-
Thiết kế khảo sát hiệu quả trong nghiên cứu khách hàng bằng AI
Sự khác biệt giữa một cuộc khảo sát tốt và một cuộc khảo sát tồi không nằm ở độ dài hay độ phức tạp. Mà nằm ở chất lượng của các câu hỏi. -
Tổng quan về các phương pháp nghiên cứu khách hàng bằng AI
Tìm hiểu các phương pháp nghiên cứu khách hàng chính - khảo sát, phỏng vấn, phân tích và quan sát - và một khung lý thuyết để lựa chọn phương pháp phù hợp cho bất kỳ câu hỏi nào.
-
Những phương pháp nghiên cứu khách hàng với sự hỗ trợ của AI
Nắm vững các phương pháp nghiên cứu khách hàng với sự hỗ trợ của AI. Học về khảo sát, phỏng vấn, lập hồ sơ khách hàng, bản đồ hành trình khách hàng. -
Phân tích dữ liệu từ đầu đến cuối với AI
Bài học này sẽ hướng dẫn bạn thực hiện một phân tích đầy đủ - từ câu hỏi kinh doanh đến đề xuất. Bạn sẽ thấy mỗi kỹ năng trong khóa học này kết nối với nhau như thế nào trong một quy trình làm việc. -
Xây dựng kế hoạch phân tích dữ liệu có thể tái sử dụng
Trong bài học trước, chúng ta đã tìm hiểu về việc tạo báo cáo cho các đối tượng khác nhau. Bây giờ, hãy xây dựng dựa trên nền tảng đó. Hầu hết các công việc phân tích đều mang tính lặp lại.
-
Báo cáo dành cho các đối tượng khác nhau khi phân tích dữ liệu bằng AI
Trong bài học trước, chúng ta đã khám phá cách tìm hiểu sâu dữ liệu phân tích bằng AI, chứ không chỉ là những con số. Bây giờ, hãy xây dựng trên nền tảng đó. Cùng một phân tích cần được trình bày khác nhau cho những đối tượng khác nhau. -
Tìm hiểu sâu dữ liệu phân tích bằng AI
Trong bài học trước, chúng ta đã khám phá những cách trực quan hóa dữ liệu bằng AI. Bây giờ, hãy xây dựng trên nền tảng đó. Đây là những gì hầu hết các quá trình phân tích dữ liệu tạo ra. -
Trực quan hóa dữ liệu bằng AI
Hình ảnh trực quan tốt làm cho một mô hình trở nên rõ ràng. Một hình ảnh trực quan tồi khiến người xem phải nỗ lực để hiểu những gì họ đang thấy. -
Khám phá dữ liệu nhanh chóng khi phân tích bằng AI
Trong bài học trước, chúng ta đã tìm hiểu cách đặt câu hỏi tốt hơn. Bây giờ, hãy xây dựng trên nền tảng đó. Trước khi có thể trả lời các câu hỏi về dữ liệu, bạn cần hiểu chính dữ liệu đó. -
Đặt câu hỏi tốt hơn khi phân tích dữ liệu bằng AI
Đặt ra các câu hỏi phân tích dẫn đến những hiểu biết có thể hành động được. Câu hỏi quyết định chất lượng của câu trả lời.
-
Tư duy phân tích có sự hỗ trợ của AI
Biến dữ liệu thô thành những hiểu biết rõ ràng — làm chủ việc khám phá dữ liệu, các kỹ thuật phân tích, trực quan hóa và thuyết trình cho những bên liên quan với AI. -
Xây dựng và triển khai MCP server đa công cụ
Bạn đã học về kiến trúc, xây dựng các công cụ, tài nguyên và prompt, kết nối với cơ sở dữ liệu và API, và bảo mật server của mình. Giờ là lúc kết hợp tất cả lại với nhau. -
Bảo mật, xác thực và triển khai MCP
Bài học này bao gồm mô hình bảo mật, xác thực và các chiến lược triển khai giúp server của bạn sẵn sàng cho môi trường sản xuất. -
MCP server thực tế: Database, API và file
Bạn đã biết cách xây dựng các tool, resource và prompt. Giờ hãy kết nối chúng với các hệ thống thực tế — cơ sở dữ liệu, API REST và hệ thống file. Ba mô hình này bao phủ 80% các trường hợp sử dụng MCP thực tế. -
Resources và Prompts: Hai yếu tố cơ bản còn lại trong MCP
Tools thường nhận được nhiều sự chú ý nhất, nhưng MCP có ba thành phần cơ bản vì một lý do. Resources cung cấp dữ liệu mà không thực thi code. Prompts cung cấp cho người dùng các điểm khởi đầu có cấu trúc.
-
Phân tích chuyên sâu về các công cụ MCP: Những hàm mà AI có thể gọi
Công cụ là những thành phần cơ bản bạn sẽ sử dụng nhiều nhất. Chúng là các hàm mà trợ lý AI có thể phát hiện và gọi trong quá trình hội thoại — cơ chế cốt lõi để cung cấp cho AI những khả năng thực tế. -
Xây dựng MCP server đầu tiên
Trong bài học này, bạn sẽ tạo một MCP server hoạt động, kết nối nó với Claude Desktop và gọi công cụ tùy chỉnh đầu tiên của bạn. Toàn bộ quá trình chỉ cần dưới 50 dòng code. -
Kiến trúc MCP: Host, Client và Server
Hiểu kiến trúc MCP: Host, client, server, lớp vận chuyển và giao tiếp JSON-RPC. Tìm hiểu cách các thành phần kết hợp với nhau trước khi viết code. -
Vì sao MCP thay đổi mọi thứ?
Nắm vững Model Context Protocol (MCP) để kết nối trợ lý AI với cơ sở dữ liệu, API và công cụ. Xây dựng MCP server tùy chỉnh bằng Python và TypeScript với 8 bài học thực hành. -
Xây dựng workflow thực tế trong Cursor
Trong hơn 7 bài học, bạn đã học từng tính năng của Cursor một cách riêng lẻ. Bây giờ, hãy kết hợp chúng thành một quy trình làm việc mà bạn có thể sử dụng trong bất kỳ dự án nào.
Hướng dẫn AI
Học IT
Hàm Excel