Sẽ mở trong thẻ mới

Blog / Khách sạn & Du lịch

Khách sạn & Du lịch

60% khách đã quan tâm rời đi không để lại số: dữ liệu từ 344 hội thoại với AI lễ tân

18/11/2026·Cập nhật ·10 phút đọc

Khách tại quầy lễ tân của một căn hộ dịch vụ đang nhắn tin trên điện thoại, sảnh ấm cúng ánh sáng tự nhiên

Trả lời ngắn: Trong 344 hội thoại giữa khách và AI lễ tân trên website của các cơ sở lưu trú (tháng 9–11/2026), 71,2% khách hỏi tiếp từ hai lượt trở lên — tức quan tâm thật. Nhưng chỉ 39,6% trong số khách đã quan tâm đó để lại số điện thoại. Điểm mất khách lớn nhất không nằm ở quảng cáo hay ở lượt hỏi đầu tiên; nó nằm ngay giữa cuộc trò chuyện, ở khoảnh khắc khách đã tin đủ để hỏi sâu nhưng chưa tin đủ để cho số.

Năm phát hiện chính

  • 71,2% hội thoại đi tiếp qua lượt hỏi đầu (245 trên 344 hội thoại có từ 2 lượt khách trở lên).
  • 28,2% hội thoại kết thúc bằng việc khách để lại số điện thoại (97 trên 344).
  • 60,4% khách đã quan tâm thật rời đi mà không để lại số (148 trên 245 hội thoại đã qua lượt hỏi đầu) — điểm rò lớn nhất của toàn phễu.
  • 34,0% hội thoại đã có số điện thoại đi tiếp tới đơn (33 trên 97). Khi khách đã cho số, khả năng thành đơn cao hơn hẳn — vấn đề nằm ở bước xin số, không phải bước chốt.
  • 98,5% hội thoại đến từ khung chat trên website (339 trên 344). Kênh Zalo OA chưa phát sinh hội thoại AI nào trong kỳ đo, dù đã được kết nối.

Phễu hội thoại đầy đủ

Số liệu dưới đây là phễu lồng: mỗi bậc đếm các hội thoại đã tới bậc đó hoặc sâu hơn. Định nghĩa từng bậc ghi ở mục Phương pháp đo.

Bậc phễu Số hội thoại % trên tổng % trên bậc trước
Bắt đầu hội thoại 344 100% —
Hỏi tiếp ≥ 2 lượt (quan tâm thật) 245 71,2% 71,2%
Để lại số điện thoại 97 28,2% 39,6%
Đi tới đơn 33 9,6% 34,0%
Phễu hội thoại AI lễ tân — nhóm lưu trú, 09–11/2026 (n = 344)
Biểu đồ: phễu hội thoại gộp 5 workspace lưu trú trên platform InCard, kỳ 08/09–18/11/2026. Bảng dữ liệu đầy đủ có trong file CSV đi kèm bài.

Một cách đọc khác cùng bộ số, theo nơi hội thoại dừng lại hẳn (im từ 24 giờ trở lên và chưa có đơn, n = 338 hội thoại đã khép): 28,7% dừng ở mức hỏi lướt, 42,6% dừng sau khi đã quan tâm nhưng chưa cho số, 17,8% dừng dù đã cho số nhưng chưa thành đơn. Cả hai cách đọc đều chỉ về cùng một chỗ: đoạn giữa phễu.

Hai cơ sở trong cùng một nhóm vận hành: chênh nhau gần 2,5 lần ở bước xin số

Trong nhóm lưu trú, hai workspace có đủ cỡ mẫu để tách riêng (mỗi workspace trên 100 hội thoại) cho kết quả rất khác nhau ở đúng bước để lại số:

Workspace Hội thoại Quan tâm thật Để lại số Đơn trên số đã có
Cơ sở A 150 66,7% 16,0% 54,2%
Cơ sở B (có tích hợp PMS) 138 72,5% 42,8% 16,9%

Cơ sở B lấy được số điện thoại gấp khoảng 2,5 lần cơ sở A tính trên nhóm khách đã quan tâm (59,0% so với 24,0%), nhưng tỉ lệ từ số thành đơn lại thấp hơn hẳn. Dữ liệu đợt này chưa đủ để kết luận nguyên nhân — khác biệt có thể đến từ loại hình phòng, cách agent được dạy xin số, hay việc thông tin trống phòng và giá được nối thẳng từ hệ thống quản lý (PMS) ở cơ sở B. Đây là câu hỏi chúng tôi đặt cho đợt đo tiếp theo, và là lý do báo cáo này không đưa ra một “chuẩn ngành” nào cho bước xin số: hai cơ sở trong cùng một nhóm vận hành đã chênh nhau quá xa.

Với người vận hành, hàm ý thực tế nằm ở chỗ khác: hãy đo phễu của chính cơ sở mình trước khi sửa bất cứ thứ gì. Nếu tỉ lệ quan tâm cao mà số để lại thấp, vấn đề nằm trong hội thoại — thời điểm xin số, lý do xin số, và giá trị khách nhận được ngay sau khi cho số. Nếu số để lại nhiều mà đơn ít, vấn đề nằm ở khâu con người tiếp quản sau đó.

Kênh: khách đang nói chuyện với cơ sở ở website, chưa phải ở Zalo

339 trên 344 hội thoại (98,5%) diễn ra trong khung chat trên website của cơ sở; 5 hội thoại còn lại qua Messenger của một khách sạn độc lập trong mẫu. Không có hội thoại Zalo nào được ghi nhận trong kỳ, kể cả ở workspace đã kết nối Zalo OA.

Điều này không có nghĩa khách không dùng Zalo — mọi vận hành viên lưu trú đều biết khách nhắn Zalo mỗi ngày. Nó có nghĩa là ở các cơ sở trong mẫu, hội thoại Zalo hiện vẫn do con người trả lời thủ công, ngoài tầm đo và ngoài khả năng hỗ trợ của AI. Phần nhu cầu rơi vào buổi tối và ngoài giờ trực lễ tân vì thế vẫn chưa có số đo — và cũng chưa có ai trực thay. Đợt đo sau của chúng tôi sẽ mở riêng phần này khi kênh Zalo bắt đầu có hội thoại qua AI.

AI trả lời lượt đầu tiên trong mọi hội thoại của mẫu

Cả 344 hội thoại trong mẫu đều ở chế độ AI trực tiếp trả lời, và số hội thoại có phản hồi đầu tiên từ AI gần như bằng tổng số hội thoại (ở hai workspace lớn nhất: 149 trên 150 và 138 trên 138). Không hội thoại nào phải chờ nhân viên trực mới có câu trả lời đầu tiên.

Chúng tôi không suy ra từ đây rằng “AI xử lý mọi việc không cần con người”: cùng kỳ đo, các workspace trong mẫu vẫn phát sinh việc chuyển người chờ xử lý (handover). Vai trò đo được của AI ở đợt này hẹp và rõ: tiếp nhận và trả lời ngay lượt đầu, giữ cuộc trò chuyện đi tiếp, và lấy được số điện thoại trong 28,2% hội thoại. Phần việc sau khi có số vẫn là của con người — và 34,0% tỉ lệ thành đơn ở nhóm đã có số cho thấy phần việc đó đang quyết định phần lớn kết quả.

Phương pháp đo

  • Nguồn: dữ liệu vận hành ẩn danh của platform InCard (môi trường production), kéo ngày 18/11/2026 bằng các hàm tổng hợp của chính platform (`analytics_getChatChannelFunnel`, `analytics_getChatHealth`). Không dùng tên khách, định danh tài khoản, hay nội dung hội thoại trong bất kỳ phép tính nào.
  • Kỳ đo: hội thoại có hoạt động từ 08/09/2026 đến 18/11/2026. Đây cũng là toàn bộ lịch sử hội thoại của platform tính đến ngày kéo — không có dữ liệu trước đó bị cắt khỏi mẫu.
  • Mẫu: 344 hội thoại gộp từ 5 workspace thuộc nhóm lưu trú (căn hộ dịch vụ và một khách sạn độc lập). Ba workspace có dưới 30 hội thoại chỉ được tính vào số gộp, không tách riêng. Các workspace kiểm thử nội bộ và tài khoản cá nhân bị loại khỏi mẫu.
  • Định nghĩa: “Quan tâm thật” (engaged) = hội thoại có từ 2 lượt tin nhắn của khách trở lên. “Để lại số” = khách để lại số điện thoại trong hội thoại, hoặc khách trong hệ thống CRM nối được về hội thoại đã có số. “Đơn” = đơn ở trạng thái chờ thanh toán trở lên, không tính đơn huỷ hoặc hoàn tiền. Phễu là phễu lồng: một hội thoại ở bậc sâu được đếm ở mọi bậc nông hơn.
  • Workspace bị loại đáng chú ý: workspace vận hành của chính đội ngũ platform có 1.158 hội thoại trong kỳ nhưng 71,0% dồn vào 3 ngày kiểm thử hệ thống (01/10, 12/10, 13/10/2026), lẫn giữa kiểm thử và vận hành thật, nên không được dùng trong báo cáo này.
  • Giới hạn lớn nhất: 97,4% hội thoại của mẫu đến từ một nhóm vận hành căn hộ dịch vụ duy nhất, trong giai đoạn các cơ sở này chạy pilot. Đây là dữ liệu pilot, có giá trị tham chiếu cho các cơ sở tương tự, không phải chuẩn của ngành lưu trú. Platform tại thời điểm đo có 3 workspace đang hoạt động thường xuyên trong 30 ngày gần nhất.
  • Những gì chưa đo được, và chúng tôi không ước lượng thay: thời gian phản hồi trung bình (platform chưa ghi chỉ số này — giá trị đang lưu là 0, tức chưa đo, không phải trả lời tức thì); phân bổ hội thoại theo giờ trong ngày (chưa có hàm tổng hợp theo giờ); mức độ hài lòng CSAT (khảo sát chưa được gửi trong kỳ — 0 lượt chấm). Cả ba đều nằm trong kế hoạch bổ sung đo lường cho đợt báo cáo sau.

Câu hỏi thường gặp

Số 60,4% được tính thế nào?

Trong 344 hội thoại, 245 hội thoại có khách hỏi tiếp từ 2 lượt trở lên. Trong 245 hội thoại đó, 97 hội thoại có số điện thoại, còn 148 hội thoại không. 148 chia 245 bằng 60,4%. Mọi số thành phần đều có trong bảng phễu và file CSV đi kèm để bất kỳ ai cũng tính lại được.

Vì sao khách quan tâm nhưng không để lại số?

Dữ liệu định lượng đợt này chỉ cho biết khách rời đi ở đâu, chưa cho biết vì sao — phần phân tích lý do rơi rụng theo nội dung hội thoại chưa nằm trong phạm vi công bố ẩn danh của đợt 1. Các giả thuyết cần kiểm chứng ở đợt sau: thời điểm xin số quá sớm, khách chưa nhận được thông tin họ cần (giá, trống phòng) trước khi bị xin số, hoặc khách đơn giản muốn hỏi nhanh rồi quay lại sau qua kênh khác.

Dữ liệu này có đại diện cho khách sạn Việt Nam không?

Không. Mẫu tập trung ở một nhóm vận hành căn hộ dịch vụ trong giai đoạn pilot (335 trên 344 hội thoại), cộng một khách sạn độc lập. Chúng tôi công bố kèm giới hạn này vì một con số đúng trong phạm vi hẹp có ích hơn một “chuẩn ngành” không có cơ sở.

Vì sao không có số về khách nhắn tin ngoài giờ?

Vì platform chưa có hàm tổng hợp hội thoại theo giờ, và chúng tôi không suy diễn phân bổ giờ từ dữ liệu thô chứa định danh khách. Đây là chỉ số chúng tôi muốn có nhất cho đợt 2 — nhu cầu ngoài giờ là lý do tồn tại của AI lễ tân — nhưng chưa có thì nói chưa có.

Bao lâu có đợt số tiếp theo?

Đợt 2 dự kiến sau khi có thêm cơ sở lưu trú vận hành thường xuyên và ba chỉ số còn thiếu (giờ hội thoại, thời gian phản hồi, CSAT) được đo thật. Chu kỳ mục tiêu là hằng quý.

—

Tải bảng dữ liệu: toàn bộ số liệu của báo cáo này có trong file CSV đi kèm — data-phieu-hoi-thoai-luu-tru-2026-11-18.csv. Khi trích dẫn, ghi nguồn: “InCard — Báo cáo dữ liệu hội thoại AI lễ tân, đợt pilot 09–11/2026 (n = 344)”.

Đo phễu của chính cơ sở bạn: nếu muốn biết khách đang rời đi ở bậc nào trong hội thoại với cơ sở mình, bạn có thể đặt lịch demo — bản demo chạy trên dữ liệu và kịch bản của chính cơ sở bạn, và phễu đo được ngay từ tuần đầu. Tìm hiểu thêm về cách AI lễ tân vận hành trong bài AI self check-in là gì và trang nền tảng Agentic AI của InCard.

Dữ liệu hội thoại chứa số điện thoại và thông tin cá nhân của khách, nên cách InCard lưu trữ và xử lý dữ liệu này được công bố rõ trong mục pháp lý, cụ thể là trang bảo mật dữ liệu và tuân thủ GDPR. Cơ sở lưu trú nào dùng AI lễ tân cũng nên đối chiếu cách nhà cung cấp xử lý dữ liệu khách trước khi ký.


Tam Ho là Founder của InCard, nền tảng agentic AI cho doanh nghiệp vừa và nhỏ tại Việt Nam. Anh trực tiếp làm việc với các đội vận hành để đưa từng chuỗi việc vào hệ thống, với người thật giữ điểm chốt ở những quyết định quan trọng.

Nhận tư vấn

Muốn áp dụng điều này cho doanh nghiệp của bạn?

Để lại thông tin, đội ngũ InCard sẽ liên hệ trong vòng 24 giờ để cùng xem việc nào nên tự động hoá trước. Không mất phí và không ràng buộc gì.

Áp dụng vào doanh nghiệp bạn

Muốn thấy điều này chạy trên việc của bạn?

Đặt lịch demo 30 phút — chúng tôi chạy thử trên đúng kênh và quy trình bạn đang có.