ phân tích phù hợp hơn cho Viz.

Trong bản demo CRM chính thức, chúng tôi đã sử dụng hai phương pháp:

Overall Analytics (Công cụ phân tích tổng quát): một giải pháp mẫu hóa, an toàn và có thể tái sử dụng;
SQL Execution (Công cụ phân tích chuyên biệt): có độ linh hoạt cao hơn, nhưng đi kèm rủi ro lớn hơn.

Hai phương pháp này không phải là lựa chọn duy nhất; chúng giống như một mô hình thiết kế hơn:

Bạn có thể dựa trên nguyên lý của chúng để tạo ra một triển khai phù hợp hơn với nghiệp vụ của riêng bạn.

2. Cấu trúc của Viz: Tính cách ổn định + Nhiệm vụ linh hoạt

Để hiểu cách mở rộng Viz, trước tiên bạn cần hiểu thiết kế phân lớp bên trong của Viz:

Lớp	Mô tả	Ví dụ
Định nghĩa vai trò	Tính cách và phương pháp phân tích của Viz: Hiểu → Truy vấn → Phân tích → Trực quan hóa	Cố định
Định nghĩa nhiệm vụ	Các câu lệnh tùy chỉnh và tổ hợp công cụ cho một kịch bản nghiệp vụ cụ thể	Có thể sửa đổi
Cấu hình công cụ	Cầu nối để Viz gọi các nguồn dữ liệu bên ngoài hoặc luồng công việc	Có thể thay thế tự do

Thiết kế phân lớp này giúp Viz duy trì tính cách ổn định (logic phân tích nhất quán), đồng thời có thể nhanh chóng thích ứng với các kịch bản nghiệp vụ khác nhau (CRM, quản lý bệnh viện, phân tích kênh, vận hành sản xuất...).

3. Mô hình một: Công cụ phân tích mẫu hóa (Khuyên dùng)

3.1 Tổng quan nguyên lý

Overall Analytics là công cụ phân tích cốt lõi trong bản demo CRM. Nó quản lý tất cả các truy vấn SQL thông qua một bộ sưu tập mẫu phân tích dữ liệu (data_analysis). Viz không trực tiếp viết SQL, mà thay vào đó gọi các mẫu đã định nghĩa để tạo ra kết quả.

Luồng thực thi như sau:

flowchart TD
    A[Viz nhận nhiệm vụ] --> B[Gọi luồng công việc Overall Analytics]
    B --> C[Ghép mẫu dựa trên trang/nhiệm vụ hiện tại]
    C --> D[Thực thi SQL mẫu (chỉ đọc)]
    D --> E[Trả về kết quả dữ liệu]
    E --> F[Viz tạo biểu đồ + diễn giải ngắn gọn]

Bằng cách này, Viz có thể tạo ra kết quả phân tích an toàn và chuẩn hóa chỉ trong vài giây, và quản trị viên có thể quản lý, xem xét tập trung tất cả các mẫu SQL.

3.2 Cấu trúc bộ sưu tập mẫu (data_analysis)

Tên trường	Kiểu	Mô tả	Ví dụ
id	Integer	Khóa chính	1
name	Text	Tên mẫu phân tích	Leads Data Analysis
collection	Text	Bộ sưu tập tương ứng	Lead
sql	Code	Câu lệnh SQL phân tích (chỉ đọc)	`SELECT stage, COUNT(*) FROM leads GROUP BY stage`
description	Markdown	Mô tả mẫu hoặc định nghĩa	"Thống kê số lượng khách hàng tiềm năng theo giai đoạn"
createdAt / createdBy / updatedAt / updatedBy	Trường hệ thống	Thông tin kiểm toán	Tự động tạo

Ví dụ mẫu trong bản demo CRM

Name	Collection	Description
Account Data Analysis	Account	Phân tích dữ liệu tài khoản
Contact Data Analysis	Contact	Phân tích dữ liệu liên hệ
Leads Data Analysis	Lead	Phân tích xu hướng khách hàng tiềm năng
Opportunity Data Analysis	Opportunity	Biểu đồ phễu giai đoạn cơ hội
Task Data Analysis	Todo Tasks	Thống kê trạng thái nhiệm vụ cần làm
Users (Sales Reps) Data Analysis	Users	So sánh hiệu suất của đại diện bán hàng

3.3 Ưu điểm của mô hình này

Khía cạnh	Ưu điểm
Bảo mật	Tất cả các câu lệnh SQL đều được lưu trữ và xem xét, tránh việc tạo truy vấn trực tiếp
Khả năng bảo trì	Các mẫu được quản lý tập trung và cập nhật đồng bộ
Khả năng tái sử dụng	Cùng một mẫu có thể được tái sử dụng cho nhiều nhiệm vụ
Khả năng di động	Có thể dễ dàng di chuyển sang các hệ thống khác, chỉ cần cấu trúc bộ sưu tập tương tự
Trải nghiệm người dùng	Người dùng nghiệp vụ không cần quan tâm đến SQL; họ chỉ cần gửi yêu cầu phân tích

📘 Bộ sưu tập data_analysis này không nhất thiết phải có tên như vậy. Điều quan trọng là: lưu trữ logic phân tích dưới dạng mẫu, và được luồng công việc gọi một cách thống nhất.

3.4 Cách để Viz sử dụng nó

Trong định nghĩa nhiệm vụ, bạn có thể nói rõ với Viz:

Chào Viz,

Vui lòng phân tích dữ liệu của mô-đun hiện tại.

**Ưu tiên:** Sử dụng công cụ Overall Analytics để lấy kết quả phân tích từ bộ sưu tập mẫu.
**Nếu không tìm thấy mẫu phù hợp:** Hãy thông báo rằng mẫu bị thiếu và đề xuất quản trị viên bổ sung.

Yêu cầu đầu ra:
- Mỗi kết quả tạo một biểu đồ riêng biệt;
- Kèm theo 2–3 câu mô tả ngắn gọn bên dưới biểu đồ;
- Không bịa đặt dữ liệu hoặc đưa ra giả định.

Bằng cách này, Viz sẽ tự động gọi luồng công việc, từ bộ sưu tập mẫu, tìm SQL phù hợp nhất và tạo biểu đồ.

4. Mô hình hai: Trình thực thi SQL chuyên biệt (Thận trọng khi sử dụng)

4.1 Kịch bản áp dụng

Khi bạn cần phân tích khám phá, truy vấn tạm thời, hoặc tổng hợp JOIN nhiều bộ sưu tập, bạn có thể để Viz gọi một công cụ SQL Execution.

Đặc điểm của công cụ này là:

Viz có thể trực tiếp tạo các truy vấn SELECT;
Hệ thống thực thi và trả về kết quả;
Viz chịu trách nhiệm phân tích và trực quan hóa.

Ví dụ nhiệm vụ:

"Vui lòng phân tích xu hướng thay đổi tỷ lệ chuyển đổi khách hàng tiềm năng theo từng khu vực trong 90 ngày gần đây."

Trong trường hợp này, Viz có thể tạo ra:

SELECT region, COUNT(id) AS leads, SUM(converted)::float/COUNT(id) AS rate
FROM leads
WHERE created_at > now() - interval '90 day'
GROUP BY region;

4.2 Rủi ro và khuyến nghị bảo vệ

Điểm rủi ro	Chiến lược bảo vệ
Tạo các thao tác ghi	Buộc giới hạn chỉ `SELECT`
Truy cập các bộ sưu tập không liên quan	Xác thực tên bộ sưu tập có tồn tại không
Rủi ro hiệu suất với bộ sưu tập lớn	Giới hạn phạm vi thời gian, sử dụng LIMIT cho số lượng hàng
Khả năng truy vết thao tác	Bật nhật ký truy vấn và kiểm toán
Kiểm soát quyền người dùng	Chỉ quản trị viên mới có thể sử dụng công cụ này

Khuyến nghị chung:

Người dùng thông thường chỉ nên bật phân tích mẫu hóa (Overall Analytics);

Chỉ quản trị viên hoặc chuyên viên phân tích cao cấp mới được phép sử dụng SQL Execution.

5. Nếu bạn muốn tự xây dựng một "Overall Analytics"

Dưới đây là một cách tiếp cận đơn giản, tổng quát mà bạn có thể sao chép vào bất kỳ hệ thống nào (không phụ thuộc vào NocoBase):

Bước 1: Thiết kế bộ sưu tập mẫu

Tên bộ sưu tập có thể tùy ý (ví dụ: analysis_templates). Chỉ cần bao gồm các trường: name, sql, collection, và description.

Bước 2: Viết một dịch vụ hoặc luồng công việc "Lấy mẫu → Thực thi"

Logic:

Nhận nhiệm vụ hoặc ngữ cảnh trang (ví dụ: bộ sưu tập hiện tại);
Ghép mẫu;
Thực thi SQL mẫu (chỉ đọc);
Trả về cấu trúc dữ liệu chuẩn hóa (hàng + trường).

Bước 3: Để AI gọi giao diện này

Câu lệnh nhiệm vụ có thể được viết như sau:

Đầu tiên, hãy thử gọi công cụ phân tích mẫu. Nếu không tìm thấy phân tích phù hợp trong các mẫu, hãy sử dụng trình thực thi SQL.
Vui lòng đảm bảo tất cả các truy vấn là chỉ đọc và tạo biểu đồ để hiển thị kết quả.

Bằng cách này, hệ thống trợ lý AI của bạn sẽ có khả năng phân tích tương tự như bản demo CRM, nhưng hoàn toàn độc lập và có thể tùy chỉnh.

6. Các thực hành tốt nhất và khuyến nghị thiết kế

Khuyến nghị	Mô tả
Ưu tiên phân tích mẫu hóa	An toàn, ổn định và có thể tái sử dụng
Chỉ sử dụng SQL Execution như một phần bổ sung	Giới hạn cho việc gỡ lỗi nội bộ hoặc truy vấn tạm thời
Một biểu đồ, một điểm chính	Đầu ra rõ ràng, tránh quá nhiều thông tin lộn xộn
Đặt tên mẫu rõ ràng	Đặt tên theo trang/lĩnh vực nghiệp vụ, ví dụ: `Leads-Stage-Conversion`
Giải thích ngắn gọn và rõ ràng	Mỗi biểu đồ kèm theo 2–3 câu tóm tắt
Thông báo khi thiếu mẫu	Thông báo cho người dùng "Không tìm thấy mẫu tương ứng" thay vì hiển thị đầu ra trống

7. Từ bản demo CRM đến kịch bản của bạn

Dù bạn đang làm CRM bệnh viện, sản xuất, kho bãi logistics hay tuyển sinh giáo dục, chỉ cần bạn có thể trả lời ba câu hỏi sau, Viz có thể mang lại giá trị cho hệ thống của bạn:

Câu hỏi	Ví dụ
1. Bạn muốn phân tích gì?	Xu hướng khách hàng tiềm năng / Giai đoạn giao dịch / Tỷ lệ hoạt động của thiết bị
2. Dữ liệu ở đâu?	Bộ sưu tập nào, trường nào
3. Bạn muốn trình bày như thế nào?	Biểu đồ đường, phễu, tròn, bảng so sánh

Một khi bạn đã định nghĩa các nội dung này, bạn chỉ cần:

Viết logic phân tích vào bộ sưu tập mẫu;
Đính kèm câu lệnh nhiệm vụ vào trang;
Viz có thể "tiếp quản" việc phân tích báo cáo của bạn.

8. Kết luận: Mang theo mô hình thiết kế

"Overall Analytics" và "SQL Execution" chỉ là hai ví dụ triển khai. Điều quan trọng hơn là ý tưởng đằng sau chúng:

Hãy để trợ lý AI hiểu logic nghiệp vụ của bạn, chứ không chỉ thực thi các câu lệnh.

Dù bạn đang sử dụng NocoBase, một hệ thống riêng, hay luồng công việc tự viết, bạn đều có thể sao chép cấu trúc này:

Các mẫu tập trung;
Luồng công việc gọi;
Thực thi chỉ đọc;
AI trình bày.

Bằng cách này, Viz không còn chỉ là một "AI có thể tạo biểu đồ", mà là một chuyên viên phân tích thực thụ, hiểu dữ liệu, hiểu định nghĩa và hiểu nghiệp vụ của bạn.

TIP

Tài liệu này được dịch bởi AI. Đối với bất kỳ thông tin không chính xác nào, vui lòng tham khảo phiên bản tiếng Anh

Trợ lý AI · Viz: Hướng dẫn cấu hình kịch bản CRM

Lấy ví dụ về CRM, tìm hiểu cách để chuyên viên phân tích AI của bạn thực sự hiểu nghiệp vụ và phát huy tối đa tiềm năng.

1. Giới thiệu: Giúp Viz từ "nhìn dữ liệu" thành "hiểu nghiệp vụ"

Công cụ	Mô tả chức năng	Bảo mật
Get Collection Names	Lấy danh sách bộ sưu tập	✅ An toàn
Get Collection Metadata	Lấy cấu trúc trường	✅ An toàn

Trong bản demo CRM chính thức, chúng tôi đã sử dụng hai phương pháp:

Overall Analytics (Công cụ phân tích tổng quát): một giải pháp mẫu hóa, an toàn và có thể tái sử dụng;
SQL Execution (Công cụ phân tích chuyên biệt): có độ linh hoạt cao hơn, nhưng đi kèm rủi ro lớn hơn.

Hai phương pháp này không phải là lựa chọn duy nhất; chúng giống như một mô hình thiết kế hơn:

Bạn có thể dựa trên nguyên lý của chúng để tạo ra một triển khai phù hợp hơn với nghiệp vụ của riêng bạn.

2. Cấu trúc của Viz: Tính cách ổn định + Nhiệm vụ linh hoạt

Để hiểu cách mở rộng Viz, trước tiên bạn cần hiểu thiết kế phân lớp bên trong của Viz:

Lớp	Mô tả	Ví dụ
Định nghĩa vai trò	Tính cách và phương pháp phân tích của Viz: Hiểu → Truy vấn → Phân tích → Trực quan hóa	Cố định
Định nghĩa nhiệm vụ	Các câu lệnh tùy chỉnh và tổ hợp công cụ cho một kịch bản nghiệp vụ cụ thể	Có thể sửa đổi
Cấu hình công cụ	Cầu nối để Viz gọi các nguồn dữ liệu bên ngoài hoặc luồng công việc	Có thể thay thế tự do

3. Mô hình một: Công cụ phân tích mẫu hóa (Khuyên dùng)

3.1 Tổng quan nguyên lý

Luồng thực thi như sau:

flowchart TD
    A[Viz nhận nhiệm vụ] --> B[Gọi luồng công việc Overall Analytics]
    B --> C[Ghép mẫu dựa trên trang/nhiệm vụ hiện tại]
    C --> D[Thực thi SQL mẫu (chỉ đọc)]
    D --> E[Trả về kết quả dữ liệu]
    E --> F[Viz tạo biểu đồ + diễn giải ngắn gọn]

3.2 Cấu trúc bộ sưu tập mẫu (data_analysis)

Tên trường	Kiểu	Mô tả	Ví dụ
id	Integer	Khóa chính	1
name	Text	Tên mẫu phân tích	Leads Data Analysis
collection	Text	Bộ sưu tập tương ứng	Lead
sql	Code	Câu lệnh SQL phân tích (chỉ đọc)	`SELECT stage, COUNT(*) FROM leads GROUP BY stage`
description	Markdown	Mô tả mẫu hoặc định nghĩa	"Thống kê số lượng khách hàng tiềm năng theo giai đoạn"
createdAt / createdBy / updatedAt / updatedBy	Trường hệ thống	Thông tin kiểm toán	Tự động tạo

Ví dụ mẫu trong bản demo CRM

Name	Collection	Description
Account Data Analysis	Account	Phân tích dữ liệu tài khoản
Contact Data Analysis	Contact	Phân tích dữ liệu liên hệ
Leads Data Analysis	Lead	Phân tích xu hướng khách hàng tiềm năng
Opportunity Data Analysis	Opportunity	Biểu đồ phễu giai đoạn cơ hội
Task Data Analysis	Todo Tasks	Thống kê trạng thái nhiệm vụ cần làm
Users (Sales Reps) Data Analysis	Users	So sánh hiệu suất của đại diện bán hàng

3.3 Ưu điểm của mô hình này

Khía cạnh	Ưu điểm
Bảo mật	Tất cả các câu lệnh SQL đều được lưu trữ và xem xét, tránh việc tạo truy vấn trực tiếp
Khả năng bảo trì	Các mẫu được quản lý tập trung và cập nhật đồng bộ
Khả năng tái sử dụng	Cùng một mẫu có thể được tái sử dụng cho nhiều nhiệm vụ
Khả năng di động	Có thể dễ dàng di chuyển sang các hệ thống khác, chỉ cần cấu trúc bộ sưu tập tương tự
Trải nghiệm người dùng	Người dùng nghiệp vụ không cần quan tâm đến SQL; họ chỉ cần gửi yêu cầu phân tích

📘 Bộ sưu tập data_analysis này không nhất thiết phải có tên như vậy. Điều quan trọng là: lưu trữ logic phân tích dưới dạng mẫu, và được luồng công việc gọi một cách thống nhất.

3.4 Cách để Viz sử dụng nó

Trong định nghĩa nhiệm vụ, bạn có thể nói rõ với Viz:

Chào Viz,

Vui lòng phân tích dữ liệu của mô-đun hiện tại.

**Ưu tiên:** Sử dụng công cụ Overall Analytics để lấy kết quả phân tích từ bộ sưu tập mẫu.
**Nếu không tìm thấy mẫu phù hợp:** Hãy thông báo rằng mẫu bị thiếu và đề xuất quản trị viên bổ sung.

Yêu cầu đầu ra:
- Mỗi kết quả tạo một biểu đồ riêng biệt;
- Kèm theo 2–3 câu mô tả ngắn gọn bên dưới biểu đồ;
- Không bịa đặt dữ liệu hoặc đưa ra giả định.

Bằng cách này, Viz sẽ tự động gọi luồng công việc, từ bộ sưu tập mẫu, tìm SQL phù hợp nhất và tạo biểu đồ.

4. Mô hình hai: Trình thực thi SQL chuyên biệt (Thận trọng khi sử dụng)

4.1 Kịch bản áp dụng

Khi bạn cần phân tích khám phá, truy vấn tạm thời, hoặc tổng hợp JOIN nhiều bộ sưu tập, bạn có thể để Viz gọi một công cụ SQL Execution.

Đặc điểm của công cụ này là:

Viz có thể trực tiếp tạo các truy vấn SELECT;
Hệ thống thực thi và trả về kết quả;
Viz chịu trách nhiệm phân tích và trực quan hóa.

Ví dụ nhiệm vụ:

"Vui lòng phân tích xu hướng thay đổi tỷ lệ chuyển đổi khách hàng tiềm năng theo từng khu vực trong 90 ngày gần đây."

Trong trường hợp này, Viz có thể tạo ra:

SELECT region, COUNT(id) AS leads, SUM(converted)::float/COUNT(id) AS rate
FROM leads
WHERE created_at > now() - interval '90 day'
GROUP BY region;

4.2 Rủi ro và khuyến nghị bảo vệ

Điểm rủi ro	Chiến lược bảo vệ
Tạo các thao tác ghi	Buộc giới hạn chỉ `SELECT`
Truy cập các bộ sưu tập không liên quan	Xác thực tên bộ sưu tập có tồn tại không
Rủi ro hiệu suất với bộ sưu tập lớn	Giới hạn phạm vi thời gian, sử dụng LIMIT cho số lượng hàng
Khả năng truy vết thao tác	Bật nhật ký truy vấn và kiểm toán
Kiểm soát quyền người dùng	Chỉ quản trị viên mới có thể sử dụng công cụ này

Khuyến nghị chung:

Người dùng thông thường chỉ nên bật phân tích mẫu hóa (Overall Analytics);

Chỉ quản trị viên hoặc chuyên viên phân tích cao cấp mới được phép sử dụng SQL Execution.

5. Nếu bạn muốn tự xây dựng một "Overall Analytics"

Dưới đây là một cách tiếp cận đơn giản, tổng quát mà bạn có thể sao chép vào bất kỳ hệ thống nào (không phụ thuộc vào NocoBase):

Bước 1: Thiết kế bộ sưu tập mẫu

Tên bộ sưu tập có thể tùy ý (ví dụ: analysis_templates). Chỉ cần bao gồm các trường: name, sql, collection, và description.

Bước 2: Viết một dịch vụ hoặc luồng công việc "Lấy mẫu → Thực thi"

Logic:

Nhận nhiệm vụ hoặc ngữ cảnh trang (ví dụ: bộ sưu tập hiện tại);
Ghép mẫu;
Thực thi SQL mẫu (chỉ đọc);
Trả về cấu trúc dữ liệu chuẩn hóa (hàng + trường).

Bước 3: Để AI gọi giao diện này

Câu lệnh nhiệm vụ có thể được viết như sau:

Đầu tiên, hãy thử gọi công cụ phân tích mẫu. Nếu không tìm thấy phân tích phù hợp trong các mẫu, hãy sử dụng trình thực thi SQL.
Vui lòng đảm bảo tất cả các truy vấn là chỉ đọc và tạo biểu đồ để hiển thị kết quả.

Bằng cách này, hệ thống trợ lý AI của bạn sẽ có khả năng phân tích tương tự như bản demo CRM, nhưng hoàn toàn độc lập và có thể tùy chỉnh.

6. Các thực hành tốt nhất và khuyến nghị thiết kế

Khuyến nghị	Mô tả
Ưu tiên phân tích mẫu hóa	An toàn, ổn định và có thể tái sử dụng
Chỉ sử dụng SQL Execution như một phần bổ sung	Giới hạn cho việc gỡ lỗi nội bộ hoặc truy vấn tạm thời
Một biểu đồ, một điểm chính	Đầu ra rõ ràng, tránh quá nhiều thông tin lộn xộn
Đặt tên mẫu rõ ràng	Đặt tên theo trang/lĩnh vực nghiệp vụ, ví dụ: `Leads-Stage-Conversion`
Giải thích ngắn gọn và rõ ràng	Mỗi biểu đồ kèm theo 2–3 câu tóm tắt
Thông báo khi thiếu mẫu	Thông báo cho người dùng "Không tìm thấy mẫu tương ứng" thay vì hiển thị đầu ra trống

7. Từ bản demo CRM đến kịch bản của bạn

Câu hỏi	Ví dụ
1. Bạn muốn phân tích gì?	Xu hướng khách hàng tiềm năng / Giai đoạn giao dịch / Tỷ lệ hoạt động của thiết bị
2. Dữ liệu ở đâu?	Bộ sưu tập nào, trường nào
3. Bạn muốn trình bày như thế nào?	Biểu đồ đường, phễu, tròn, bảng so sánh

Một khi bạn đã định nghĩa các nội dung này, bạn chỉ cần:

Viết logic phân tích vào bộ sưu tập mẫu;
Đính kèm câu lệnh nhiệm vụ vào trang;
Viz có thể "tiếp quản" việc phân tích báo cáo của bạn.

8. Kết luận: Mang theo mô hình thiết kế

"Overall Analytics" và "SQL Execution" chỉ là hai ví dụ triển khai. Điều quan trọng hơn là ý tưởng đằng sau chúng:

Hãy để trợ lý AI hiểu logic nghiệp vụ của bạn, chứ không chỉ thực thi các câu lệnh.

Dù bạn đang sử dụng NocoBase, một hệ thống riêng, hay luồng công việc tự viết, bạn đều có thể sao chép cấu trúc này:

Các mẫu tập trung;
Luồng công việc gọi;
Thực thi chỉ đọc;
AI trình bày.

#Trợ lý AI · Viz: Hướng dẫn cấu hình kịch bản CRM

#1. Giới thiệu: Giúp Viz từ "nhìn dữ liệu" thành "hiểu nghiệp vụ"

#2. Cấu trúc của Viz: Tính cách ổn định + Nhiệm vụ linh hoạt

#3. Mô hình một: Công cụ phân tích mẫu hóa (Khuyên dùng)

#3.1 Tổng quan nguyên lý

#3.2 Cấu trúc bộ sưu tập mẫu (data_analysis)

#Ví dụ mẫu trong bản demo CRM

#3.3 Ưu điểm của mô hình này

#3.4 Cách để Viz sử dụng nó

#4. Mô hình hai: Trình thực thi SQL chuyên biệt (Thận trọng khi sử dụng)

#4.1 Kịch bản áp dụng

#4.2 Rủi ro và khuyến nghị bảo vệ

#5. Nếu bạn muốn tự xây dựng một "Overall Analytics"

#Bước 1: Thiết kế bộ sưu tập mẫu

#Bước 2: Viết một dịch vụ hoặc luồng công việc "Lấy mẫu → Thực thi"

#Bước 3: Để AI gọi giao diện này

#6. Các thực hành tốt nhất và khuyến nghị thiết kế

#7. Từ bản demo CRM đến kịch bản của bạn

#8. Kết luận: Mang theo mô hình thiết kế

#Trợ lý AI · Viz: Hướng dẫn cấu hình kịch bản CRM

#1. Giới thiệu: Giúp Viz từ "nhìn dữ liệu" thành "hiểu nghiệp vụ"

#2. Cấu trúc của Viz: Tính cách ổn định + Nhiệm vụ linh hoạt

#3. Mô hình một: Công cụ phân tích mẫu hóa (Khuyên dùng)

#3.1 Tổng quan nguyên lý

#3.2 Cấu trúc bộ sưu tập mẫu (data_analysis)

#Ví dụ mẫu trong bản demo CRM

#3.3 Ưu điểm của mô hình này

#3.4 Cách để Viz sử dụng nó

#4. Mô hình hai: Trình thực thi SQL chuyên biệt (Thận trọng khi sử dụng)

#4.1 Kịch bản áp dụng

#4.2 Rủi ro và khuyến nghị bảo vệ

#5. Nếu bạn muốn tự xây dựng một "Overall Analytics"

#Bước 1: Thiết kế bộ sưu tập mẫu

#Bước 2: Viết một dịch vụ hoặc luồng công việc "Lấy mẫu → Thực thi"

#Bước 3: Để AI gọi giao diện này

#6. Các thực hành tốt nhất và khuyến nghị thiết kế

#7. Từ bản demo CRM đến kịch bản của bạn

#8. Kết luận: Mang theo mô hình thiết kế

Trợ lý AI · Viz: Hướng dẫn cấu hình kịch bản CRM

1. Giới thiệu: Giúp Viz từ "nhìn dữ liệu" thành "hiểu nghiệp vụ"

2. Cấu trúc của Viz: Tính cách ổn định + Nhiệm vụ linh hoạt

3. Mô hình một: Công cụ phân tích mẫu hóa (Khuyên dùng)

3.1 Tổng quan nguyên lý

3.2 Cấu trúc bộ sưu tập mẫu (data_analysis)

Ví dụ mẫu trong bản demo CRM

3.3 Ưu điểm của mô hình này

3.4 Cách để Viz sử dụng nó

4. Mô hình hai: Trình thực thi SQL chuyên biệt (Thận trọng khi sử dụng)

4.1 Kịch bản áp dụng

4.2 Rủi ro và khuyến nghị bảo vệ

5. Nếu bạn muốn tự xây dựng một "Overall Analytics"

Bước 1: Thiết kế bộ sưu tập mẫu

Bước 2: Viết một dịch vụ hoặc luồng công việc "Lấy mẫu → Thực thi"

Bước 3: Để AI gọi giao diện này

6. Các thực hành tốt nhất và khuyến nghị thiết kế

7. Từ bản demo CRM đến kịch bản của bạn

8. Kết luận: Mang theo mô hình thiết kế

Trợ lý AI · Viz: Hướng dẫn cấu hình kịch bản CRM

1. Giới thiệu: Giúp Viz từ "nhìn dữ liệu" thành "hiểu nghiệp vụ"

2. Cấu trúc của Viz: Tính cách ổn định + Nhiệm vụ linh hoạt

3. Mô hình một: Công cụ phân tích mẫu hóa (Khuyên dùng)

3.1 Tổng quan nguyên lý

3.2 Cấu trúc bộ sưu tập mẫu (data_analysis)

Ví dụ mẫu trong bản demo CRM

3.3 Ưu điểm của mô hình này

3.4 Cách để Viz sử dụng nó

4. Mô hình hai: Trình thực thi SQL chuyên biệt (Thận trọng khi sử dụng)

4.1 Kịch bản áp dụng

4.2 Rủi ro và khuyến nghị bảo vệ

5. Nếu bạn muốn tự xây dựng một "Overall Analytics"

Bước 1: Thiết kế bộ sưu tập mẫu

Bước 2: Viết một dịch vụ hoặc luồng công việc "Lấy mẫu → Thực thi"

Bước 3: Để AI gọi giao diện này

6. Các thực hành tốt nhất và khuyến nghị thiết kế

7. Từ bản demo CRM đến kịch bản của bạn

8. Kết luận: Mang theo mô hình thiết kế