1 Dữ liệu công khai khu vực bầu cử/Thống kê bầu cử

Để giành chiến thắng trong cuộc bầu cử, chúng ta cần phải biết chính xác khu vực của mình là nơi như thế nào. Trước đây, các trợ lý và tôi đã phải thức trắng bảy đêm liền chỉ để dò xét từng bảng tính Excel.

Giờ đây, chúng ta có thể tận dụng trí tuệ nhân tạo để phân tích nhanh chóng các dữ liệu công khai khổng lồ và tìm ra những vấn đề tiềm ẩn bên trong đó.

Việc đầu tiên cần phải làm là thu thập dữ liệu.

Tải xuống kết quả bầu cử của 10 năm qua từ hệ thống thống kê bầu cử của Ủy ban Quản lý Bầu cử Trung ương. Dữ liệu bao gồm các con số như tỷ lệ cử tri đi bỏ phiếu, tỷ lệ phiếu bầu theo từng ứng cử viên, tỷ trọng bỏ phiếu sớm và sự chênh lệch giữa các khu vực bỏ phiếu.

Tại Cổng thông tin thống kê quốc gia (KOSIS) của Cục Thống kê, bạn có thể tra cứu dân số theo độ tuổi, phân bố theo giới tính và tỷ lệ hộ gia đình một người ở cấp đơn vị phường/xã/thị trấn.

Nếu truy cập vào trang web của chính quyền địa phương, bạn có thể tìm thấy bảng tin khiếu nại, biên bản họp hội đồng quận và các báo cáo ngân sách được công khai. Tôi sẽ tập hợp tất cả các tài liệu này lại một nơi.

Cần phải thực hiện công việc điều chỉnh các dữ liệu đã thu thập về cùng một đơn vị.

Chia các khu vực bầu cử thành các đơn vị cấp thị/huyện/quận, cấp xã/phường/thị trấn và cấp khu vực bỏ phiếu, sau đó sắp xếp tất cả dữ liệu theo các đơn vị này. Việc đặt kết quả bầu cử, cơ cấu dân số và các từ khóa khiếu nại cạnh nhau trong cùng một bảng Excel sẽ giúp việc so sánh trở nên dễ dàng hơn.

Sau khi việc sắp xếp hoàn tất, tôi sẽ giao cho trí tuệ nhân tạo thực hiện việc phân tích.

Nhập tệp Excel vào AI (để phân tích Excel thì dùng ChatGPT) và yêu cầu: "Hãy tìm 3 khu vực có tỷ lệ phiếu bầu của đảng chúng ta liên tục giảm trong 3 kỳ bầu cử vừa qua và đưa ra suy luận về lý do tại sao".

AI không chỉ nhìn vào những con số, mà còn xem xét liệu có các khu chung cư mới được xây dựng trong khu vực đó hay không, liệu tỷ lệ người trẻ có đang tăng lên không, và những loại khiếu nại nào đang lặp đi lặp lại.

Khi khai thác các vấn đề địa phương cũng vậy.

Tiêu đề các bài viết trong vòng một năm qua trên bảng tin dân nguyện của quận và biên bản họp của hội đồng địa phương được thu thập thành các tệp văn bản để cho AI đọc. Khi yêu cầu "Hãy trích xuất 5 từ khóa phàn nàn xuất hiện nhiều nhất", các vấn đề cụ thể như 'thiếu bãi đậu xe', 'mùi hôi rác thải', 'khoảng cách giữa các chuyến xe buýt' sẽ hiện ra. Nếu con người đọc hàng trăm trang tài liệu sẽ mất vài ngày, nhưng AI có thể tìm ra các quy luật chỉ trong vài phút.

Chìa khóa để khai thác các vấn đề chính là 'so sánh'. Chúng ta sẽ so sánh cùng một chỉ số theo ba phương thức khác nhau.

Thứ nhất, chúng ta so sánh giữa các khu phố trong cùng một khu vực bầu cử của chúng ta. Hãy đặt ra những câu hỏi như: Tại sao chỉ có phường A là tỷ lệ cử tri đi bỏ phiếu thấp, tại sao chỉ có phường B là tỷ lệ ủng hộ đảng chúng ta lại giảm xuống.

Thứ hai, chúng ta so sánh mức trung bình của khu vực bầu cử chúng ta với mức trung bình của tỉnh/thành phố. Nếu chỉ có khu vực của chúng ta có điểm khác biệt rõ rệt, thì đó chính là vấn đề.

Thứ ba, so sánh thời gian. Xem xét xu hướng các con số đã thay đổi như thế nào trong 2~3 kỳ bầu cử gần đây. Những nơi có sự chênh lệch lớn chính là 'những nơi cần được giải thích', và chính những lời giải thích đó sẽ trở thành chất liệu cho các cam kết tranh cử.

Hãy cùng xem các trường hợp sử dụng.

Một chiến dịch tranh cử tại khu vực thủ đô đã sử dụng AI để phân tích 50.000 đơn khiếu nại về "yêu cầu kiểm soát dừng đỗ xe trái phép" được gửi đến văn phòng quận trong 3 năm qua.

Tôi đã phát hiện ra rằng các khiếu nại tập trung vào một vạch kẻ đường dành cho người đi bộ trước một trường tiểu học cụ thể vào giờ đi học và tan học. Tại hiện trường, chỉ có duy nhất một tấm băng rôn treo với nội dung "Sẽ tăng cường kiểm soát". Tuy nhiên, điều mà người dân thực sự mong muốn không phải là việc tăng cường kiểm soát, mà là việc lắp đặt "Khu vực lên xuống xe an toàn (Drop-off Zone)" cho trẻ em.

Chiến dịch đã cụ thể hóa điều này thành một lời hứa tranh cử. Một thông điệp tùy chỉnh với nội dung: "Thay vì kiểm soát, chúng tôi trao cho bạn không gian: Thiết lập khu vực lên xuống xe an toàn" đã được gửi tập trung đến các phụ huynh trong độ tuổi 30-40 tại khu vực đó. Đây là một lời hứa thực tế và gần gũi hơn nhiều so với đối thủ cạnh tranh khi chỉ nói một cách mơ hồ rằng "sẽ giải quyết các vấn đề giao thông", và nó đã giúp giành được số phiếu bầu cao tại khu vực này.

Cũng có những trường hợp khác.

Ứng cử viên nghị sĩ quận Han-si đã cho AI tóm tắt các bài đăng công khai trên các cộng đồng và hội nhóm mẹ bỉm sữa tại địa phương. Ông phát hiện ra rằng những lời phàn nàn về "vỉa hè khó đi xe đẩy" nhiều hơn hẳn so với "thiếu thư viện". Ngay lập tức, ứng cử viên đã đưa ra "cam kết vỉa hè thông thoáng cho xe đẩy", và nhận được sự hưởng ứng lớn từ các bậc phụ huynh trẻ. Thay vì chỉ dựa vào cảm tính như trước đây, ông đã xác nhận sự thật bằng dữ liệu và kết nối chúng thành một cam kết bầu cử đầy quyết đoán.

Hiệu quả của phương pháp này rất rõ ràng. Thay vì việc ứng cử viên chỉ nói một cách mơ hồ rằng "Tôi sẽ làm việc chăm chỉ", khi họ nói rằng: "Tình trạng thiếu chỗ đậu xe tại khu vực A, theo dữ liệu tôi thấy đã không được giải quyết suốt 5 năm qua. Tôi sẽ giải quyết vấn đề này", cử tri sẽ cảm thấy tin tưởng hơn rất nhiều.

Các cuộc thảo luận nội bộ trong chiến dịch cũng sẽ chuyển từ 'cảm tính' sang 'dựa trên căn cứ'. Đội ngũ hiện trường sẽ dễ dàng quyết định nên đến thăm nơi nào trước. Đội ngũ thông điệp sẽ tăng cường sức thuyết phục chỉ bằng một dòng số liệu. Thời gian mà các trợ lý phải dành để tìm kiếm tài liệu sẽ được cắt giảm, giúp họ có thể gặp gỡ thêm dù chỉ là một cử tri nữa.

Khi tổng hợp kết quả phân tích, bạn nên tạo một 'Thẻ vấn đề khu vực'.

Mỗi thẻ sẽ bao gồm: tiêu đề vấn đề, 2 con số dẫn chứng, 1 ý kiến trực tiếp từ hiện trường và 1 dòng về hướng giải quyết. Khi các thẻ này tích lũy lại, chúng sẽ trở thành nguyên liệu cho cuốn sổ tay cam kết tranh cử. Nếu nén lại trong một bảng biểu với khoảng 10 chỉ số cốt lõi (KPI), toàn bộ chiến dịch có thể cùng nhìn về một hướng và hành động thống nhất.

[Ví dụ Prompt 1] "File Excel đính kèm là kết quả kiểm phiếu bầu cử Quốc hội tại thành phố chúng ta trong 10 năm qua. Hãy tìm tất cả các phường (Dong) có tỷ lệ phiếu bầu của Đảng A (đảng của chúng ta) biến động đột ngột trên 10%, và thông qua việc tìm kiếm tin tức, hãy phân tích nguyên nhân xem vào thời điểm đó có những thay đổi lớn nào xảy ra tại phường đó, chẳng hạn như việc cư dân chuyển đến ở hàng loạt tại các khu chung cư lớn hay việc khánh thành tuyến tàu điện ngầm hay không. Hãy viết bằng ngôn ngữ dễ hiểu và kết thúc câu bằng giọng lịch sự trang trọng." [Ví dụ Prompt 2] "Tôi sẽ dán 500 tiêu đề bài viết trong 6 tháng gần đây nhất từ bảng tin 'Ý kiến người dân' trên trang web của UBND quận nơi tôi sinh sống. Từ đây, hãy phân loại thành các lĩnh vực giao thông, an toàn, môi trường để tóm tắt xem vấn đề nào đang khiến người dân cảm thấy bất tiện nhất, sau đó hãy viết một bản thảo bài phát biểu dài 1 phút của ứng cử viên nhằm giải quyết các vấn đề này."

2 Phân tích dữ liệu cử tri

Phân tích cử tri chính là việc nhìn nhận một cách sâu sắc xem những người đang sống tại khu vực của chúng ta thực sự là "ai".

Không chỉ đơn thuần là nắm bắt số lượng người sinh sống, mà chúng ta còn tìm hiểu về độ tuổi, loại hình nhà ở, và liệu họ có từng tham gia bầu cử trước đây hay không. Điều này được gọi là phân tích nhân khẩu học (Demographics). Nếu có dữ liệu, bạn có thể tránh được sai lầm khi phát cùng một loại danh thiếp cho cả một khu phố có nhiều sinh viên đại học ở độ tuổi 20 và một khu phố có nhiều người cao tuổi ở độ tuổi 70.

Cách thực hiện là sử dụng Cổng thông tin thống kê quốc gia (KOSIS) của Cục Thống kê Hàn Quốc hoặc thống kê dân số đăng ký cư trú của Bộ Hành chính và An toàn.

Những dữ liệu này bất kỳ ai cũng có thể xem miễn phí.

Chúng tôi thu thập dữ liệu về phân bố độ tuổi, tỷ lệ nam nữ, tỷ lệ hộ gia đình một người và loại hình nhà ở (chung cư/nhà riêng) theo từng phường trong khu vực bầu cử của mình. Khi kết hợp với dữ liệu kết quả bầu cử trong quá khứ từ Ủy ban Quản lý Bầu cử Trung ương, chúng ta có thể phác họa được sự khác biệt về tỷ lệ cử tri đi bỏ phiếu giữa các khu phố, cũng như xu hướng ủng hộ đảng phái nào.

Bước đi thực tế đầu tiên là chia khu vực thành các phân khu.

Khu vực A là khu vực trọng điểm mà sự ủng hộ dành cho đảng chúng ta là chắc chắn. Khu vực B là khu vực tranh chấp có thể lôi kéo được nếu thuyết phục thành công. Khu vực C là nơi cần phải thăm dò thêm. Khu vực D là nơi có nền tảng của đối phương rất vững chắc. Dựa trên kết quả các cuộc bầu cử trong quá khứ, việc phân loại này sẽ giúp chúng ta dễ dàng quyết định nên tập trung nguồn lực vào đâu.

Sau khi chia khu vực, chúng ta sẽ chia con người.

Việc phân loại con người bắt đầu một cách đơn giản.

Chỉ cần chọn ra khoảng 2~3 trục như độ tuổi (thanh niên/ trung niên/ cao tuổi), khu vực sinh sống (gần ga tàu/ khu vực trường học/ thành phố mới/ khu phố cũ), và các vấn đề quan tâm (giao thông/ nhà ở/ giáo dục/ việc làm).

Ví dụ, ta có thể thấy rằng phường A là nơi có nhiều thế hệ 2030 sinh sống nhưng tỷ lệ đi bầu thấp, trong khi phường B có nhiều người trên 60 tuổi và tỷ lệ đi bầu cao. Khi đó, ta sẽ lập ra chiến lược tùy chỉnh theo kiểu như: gửi thông điệp 'khuyến khích bỏ phiếu sớm' đến phường A, và nhấn mạnh vào cam kết 'mở rộng hỗ trợ các viện dưỡng lão' tại phường B.

Hơn thế nữa, có thể tính toán được 'Điểm xu hướng bỏ phiếu (Propensity Score)'.

Hệ thống tính toán điểm số từ 0 đến 100 về xác suất người này sẽ đi bỏ phiếu, cũng như xác suất họ sẽ ủng hộ ứng cử viên của chúng ta. Bằng cách học hỏi từ các mô hình bỏ phiếu trong quá khứ và dữ liệu nhân khẩu học, AI có thể đưa ra các ước tính như "Cử tri này có xu hướng chỉ đi bỏ phiếu trong các cuộc bầu cử lớn" hoặc "Khu vực này có xu hướng bỏ phiếu dựa trên nhân vật hơn là đảng phái".

Bằng cách sử dụng trí tuệ nhân tạo, khi nhập các đặc điểm của từng khu phố, chúng ta thậm chí có thể tạo ra các mô hình cử tri giả định (Persona). Nếu đặt câu hỏi: "Điều gì khiến chị Kim Young-hee, một người mẹ đi làm 35 tuổi sống tại khu phố này, cảm thấy khó khăn nhất?", AI sẽ chỉ ra những nỗi lo cụ thể như vấn đề nuôi dạy con cái, việc đi làm, hay sự bất an về giờ đón con tan học. Nếu xây dựng thông điệp dựa trên Persona này, nội dung sẽ dễ dàng chạm đến cảm xúc của các cử tri thực tế hơn.

Hãy cùng xem các trường hợp sử dụng.

Trong cuộc bầu cử địa phương vừa qua, một ứng cử viên hội đồng thành phố đã chia khu vực bầu cử của mình thành 5 khu vực mục tiêu siêu nhỏ (Micro-Target).

Khu vực nhà trọ quanh các trường đại học chủ yếu là các hộ gia đình gồm một người ở độ tuổi 20. Khu dân cư với những ngôi nhà cũ đã 30 năm tuổi chủ yếu là những người dân bản địa trên 60 tuổi. Các khu chung cư mới chuyển đến chủ yếu là các bậc phụ huynh ở độ tuổi 30-40. Các ứng cử viên đã được khớp với khu vực này dựa trên địa chỉ đã đăng ký trong cơ sở dữ liệu cử tri.

Tôi đã thay đổi nội dung khi gửi tin nhắn văn bản. Đối với khu vực tập trung nhiều nhà trọ một phòng (one-room), tôi đã gửi thông tin về "Mở rộng gấp đôi hệ thống CCTV để đảm bảo đường về nhà an toàn" và "Thông tin hỗ trợ tiền thuê nhà cho thanh niên". Tại các khu dân cư cũ, tôi nhấn mạnh vào việc "Triển khai dịch vụ hỗ trợ người cao tuổi đi bệnh viện" và "Đẩy nhanh tiến độ tái phát triển". Đối với các khu chung cư mới, tôi đã hứa hẹn về việc "Xây dựng nhà trẻ công lập trong khu dân cư" và "Xây dựng thư viện".

Thông qua phân tích dữ liệu, tôi cũng phát hiện ra rằng "các gia đình đa văn hóa có quyền bầu cử" chiếm một số lượng khá lớn tại một khu vực nhất định. Ngay lập tức, ứng cử viên đã cho in một lượng nhỏ danh thiếp có kèm cả tiếng Việt và tiếng Trung để sử dụng khi đến thăm khu vực đó. Sự quan tâm tỉ mỉ này đã tạo nên hiệu ứng truyền miệng, dẫn đến kết quả nhận được lượng phiếu bầu vượt ngoài mong đợi.

Tại các trại khác, chúng tôi đã từng phân tích dữ liệu về 'hộ gia đình nuôi thú cưng' trong khu vực.

Sau khi xác nhận rằng tỷ lệ hộ gia đình một người và người nuôi thú cưng tại một khu vực nhất định là rất cao, tôi đã thay đổi nhạc vận động tranh cử tại khu vực đó sang những bản nhạc nhẹ nhàng. Tôi cũng đã đưa ra lời hứa "mở rộng sân chơi cho thú cưng". Điều này đã giúp xây dựng hình ảnh một "ứng cử viên biết quan tâm" trong lòng những cư dân vốn không thích sự ồn ào của các buổi vận động, và kết quả là dẫn đến sự gia tăng tỷ lệ phiếu bầu thực tế.

Hiệu quả của việc phân tích này là giúp tối đa hóa hiệu suất của các chiến dịch tranh cử.

Bạn có thể tập trung vào những nơi có khả năng chuyển đổi thành phiếu bầu mà không lãng phí thời gian và chi phí tranh cử hữu hạn. Bạn sẽ không phải tiêu tốn thời gian và tiền bạc vào những người ủng hộ phe đối lập vốn không thể thuyết phục được. Ngược lại, bạn sẽ tập trung nguồn lực vào những 'Swing Voter' (cử tri dao động) – những người có thể thay đổi ý định nếu được thuyết phục. Đứng từ góc độ cử tri, họ cũng sẽ mở lòng với những ứng cử viên đưa ra những câu chuyện phù hợp với cuộc sống của họ. Thay vì những đại luận thuyết viển vông, sự ủng hộ sẽ đến khi các vấn đề ngay trước cửa nhà hay vấn đề của gia đình họ được chạm đến.

Việc chuyển đổi các ghi chép tại hiện trường thành dữ liệu cũng rất quan trọng.

Cho dù chỉ là một dòng văn bản, hãy đưa vào bảng. Đó có thể là những ghi chú như "Năm thứ 3 chuyển vào khu chung cư, khiếu nại về đỗ xe tăng cao", hay "Khiếu nại về đường đi học trước cổng trường lặp đi lặp lại". Những ghi chú này sau đó sẽ trở thành nguyên liệu cho các câu văn trong thử nghiệm A/B tin nhắn.

Khi thông tin thực địa định tính kết hợp với dữ liệu thống kê định lượng, chiều sâu của việc phân tích sẽ thay đổi.

[Ví dụ Prompt 1] "Khu vực C thuộc đơn vị bầu cử của chúng ta có tỷ lệ hộ gia đình một người chiếm hơn 40%, và cư dân ở độ tuổi 20 và 30 chiếm một nửa tổng số dân. Dựa trên dữ liệu này, hãy đề xuất 5 cam kết về 'So-hwak-haeng' (những hạnh phúc nhỏ bé nhưng chắc chắn) mà thanh niên trong khu vực này có thể đồng cảm nhất. Các đề xuất phải không tốn quá nhiều ngân sách và có thể thực hiện ngay lập tức bằng thẩm quyền của Quận trưởng." [Ví dụ Prompt 2] "Hãy so sánh dữ liệu dân số theo từng phường của thành phố chúng ta với dữ liệu tỷ lệ cử tri đi bỏ phiếu trong kỳ bầu cử vừa qua."

"Hãy tìm ra những khu vực giống như 'người khổng lồ đang ngủ quên' – nơi có dân số đông nhưng tỷ lệ cử tri đi bỏ phiếu lại thấp hơn mức trung bình toàn quốc, và hãy tạo ra 3 phiên bản thông điệp mục tiêu (loại đánh vào cảm xúc, loại đưa ra lợi ích, và loại nhấn mạnh vào khủng hoảng) để có thể thúc đẩy sự tham gia bỏ phiếu của họ."

3 Theo dõi Mạng xã hội · Tin tức

Nếu trước đây, nơi mọi người tụ tập bàn tán là các khu chợ, thì ngày nay, đó chính là Instagram, Facebook, các hội nhóm mẹ bỉm sữa địa phương và phần bình luận tin tức. Những câu chuyện trao đổi tại đây chính là dư luận nguyên bản nhất. Việc theo dõi những điều này theo thời gian thực được gọi là Giám sát mạng xã hội (Social Monitoring) hoặc Lắng nghe mạng xã hội (Social Listening).

Chúng ta cần phải nắm bắt được việc mọi người đang yêu thích hay ghét bỏ ứng cử viên của chúng ta, và họ đang thảo luận về những chủ đề gì.

Cách thức thực hiện bắt đầu từ việc xác định đối tượng cần giám sát.

Các đối tượng chính bao gồm bình luận trên Naver News, các hội nhóm mẹ bỉm sữa tại địa phương (Mom Cafe), mục Đời sống khu phố trên Karrot Market, X (Twitter cũ), bình luận trên YouTube, v.v. Ngay cả khi không có các công cụ trả phí đắt đỏ, bạn vẫn có thể thực hiện được ở một mức độ nhất định bằng cách tận dụng các chatbot trí tuệ nhân tạo.

Mỗi sáng, tôi đều tìm kiếm tên ứng cử viên của chúng ta và tên ứng cử viên đối thủ trên các cổng thông tin lớn, sau đó thu thập các bình luận dưới các bài báo hiện ra, cùng với các bài viết phổ biến trên các cộng đồng địa phương.

Văn bản thu thập được sẽ trải qua quá trình phân tích cảm xúc (Sentiment Analysis). Bạn có thể yêu cầu AI rằng: "Đây là 100 bình luận về ứng cử viên của chúng ta ngày hôm nay. Hãy phân loại giúp tôi xem tỷ lệ phản hồi tích cực là bao nhiêu phần trăm, và những phản hồi tiêu cực chủ yếu là do nguyên nhân gì".

AI có thể phân loại nhanh chóng xem mỗi bài viết là tích cực, tiêu cực hay trung lập. Nó không chỉ đơn thuần nhìn vào từ ngữ mà còn hiểu được ngữ cảnh. Thông qua quá trình học tập, AI cũng có thể nhận ra rằng câu nói "Giỏi thật đấy~" không phải là một lời khen mà là một lời mỉa mai.

Thực hiện mô hình hóa chủ đề (Topic Modeling) cùng với phân loại cảm xúc.

Đó là việc trích xuất ra những chủ đề mà mọi người cùng nhắc đến trong vô số các bài viết. Chúng ta sẽ nắm bắt xem khi nói về ứng cử viên, người ta đề cập nhiều đến vấn đề 'giao thông' hay vấn đề 'đạo đức'. Từ đó, chúng ta cố định các chủ đề vào những nhóm vấn đề mà chiến dịch có thể kiểm soát được.

Ví dụ như giao thông, bất động sản, giáo dục, an toàn, việc làm, phúc lợi, phát triển khu vực. Bạn chỉ cần tóm tắt kết quả phân loại khoảng 2 lần một ngày. Bản tóm tắt buổi sáng dùng để lập kế hoạch cho những việc sẽ làm hôm nay, còn bản tóm tắt buổi tối dùng để đánh giá những gì đã diễn ra trong ngày.

Việc xác định lộ trình lan truyền cũng rất quan trọng. Đó là tìm ra nơi bắt nguồn của những tin tức giả mạo tiêu cực. Khi một tin đồn như "Nghe nói ứng cử viên đã có những lời lẽ xúc phạm" lan truyền, hãy truy vết xem câu chuyện này xuất hiện lần đầu tiên ở đâu, là trong bình luận trên YouTube hay trong một nhóm chat KakaoTalk. Hãy yêu cầu AI: "Hãy tìm giúp tôi thời gian và trang web nơi bài viết chứa tin đồn này được đăng tải đầu tiên" để xác định nguồn gốc của sự việc.

Phải biết được điều này thì mới có thể ứng phó kịp thời để dập tắt ngọn lửa ngay từ giai đoạn đầu. Việc "vấn đề bùng phát từ đâu" quan trọng hơn là "ai là người bắt đầu". Cùng một chủ đề, nhưng nếu vấn đề bùng phát trên YouTube thì cách ứng phó đúng đắn là dùng video, còn nếu vấn đề bùng phát từ các hội nhóm địa phương thì việc tổ chức buổi giải thích trực tiếp sẽ nhanh chóng hơn.

Hệ thống cảnh báo cần phải có các quy tắc đơn giản.

Cảnh báo sẽ vang lên nếu tỷ lệ cảm xúc tiêu cực cao gấp 2 lần so với mức trung bình trong 24 giờ.

Nếu một từ khóa cụ thể tăng liên tục trong 6 giờ thì sẽ có cảnh báo.

Nếu các từ như 'tai nạn', 'tham nhũng', 'ưu đãi đặc biệt' xuất hiện kết hợp với tên địa phương, đó là một dấu hiệu cảnh báo.

Nếu thiết lập sẵn các quy tắc, người phụ trách có thể nhanh chóng nhận biết được vấn đề ngay cả khi có sự cố xảy ra vào rạng sáng.

Hãy cùng xem các trường hợp sử dụng.

Trong thời gian diễn ra bầu cử, đối phương đã bắt đầu thực hiện các cuộc tấn công tiêu cực. Ban vận động của chúng tôi đã ngay lập tức đưa ra thông cáo báo chí phản hồi, nhưng không nhận được phản ứng gì. Khi phân tích dữ liệu mạng xã hội, chúng tôi nhận thấy rằng mọi người không đọc vì nội dung giải trình quá dài và khó hiểu.

Thay vào đó, chúng tôi đã xác nhận được rằng các dạng tin tức dạng thẻ (Card News) được tóm tắt ngắn gọn đang được chia sẻ rất nhiều trong các nhóm chat cộng đồng tại địa phương. Ban tổ chức chiến dịch đã ngay lập tức tạo và phân phối hình ảnh tóm tắt nội dung giải trình trong 3 dòng, từ đó có thể ngăn chặn sự lan truyền của các dư luận tiêu cực.

Cũng có những trường hợp khác.

Chúng tôi đã kích hoạt hệ thống giám sát mạng xã hội khi những phát ngôn trong quá khứ của ứng cử viên bắt đầu gây tranh cãi.

Kết quả phân tích của AI xác nhận rằng, mặc dù trên Twitter đang có những sự chỉ trích dữ dội, nhưng tại các hội nhóm mẹ bỉm sữa địa phương và Band lại không có phản ứng gì đặc biệt.

AI đã phân tích rằng: "Vấn đề này chỉ là chủ đề bàn tán của nhóm cử tri có mức độ quan tâm chính trị cao trên toàn quốc, chứ không phải là mối quan tâm thực sự của các cử tri tại địa phương". Thay vì làm lớn chuyện bằng những lời giải thích không cần thiết, chiến dịch đã chọn chiến lược âm thầm tập trung vào các cam kết tại địa phương và đã vượt qua được cuộc khủng hoảng.

Hiệu quả lớn nhất của hệ thống này chính là vai trò 'cảnh báo sớm'.

Trong trại, mọi người đều chỉ nói những điều tốt đẹp như "có vẻ sẽ thắng", nhưng trên mạng, bầu không khí có thể đã trở nên tồi tệ. Điều này giúp bạn nhanh chóng nhận ra sự khác biệt đó.

Chúng ta có thể phát hiện và dập tắt những đốm lửa nhỏ trước khi chúng trở thành một vụ cháy rừng. Ngược lại, khi bất kỳ hình ảnh hay phát ngôn nào của ứng cử viên chúng ta đột ngột trở nên phổ biến, chúng ta cũng nắm bắt được cơ hội để không bỏ lỡ và lan tỏa chúng rộng rãi hơn nữa.

Thay vì nỗi sợ hãi mơ hồ, bạn sẽ có thể đưa ra những phản ứng quyết đoán dựa trên dữ liệu.

Kết quả phân tích sẽ được tổng hợp thành 'Issue Briefing Chương 1'. Nội dung bao gồm: tên vấn đề, kênh lan truyền, 3 câu tiêu biểu, tỷ lệ cảm xúc, 5 câu hỏi dự kiến và 3 dòng phản hồi khuyến nghị. Có được 1 trang này, đội ngũ sẽ ít rơi vào tình trạng hỗn loạn hơn. Ngay cả khi cùng nhìn vào một vấn đề, các thành viên trong nhóm cũng sẽ sử dụng cùng một thuật ngữ để trao đổi.

[Ví dụ Prompt 1] "Sau đây là 200 bài viết liên quan đến ứng cử viên của chúng ta được đăng trên các hội nhóm mẹ bỉm sữa địa phương và Twitter trong ngày hôm nay. Hãy chấm điểm cảm xúc trên thang điểm 100 để xem bầu không khí tổng thể là tích cực hay tiêu cực. Đồng thời, hãy trích xuất các từ ngữ xuất hiện chung trong các bài viết tiêu cực (ví dụ: kiêu ngạo, muộn màng, v.v.) và đưa ra lời khuyên về việc chúng ta nên thay đổi thái độ như thế nào." [Ví dụ Prompt 2] "Tôi đã thu thập 50 bình luận từ các bài báo liên quan đến cam kết 'phản đối xây dựng sân bay mới' mà đối thủ vừa công bố gần đây. Hãy chia các bình luận này thành nhóm ủng hộ và nhóm phản đối, sau đó tóm tắt các luận điểm chính mà mỗi nhóm đang sử dụng để tranh luận. Hãy phân tích xem chúng ta nên đứng ở lập trường nào trong cuộc tranh luận này để có lợi nhất trong việc thu hút lá phiếu từ nhóm cử tri trung lập."

4 Tam giác hóa dữ liệu: Khảo sát dư luận + Phản hồi thực địa + Cảm xúc trực tuyến

Thuật ngữ Phép tam giác đạc (Data Triangulation) bắt nguồn từ việc kết nối ba điểm trên bản đồ để xác định vị trí của chính mình.

Trong bầu cử, việc chỉ tin vào một nguồn thông tin duy nhất cũng rất nguy hiểm. Các con số trong thăm dò ý kiến có thể khả quan, nhưng phản ứng thực tế tại các buổi vận động tranh cử có thể lại rất lạnh nhạt. Trên mạng có thể đang bùng nổ tranh luận, nhưng điều đó có thể vẫn chưa được phản ánh vào các cuộc thăm dò ý kiến. Vì vậy, cần phải kết hợp cả ba yếu tố này để đưa ra nhận định một cách tổng thể.

Chuẩn bị ba loại dữ liệu.

Thứ nhất, là kết quả thăm dò ý kiến bằng con số. Chúng ta sẽ xem xét xu hướng tỷ lệ ủng hộ thu được thông qua các cuộc khảo sát ARS hoặc phỏng vấn qua điện thoại.

Thứ hai, là phản ứng của cử tri được các nhân viên vận động ghi chép lại tại hiện trường. Các nội dung được ghi lại bao gồm: việc họ có nhận danh thiếp khi được đưa hay từ chối, lực nắm tay thế nào khi bắt tay, và những câu hỏi mà người dân hỏi nhiều nhất là gì.

Thứ ba, là điểm số cảm xúc của các bình luận trực tuyến đã được phân tích ở trên. Chúng ta sẽ tập hợp ba loại dữ liệu khác biệt này vào cùng một trang.

Cách thức thực hiện là lập 'Báo cáo tổng hợp hàng ngày' vào mỗi buổi tối. Xác định các trục thống nhất bao gồm: thời gian (tuần/ngày), khu vực (phường/xã/thị trấn/vùng), và chủ đề (topic). Ánh xạ các câu hỏi khảo sát dư luận vào các nhóm chủ đề (topic basket). Các ghi chú hiện trường cũng được gắn cùng một thẻ chủ đề (Tag). Dữ liệu trực tuyến cũng được phân loại bằng cùng một thẻ đó. Khi đó, các bảng biểu sẽ khớp với nhau và việc so sánh sẽ trở nên khả thi.

Nếu chuyển đổi ba tín hiệu này thành thang điểm từ 0 đến 100, mọi thứ sẽ trở nên rõ ràng hơn. Tín hiệu dư luận bao gồm sự thay đổi trong tỷ lệ ủng hộ và thứ tự ưu tiên của các vấn đề. Tín hiệu thực địa bao gồm tỷ lệ phản hồi tích cực, tần suất các câu hỏi phản đối và các khiếu nại lặp đi lặp lại.

Các tín hiệu trực tuyến bao gồm sự thay đổi về lượng đề cập và tỷ lệ cảm xúc tiêu cực. Khi tạo ra điểm số, bạn có thể nhanh chóng quan sát xem "ba tín hiệu này đang cùng hướng hay khác hướng nhau".

Hãy đưa ba dữ liệu này cho AI và ra lệnh: "Hãy phân tích xem ba nguồn này khớp với nhau hay mâu thuẫn với nhau".

Ví dụ, nếu các cuộc thăm dò dư luận cho thấy ứng cử viên của chúng ta đang dẫn trước 10%, nhưng các tình nguyện viên tại hiện trường lại báo cáo rằng "bầu không khí đang quá lạnh lẽo", và trên mạng xã hội, một sai lầm nhất định trong phát ngôn đang liên tục được chia sẻ, thì đây chính là một tín hiệu nguy hiểm.

Rất có khả năng các cuộc thăm dò ý kiến chưa phản ánh được đà sụt giảm hiện tại vì dữ liệu đã được thu thập từ vài ngày trước. Ngược lại, nếu kết quả thăm dò đang đi xuống nhưng phản ứng tại hiện trường và trên mạng xã hội lại trở nên sôi nổi, thì đó là tín hiệu cho thấy chúng ta đang trên đà đi lên và cần phải đẩy mạnh hơn nữa.

Thiết lập trước các quy tắc xử lý xung đột. Nếu có từ 2 tín hiệu trở lên cùng hướng thì sẽ có mức độ ưu tiên cao hơn.

Chỉ cần một chỉ số có sự biến động bất thường, chúng tôi sẽ cần kiểm tra thêm. Chúng tôi sẽ thực hiện một bước xác nhận nhỏ như thực hiện 20 cuộc gọi điện thoại hoặc phỏng vấn 10 người tại hiện trường. Nếu cả ba tín hiệu đều cho thấy sự phân tách, chúng tôi sẽ xác nhận thông qua thử nghiệm thông điệp (A/B testing).

Hãy cùng xem các trường hợp sử dụng.

Một chiến dịch tranh cử đang rơi vào bầu không khí ảm đạm vì liên tục thất thế trong các cuộc thăm dò dư luận.

Tuy nhiên, khi phân tích dữ liệu tích hợp, có thể thấy lượng đề cập trên các cộng đồng trực tuyến mà độ tuổi 20 và 30 sử dụng đang tăng vọt, và nội dung cũng đang dần trở nên tích cực hơn.

Đội vận động tranh cử tại hiện trường cũng báo cáo rằng "giới trẻ là những người đến trước và chủ động đưa tay ra bắt".

Dựa vào tín hiệu này, phe chiến dịch đã tin tưởng và tăng cường các buổi phát trực tiếp trên YouTube nhắm vào giới trẻ. Cuối cùng, họ đã thành công trong việc lật ngược thế cờ vào phút chót. Thành quả này có được là nhờ việc đọc được dòng chảy ẩn sau những con số của các cuộc thăm dò dư luận trước tiên.

Cũng có những trường hợp khác.

Tại một chiến dịch tranh cử thị trưởng, họ đã liên tục bị tụt lại phía sau với khoảng cách 5 %p trong các cuộc thăm dò dư luận.

Bên trong văn phòng tranh cử bao trùm một cảm giác thất bại. Tuy nhiên, Trưởng nhóm dữ liệu đã đưa ra bản báo cáo tam giác đạc. "Các cuộc thăm dò dư luận đã đình trệ suốt hai tuần qua, nhưng lượng tìm kiếm ứng cử viên của chúng ta trên mạng trực tuyến đã bắt đầu vượt qua đối thủ. Quan trọng nhất là tỷ lệ nhận danh thiếp tại các địa điểm vận động tranh cử đã tăng vọt từ 30% tuần trước lên 60% tuần này. Đây là tín hiệu cho thấy các cử tri thầm lặng (Shy Voters) đang bắt đầu chuyển động." Tin vào phân tích này, văn phòng tranh cử đã dồn toàn bộ nguồn lực vào chiến dịch vận động quy mô lớn ở giai đoạn cuối.

Chúng tôi đã tập trung vận động cho cam kết "giảm nửa chi phí đi lại", vốn là nội dung nhận được phản ứng tích cực nhất từ hiện trường. Kết quả là chúng tôi đã giành chiến thắng sít sao với cách biệt 1.5 %p, lật ngược dự đoán của các cơ quan thăm dò dư luận.

Hiệu quả của phương pháp này là giúp ngăn chặn "thiên kiến xác nhận". Con người vốn có thói quen chỉ nhìn thấy những gì mình muốn thấy, nên rất dễ rơi vào ảo tưởng rằng cuộc bầu cử đang diễn ra tốt đẹp khi chỉ nghe những lời ủng hộ kiểu như "Ứng cử viên là tuyệt nhất". Tuy nhiên, khi chồng lớp 3 nguồn dữ liệu khách quan lên nhau, thực tế thật sự sẽ hiện ra. Bạn có thể đưa ra quyết định chính xác về việc nên tập trung thêm nguồn lực của chiến dịch vào đâu. Nó giúp lấp đầy những khoảng trống giữa các tín hiệu từ các nguồn dữ liệu khác nhau để xóa bỏ các điểm mù. Khi chiến dịch đang đi sai hướng, các chỉ số khách quan sẽ giúp điều chỉnh lại lộ trình.

Khi tổng hợp kết quả, hãy tạo một 'Báo cáo tổng hợp hàng tuần'. Đặt 10 chủ đề cùng với 3 chỉ số tín hiệu cạnh nhau. Thêm 1 dòng về hành động của camp ở phía bên phải. Ví dụ như: "Giao thông: 2 buổi hướng dẫn, 3 bản tin card news, điều chỉnh lộ trình khiếu nại tại hiện trường". Như vậy, tranh luận sẽ giảm đi và việc thực thi sẽ tăng lên.

[Ví dụ Prompt 1] "Đây là ba nguồn dữ liệu. Thứ nhất là tỷ lệ ủng hộ trong cuộc thăm dò ý kiến tuần này (không thay đổi); thứ hai là nhật ký của các tình nguyện viên tại hiện trường vận động (phản ứng từ người cao tuổi tốt, nhưng người trẻ không có phản ứng); thứ ba là kết quả phân tích SNS (các bài đăng chế giễu ứng cử viên của chúng ta đang tăng đột biến trong giới trẻ). Hãy tổng hợp cả ba yếu tố này để chẩn đoán tình hình hiện tại của chiến dịch, và đưa ra phương án xử lý khẩn cấp nhằm xoay chuyển lòng dân trong giới trẻ." [Ví dụ Prompt 2] "Hãy cùng tổng hợp dữ liệu của 3 ngày vừa qua. Các cuộc thăm dò ý kiến đang có xu hướng tăng, nhưng trên mạng thì đang xôn xao về những tranh cãi liên quan đến phát ngôn trong quá khứ của ứng cử viên chúng ta. Tại hiện trường, không có sự phản đối đặc biệt nào. Liệu có thể xem tình trạng này là giai đoạn mà những tranh cãi trên mạng vẫn chưa lan đến các cử tri trực tiếp (offline) không? Hãy dự đoán 2 kịch bản (lạc quan và bi quan) về việc những tranh cãi này sẽ ảnh hưởng thế nào đến tâm lý cử tri tại hiện trường trong thời gian tới."

5 Tạo biến thể A/B cho tin nhắn và lựa chọn dựa trên hiệu suất

Thời đại mà khi quyết định các câu khẩu hiệu hay slogan tranh cử, các ứng cử viên và vài nhân viên tham mưu chỉ tụ họp lại trong phòng họp rồi quyết định dựa trên cảm tính kiểu "cái này hay này, cái kia tốt đấy" đã qua rồi.

Cùng một nội dung, nhưng tùy thuộc vào cách diễn đạt mà phản ứng của cử tri sẽ khác biệt một trời một vực.

Phương pháp kiểm tra một cách khoa học chính là thử nghiệm A/B (A/B Test). Đây là phương thức tạo ra từ hai phiên bản khác nhau trở lên để quan sát phản ứng, từ đó lựa chọn ra phiên bản tốt hơn.

Phương pháp thực hiện được tóm tắt thành 5 bước.

Thứ nhất, cố định mục tiêu duy nhất. Hãy quyết định xem sẽ dựa trên tiêu chí nào để phân định thắng thua giữa các chỉ số: tỷ lệ nhấp (CTR), lượt xem video, phản hồi khảo sát, phản hồi tin nhắn hay đăng ký sự kiện.

Thứ hai, giới hạn yếu tố thay đổi ở mức 1 đơn vị. Chỉ thay đổi duy nhất câu đầu tiên, hoặc chỉ thay đổi cách trình bày con số, hoặc chỉ thay đổi cách thức kêu gọi. Nếu thay đổi nhiều thứ cùng một lúc, bạn sẽ không thể biết được yếu tố nào thực sự mang lại hiệu quả.

Thứ ba, chia mẫu. Tạo nhóm A và nhóm B một cách ngẫu nhiên (Random).

Thứ tư, ghi lại kết quả. Ghi kèm theo số lượt hiển thị, số lượt tương tác và tỷ lệ tương tác.

Thứ năm, lưu câu dài này thành một quy tắc tái sử dụng. Ví dụ như quy tắc: "Năm 2030, các câu về tiết kiệm chi phí và thời gian sẽ nhận được phản hồi tốt".

Sử dụng trí tuệ nhân tạo sẽ giúp việc tạo ra các biến thể trở nên dễ dàng hơn.

Cung cấp cho AI thông điệp cốt lõi mà bạn muốn truyền tải (ví dụ: phục hồi nền kinh tế). Sau đó, hãy yêu cầu: "Dựa trên nội dung này, hãy tạo 5 tiêu đề tin nhắn văn bản thu hút giới trẻ ở độ tuổi 20 và 5 tiêu đề thu hút người ở độ tuổi 60 với các tông giọng khác nhau".

AI có thể tạo ra hàng chục câu văn với nhiều phong cách khác nhau như phiên bản cảm xúc, phiên bản lý tính tập trung vào con số, hay phiên bản dưới dạng câu hỏi chỉ trong vòng 1 phút, ngay cả khi cùng một nội dung.

Các nội dung được tạo ra như thế này sẽ được gửi thử nghiệm trước cho một nhóm nhỏ.

Một phương pháp khác là chạy nhiều quảng cáo Facebook với ngân sách nhỏ. Có những nội dung có thể đạt tỷ lệ nhấp (CTR) lên tới 20%, nhưng cũng có những nội dung thậm chí không đạt nổi 1%. Khi nhìn vào dữ liệu, bạn sẽ nhận ra rằng: "À, mọi người thích những cụm từ cụ thể như 'sự thay đổi giúp lương của tôi tăng lên' hơn là những từ ngữ khô khan như 'phát triển kinh tế'". Sau đó, hãy chọn ra thông điệp có hiệu quả tốt nhất để gửi hàng loạt đến toàn bộ cử tri.

Không chỉ văn bản, phương pháp này còn có thể được áp dụng cho cả poster hình ảnh, nội dung băng rôn và tiêu đề hình thu nhỏ (thumbnail) trên YouTube.

Tạo hai phiên bản ảnh của ứng cử viên, một bản đang cười và một bản nghiêm túc rồi đăng lên mạng, sau đó sử dụng bản có lượt 'Like' tăng nhanh hơn để làm poster chính. AI không chỉ đơn thuần là thay đổi câu chữ, mà còn phân tích xem khi kết hợp với hình ảnh nào thì sẽ đạt hiệu quả tốt nhất, cũng như sự khác biệt giữa việc có sử dụng biểu tượng cảm xúc và không sử dụng.

Tuyển chọn dựa trên thành tích không chỉ dừng lại ở những con số.

Chúng tôi cũng xem xét chất lượng bình luận, phản ứng tại hiện trường và phản ứng của truyền thông. Điều này liên quan đến phương pháp tam giác đạc. Nếu một câu văn thắng được qua thử nghiệm A/B nhưng lại bị chỉ trích tại hiện trường, chúng tôi sẽ không viết dài dòng nữa.

Viết ngắn gọn và kèm theo giải thích. Điểm mấu chốt không phải là 'sản xuất hàng loạt' mà là 'sàng lọc hàng loạt'. Nếu tạo ra nhiều mà không thể chọn lọc được thì chỉ làm tăng thêm rác thải mà thôi.

Hãy cùng xem xét một ví dụ.

Một ứng cử viên giám đốc sở giáo dục đã đưa ra cam kết về việc 'cải thiện chất lượng bữa ăn học đường'.

Ban đầu, tôi đã sử dụng cụm từ "Mở rộng bữa ăn miễn phí thân thiện với môi trường", nhưng phản ứng nhận lại rất mờ nhạt. Vì vậy, tôi đã sử dụng AI để tạo ra nhiều biến thể khác nhau.

Phương án A là "Sẽ bảo vệ bữa ăn của trẻ một cách an toàn", phương án B là "Mẹ ơi, bữa trưa hôm nay thực sự rất ngon!", và phương án C là "Bữa ăn học đường lành mạnh không có GMO".

Kết quả thử nghiệm quy mô nhỏ cho thấy các phụ huynh có tỷ lệ nhấp chuột cao áp đảo vào phương án B đầy cảm xúc. Camp đã ngay lập tức thay đổi toàn bộ nội dung banner sang phương án B và nhận được sự hưởng ứng nồng nhiệt từ các phụ huynh.

Cũng có những trường hợp khác.

Một ứng cử viên đã đưa ra cam kết về việc "giảm thiểu ùn tắc giao thông". Sử dụng AI, hai phiên bản tin nhắn đã được tạo ra. Phiên bản A là một thông điệp mang tính lý trí: "Chúng tôi sẽ mở rộng đường bộ để giảm 30 phút thời gian đi làm", và phiên bản B là một thông điệp mang tính cảm xúc: "6 giờ tối, chúng tôi sẽ trả lại bữa tối ấm áp bên gia đình cho bạn". Kết quả thử nghiệm quy mô nhỏ cho thấy tỷ lệ phản hồi của phiên bản B cao gấp 3 lần.

Chiến dịch ngay lập tức thay đổi toàn bộ biểu ngữ và chủ đề của các bài diễn thuyết tranh cử thành 'Thời gian bên gia đình', và đã nhận được sự đồng cảm lớn từ các cử tri.

Số lượng tin nhắn có thể gửi trong thời gian vận động tranh cử bị giới hạn và cũng tốn kém chi phí. Thay vì gửi những tin nhắn chưa được kiểm chứng rồi bị phớt lờ, việc gửi những tin nhắn chắc chắn sẽ tạo được phản hồi sẽ kinh tế và hiệu quả hơn nhiều.

Thay vì để các tham mưu tranh cãi trong phòng họp chiến dịch rằng "câu này hay, câu kia tốt", bạn có thể sử dụng những câu từ chiến thắng đã được chứng minh bằng dữ liệu. Ngay cả khi chiến dịch có thất bại, dữ liệu vẫn sẽ còn lại. Điều này giúp những câu tiếp theo trở nên tốt hơn một cách nhanh chóng.

Việc tạo ra một quy trình ứng dụng sẽ giúp giảm chi phí sản xuất và tăng tính nhất quán.

Tạo 20 nội dung cho banner, sau đó thực hiện A/B testing với tiêu đề văn bản, rồi tái sử dụng nội dung dài này làm phụ đề cho YouTube Shorts. Cùng một thông điệp nhưng độ dài sẽ khác nhau tùy theo từng kênh.

[Ví dụ Prompt 1] "Tôi định gửi tin nhắn thông báo về chiến dịch vận động thăm chợ truyền thống vào cuối tuần này. Nội dung chính là 'Ghé thăm chợ Nambu lúc 2 giờ chiều, trò chuyện cùng các tiểu thương'. Với nội dung này, hãy viết giúp tôi 3 phiên bản: 1) Phiên bản lịch sự và nhã nhặn, 2) Phiên bản năng động và tràn đầy năng lượng, 3) Phiên bản dạng câu hỏi gây tò mò. Hãy viết ngắn gọn trong vòng 40 ký tự." [Ví dụ Prompt 2] "Chúng ta cần phải quyết định tiêu đề cho video YouTube Shorts mà chúng ta đã tạo. Nội dung video là về việc ứng cử viên đang nhảy múa để giao lưu với giới trẻ. Hãy đề xuất 5 tiêu đề vừa dí dỏmin, vừa không quá giật gân nhưng có thể thu hút lượt click. Hãy giải thích rõ mỗi tiêu đề đang nhắm đến hiệu ứng tâm lý nào (tò mò, vui vẻ, cảm động, v.v.)."

6 Quản lý mệt mỏi do tiếp xúc: Thiết kế tần suất liên lạc tối ưu

Một trong những lời phàn nàn thường gặp nhất trong các kỳ bầu cử là "Đừng gửi tin nhắn nữa". Dù lời hứa tranh cử có tốt đến đâu, nếu gửi tin nhắn không đúng lúc đúng chỗ thì cũng sẽ trở thành sự phiền nhiễu (Spam). Điều này có thể khiến cử tri cảm thấy khó chịu và từ chối nhận tin, thậm chí còn có thể khiến họ chuyển sang bầu cho đối thủ vì ác cảm.

Quản lý điều này chính là quản lý sự mệt mỏi do tiếp xúc (Contact Fatigue). Điểm mấu chốt là liên lạc một cách 'vừa đủ' và 'chỉ khi cần thiết'.

Phương pháp thực hiện là quản lý cơ sở dữ liệu (DB) một cách tỉ mỉ.

Sử dụng Excel hoặc các chương trình quản lý bầu cử để ghi lại thời gian và số lần chúng ta đã liên lạc với từng cử tri. Đối với mỗi người, chỉ cần có ba cột: 'Ngày liên lạc cuối cùng', 'Số lần liên lạc trong 30 ngày gần nhất' và 'Phản hồi gần đây nhất'. Sau đó, hãy thêm vào đây một cột 'Điểm mức độ phiền hà'.

Điểm độ mệt mỏi được tính toán một cách đơn giản.

Gửi tin nhắn được +1 điểm, trả lời tự động (ARS) được +3 điểm, gọi điện trực tiếp được +5 điểm, từ chối nhận tin hoặc khiếu nại được +100 điểm (loại trừ vĩnh viễn). Thiết kế sao cho điểm mệt mỏi sẽ giảm dần theo thời gian. Thiết lập quy tắc rằng "không thực hiện bất kỳ liên lạc nào trong vòng 3 ngày đối với những người có điểm mệt mỏi từ 10 điểm trở lên".

Thiết lập các tiêu chuẩn khác nhau theo từng nhóm.

Nhóm ủng hộ nhiệt thành (Nhóm A) ít khi rời bỏ dù được liên lạc thường xuyên. Hình thức tiếp cận phù hợp là các tương tác ngắn mang tính chất vận động bầu cử (GOTV: Get Out The Vote). Nhóm cần thuyết phục (Nhóm B) coi trọng sự tin cậy về nội dung hơn là tần suất. Không nói dài dòng. Kết thúc bằng 1 bằng chứng và 1 lời hứa. Nhóm đang thăm dò (Nhóm C) thì nên hạn chế tiếp xúc, chỉ tăng dần khi thấy có phản hồi. Đối với người quyên góp, không nên yêu cầu quá thường xuyên, thay vào đó hãy báo cáo kết quả thực hiện thường xuyên hơn.

Các quy tắc thực thi bắt đầu một cách đơn giản.

Các kênh tiếp cận (tin nhắn) sẽ được bắt đầu với tần suất dưới 1 lần/tuần. Nếu có phản hồi (xem, phản hồi, tham gia sự kiện), tần suất sẽ được mở rộng lên đến 2 lần/tuần. Nếu không có phản hồi trong 3 lần liên tiếp, sẽ tiến hành thay đổi kênh (gọi điện, đến thăm trực tiếp, Kakao Channel, v.v.) hoặc tạm dừng một thời gian. Hình thức tin nhắn sẽ được luân phiên. Ví dụ: sau phần giải thích cam kết là ảnh thực tế tại hiện trường, tiếp theo là thông báo lịch trình, và sau đó là lời cảm ơn.

Sử dụng trí tuệ nhân tạo sẽ giúp mọi thứ trở nên tinh vi hơn.

Hệ thống sẽ tự động đưa ra phán đoán rằng: "Cử tri này đã không nhấp vào tin nhắn lần trước. Hãy tạm dừng không gửi tin nhắn cho họ trong 2 tuần tới để tránh làm phiền". Nếu phát hiện ra một quy luật như: "Người này luôn kiểm tra tin nhắn được gửi vào lúc 7 giờ tối?", hệ thống sẽ lên lịch luôn gửi tin nhắn cho họ vào đúng 7 giờ tối. AI sẽ học hỏi lịch sử phản hồi của cử tri để chấm điểm mức độ mệt mỏi do tiếp xúc, và đưa ra dự đoán rằng: "Có 80% khả năng cử tri này sẽ chặn tin nhắn nếu chúng ta gửi quá 2 lần một tuần".

Điều này cũng quan trọng trong việc quản lý nhà hảo tâm.

Nếu lần nào cũng chỉ gửi tin nhắn xin tiền, mọi người sẽ thấy mệt mỏi và rời đi. Hãy thiết lập một quy tắc kiểu như "quy tắc 3:1", tức là cứ 3 lần đưa tin tức thì mới có 1 lần yêu cầu ủng hộ. Việc tiếp tục yêu cầu ngay sau khi vừa nhận được tiền ủng hộ là một sự bất lịch sự lớn. Sau khi gửi tin nhắn "Cảm ơn", hãy đợi ít nhất 2 tuần rồi mới yêu cầu ủng hộ trở lại, trong thời gian đó chỉ nên gửi tin tức về chính sách hoặc lời hỏi thăm.

Tại văn phòng của một nghị sĩ Quốc hội, các cử tri đã được phân loại thành 'nhóm ủng hộ nhiệt thành', 'nhóm quan tâm' và 'nhóm không quan tâm'.

Tôi đã gửi tin tức về chiến dịch mỗi ngày cho những người ủng hộ nhiệt thành, nhưng đối với những người không quan tâm, tôi chỉ gửi tin nhắn đúng 3 lần trong suốt cả kỳ bầu cử, vào những thời điểm công bố các cam kết quan trọng nhất.

Kết quả là tỷ lệ từ chối nhận tin nhắn ở nhóm không quan tâm đã giảm đi đáng kể, ngược lại, chúng tôi còn nhận được rất nhiều phản hồi rằng họ đã thay đổi quyết định sau khi xem 3 tin nhắn đó vào giai đoạn cuối của cuộc bầu cử.

Đòn tấn công chính xác đã thành công hơn là một cuộc oanh tạc bừa bãi.

Ở các trại khác, trước đây họ thường gửi tin nhắn hàng loạt một lần mỗi ngày một cách ngẫu nhiên.

Ngay lập tức, các yêu cầu từ chối nhận tin nhắn đổ về dồn dập. Sau khi áp dụng hệ thống AI, chúng tôi đã thay đổi chiến lược.

AI đã phân loại cử tri theo từng giai đoạn phản ứng, và thiết lập để chỉ gửi những thông tin thực sự cần thiết một cách rất thưa thớt tới nhóm người thờ ơ. Ngược lại, đối với nhóm người ủng hộ nhiệt thành, AI thường xuyên gửi các thông điệp nhằm thúc đẩy sự tham gia của họ.

Kết quả là tỷ lệ từ chối nhận tin nhắn đã giảm đáng kể, trong khi tỷ lệ mở tin nhắn lại tăng lên. Các cử tri đã đưa ra những đánh giá tích cực rằng: "Ứng cử viên này không làm phiền chúng tôi mà chỉ nói những điều cần thiết".

Hiệu ứng này giúp bạn không bị mất đi những người ủng hộ quý giá.

Bầu cử là một trò chơi nhằm thu hút thêm nhiều người về phía mình, vì vậy không được phép xua đuổi cả những người vốn đã ủng hộ mình. Nếu biết cách quản lý tần suất tiếp cận, cử tri sẽ nghĩ rằng "Ứng cử viên này không làm phiền mình, chỉ gửi những tin tức thực sự quan trọng thôi", và từ đó họ sẽ không từ chối nhận tin nhắn.

Những người đóng góp cũng cảm thấy được tôn trọng, từ đó trở thành những nhà tài trợ lâu dài. Điều này giúp tiết kiệm chi phí gửi tin nhắn hàng loạt một cách ngẫu nhiên, đồng thời ngăn chặn việc các thông tin liên lạc quý giá bị chặn và dẫn đến việc mất liên lạc vĩnh viễn.

Khi tổng hợp kết quả, hãy tạo một 'Lịch liên lạc hàng tuần'.

Thứ Hai gửi lời chào ngắn gọn đến nhóm ủng hộ, thứ Tư gửi các thẻ vấn đề đến nhóm cần thuyết phục, và thứ Sáu gửi báo cáo thành tích đến các nhà tài trợ. Nếu gửi cùng một loại nội dung vào cùng một ngày cho cùng một người, sự mệt mỏi sẽ giảm bớt và tính dự đoán sẽ tăng lên. Cũng tạo ra cả các cảnh báo tự động. Chẳng hạn như quy tắc: "Cảnh báo nếu vượt quá 6 lần trong 30 ngày".

[Ví dụ Prompt 1] "Tôi muốn phân tích danh sách người ủng hộ của chúng ta để chấm điểm mức độ mệt mỏi khi nhận tin nhắn. Tiêu chí bao gồm: 1) Số lần gửi tin nhắn trong một tuần gần đây, 2) Việc có nhấp vào liên kết trong tin nhắn hay không, 3) Có phản hồi hay không. Hãy phân loại những người đã được gửi tin nhắn từ 3 lần trở lên nhưng chưa từng nhấp vào liên kết là 'Nhóm có nguy cơ mệt mỏi'. Đối với nhóm này, hãy tạm dừng gửi tin nhắn và soạn giúp tôi một bản thảo tin nhắn hỏi thăm thật lịch sự để gửi cho họ sau 2 tuần nữa." [Ví dụ Prompt 2] "Hãy lập kế hoạch gửi tin nhắn cảm ơn cho các nhà tài trợ lớn. Chỉ còn 3 tháng nữa là đến ngày bầu cử. Tôi muốn duy trì sự kết nối để họ không quên mình, nhưng không được liên lạc quá thường xuyên gây áp lực. Hãy lên kế hoạch nội dung tin nhắn theo từng ngày, với tần suất hai tuần một lần, tập trung thuần túy vào việc báo cáo thành quả rằng chiến dịch đang tiến triển tốt mà không kèm theo yêu cầu quyên góp."