Một hệ thống gợi ý BĐS tốt không trả lời câu hỏi “căn nào dễ bán nhất cho khách này?”, mà trả lời “tài sản nào phù hợp nhất với nhu cầu đã được xác nhận, dựa trên dữ liệu nào và còn điểm nào chưa chắc chắn?”.
Khác biệt nằm ở chỗ Recommendation – hệ thống gợi ý – phải phục vụ quyết định của khách hàng, không che giấu lợi ích bán hàng của đơn vị cung cấp. AI có thể hiểu ngôn ngữ tự nhiên và giải thích, nhưng bộ lọc, ràng buộc và dữ liệu sản phẩm cần được xử lý bằng hệ thống xác định.
Chuyên đề: AI ứng dụng trong Bất động sản · Bài 31 · Marketing, môi giới, bán hàng và khách hàng
Biên soạn: ThS. Nguyễn Mạnh Hùng
GV. Khoa QLĐĐ&BĐS – ĐH Nông Lâm TP.HCM
Email: nguyenmanhhung@hcmuaf.edu.vn
1. Tách nhu cầu thành ba lớp
| Lớp | Ví dụ | Cách xử lý |
|---|---|---|
| Ràng buộc bắt buộc | ngân sách tối đa, khu vực, số phòng | lọc bằng database/rule |
| Ưu tiên mềm | gần trường, yên tĩnh, nhiều cây xanh | chấm điểm có trọng số |
| Điều chưa rõ | “đi lại thuận tiện”, “đầu tư tốt” | AI hỏi lại hoặc đánh dấu UNCLEAR |
Nếu một tiêu chí chưa rõ, hệ thống không nên tự diễn giải thành giả định có lợi cho sản phẩm đang cần bán.
2. Hồ sơ nhu cầu có cấu trúc
- `customer_need_id`: mã phiên nhu cầu.
- Ngân sách và cách hiểu ngân sách: giá mua, vốn tự có hay tổng chi phí.
- Mục đích: ở, cho thuê, đầu tư, sử dụng hỗn hợp.
- Tiêu chí vị trí, diện tích, thời gian dự kiến.
- Mức ưu tiên do khách xác nhận.
- Nguồn và thời điểm cập nhật từng yêu cầu.
AI hội thoại có thể chuyển câu nói của khách thành các trường này, nhưng khách hoặc nhân viên phải được thấy và sửa lại trước khi dùng xếp hạng.
3. Candidate Generation trước, xếp hạng sau
Database lọc những tài sản vi phạm ràng buộc bắt buộc. Chỉ trên tập còn lại mới dùng mô hình chấm điểm hoặc AI để xếp hạng. Làm ngược lại có thể khiến một căn vượt ngân sách vẫn đứng đầu vì nhiều tiêu chí khác hấp dẫn.
4. Điểm phù hợp phải giải thích được
Thay vì hiển thị “92% phù hợp”, giao diện nên cho biết vì sao: đúng ngân sách, cách nơi làm việc 6 km theo tuyến đã tính, đủ 2 phòng, nhưng diện tích thấp hơn mong muốn 4 m². Khoảng cách và thời gian di chuyển cần do GIS/routing tính; AI chỉ diễn giải kết quả.
5. Không trộn điểm phù hợp với hoa hồng
Một lỗi quản trị nghiêm trọng là âm thầm cộng điểm cho sản phẩm có hoa hồng cao, tồn kho lớn hoặc cần đẩy nhanh. Nếu doanh nghiệp muốn đưa yếu tố thương mại vào xếp hạng, phải tách thành lớp riêng, có chính sách rõ và không làm người dùng hiểu nhầm đó là “phù hợp cá nhân”.
6. Cá nhân hóa và dữ liệu cá nhân
Lịch sử tìm kiếm, vị trí, thành viên gia đình, khả năng tài chính hoặc hành vi tương tác đều có thể trở thành dữ liệu nhạy cảm theo bối cảnh. Thu thập tối thiểu, giới hạn mục đích, phân quyền và thời gian lưu phải được thiết kế trước khi AI đọc CRM. Tại Việt Nam cần đối chiếu Luật Bảo vệ dữ liệu cá nhân 91/2025/QH15.
7. Tình huống kiểm chứng
Khách nói “tôi cần căn để ở, không muốn vay quá nhiều”. AI trích ngân sách nhưng không rõ mức vay chấp nhận. Trạng thái đúng là UNCLEAR và hỏi thêm. Sau khi khách xác nhận mức thanh toán ban đầu, database lọc sản phẩm; calculator tính dòng tiền theo chính sách; AI giải thích 3 phương án. Nhân viên không được đổi thứ tự chỉ vì một căn có thưởng bán hàng cao hơn.
8. Đánh giá hệ thống
- Tỷ lệ gợi ý vi phạm ràng buộc bắt buộc.
- Tỷ lệ khách phải sửa hồ sơ nhu cầu do AI hiểu sai.
- Tỷ lệ tài sản được mở/xem/lưu sau gợi ý.
- Tỷ lệ người dùng thay đổi trọng số và kết quả có phản ánh đúng thay đổi đó.
- Kiểm tra xem nhóm khách khác nhau có bị hạn chế lựa chọn một cách không hợp lý.
Ghi nhớ trong 30 giây
- Gợi ý bắt đầu bằng nhu cầu đã xác nhận và dữ liệu tài sản chuẩn.
- Ràng buộc bắt buộc do rule/database lọc; AI không được “bù điểm”.
- Điểm phù hợp cần giải thích, không che giấu lợi ích thương mại.
- Cá nhân hóa chỉ dùng dữ liệu cần thiết, có quyền và có kiểm soát.
Nguồn tham khảo
- Luật Bảo vệ dữ liệu cá nhân số 91/2025/QH15; có hiệu lực từ 01/01/2026.
- RICS – Responsible use of artificial intelligence in surveying practice, 1st edition; có hiệu lực từ 09/03/2026, nhấn mạnh quản trị, giám sát nghề nghiệp, minh bạch và trách nhiệm.
- NIST – AI Risk Management Framework (AI RMF) 1.0 và NIST AI 600-1 Generative AI Profile; dùng làm nền cho nhận diện, đo lường, quản trị và kiểm soát rủi ro AI.
- ISO/IEC 42001:2023 – hệ thống quản lý trí tuệ nhân tạo; yêu cầu thiết lập, vận hành và cải tiến hệ thống quản trị AI.
- RICS Data Standards – lược đồ dữ liệu mở cho đất đai, tài sản, BĐS và hạ tầng; hỗ trợ trao đổi dữ liệu nhất quán.
Bài tiếp theo
Bài 32: AI hỗ trợ cuộc gọi và đàm phán: chuẩn bị, ghi nhận, tóm tắt và hành động tiếp theo