Bài này nằm trong chuỗi mổ xẻ kỹ thuật tại zeodavu.com/blog. Mình là người làm nội dung, và một trong những việc tưởng nhỏ nhưng ngốn thời gian nhất là "kiểm tra kênh mình sáng nay". Không phải vì số liệu khó xem — mà vì nhìn xong tôi vẫn không biết mình nên làm gì. Cho đến khi tôi để một cái máy tự làm việc đó lúc tôi còn đang ngủ.
Nếu bạn từng mở trang thống kê kênh YouTube của mình, tôi cá là bạn hiểu cảm giác này: một màn hình đầy con số — view, sub, thời gian xem — nhìn rất "chuyên nghiệp", rồi... bạn đóng nó lại và tiếp tục ngày mà không rút ra được hành động nào.
Số liệu thì nói, nhưng nó không nói mình nên làm gì tiếp theo.
Vấn đề càng lớn khi bạn có nhiều hơn một kênh. Tôi có vài kênh, và mỗi sáng mà tự mở từng cái một thì chưa kịp làm gì đã hết nửa tiếng. Điều tôi thật sự cần không phải là "xem số", mà là một cái nhìn nhanh: hôm nay kênh mình ổn không, và khán giả đang cảm thấy gì.
Số liệu kể bạn toàn bộ, nhưng cảm xúc thì không
View và sub là chuyện ai cũng nhìn thấy. Nhưng phần thị trường thật sự nằm ở bình luận — thứ hầu như không ai đọc kỹ vì quá tốn thời gian. Mỗi video mới ra vài chục bình luận, lướt qua thì dễ, hiểu được tâm trạng khán giả thì khó.
Một người khen "video này hay quá" và một người hỏi "sao phần cuối ngắn vậy" — hai cái đó đối với tôi là hai tín hiệu hoàn toàn khác nhau, nhưng nhìn số liệu thì không phân biệt được.
Vậy nên ý tưởng của tôi rất đơn giản: đừng để mình tự lướt. Để máy đọc, rồi tóm tắt lại bằng một giọng người biết phân biệt đâu là khen thật, đâu là góp ý, đâu là khó chịu.
Cái máy đọc kênh thay tôi: một vòng lặp ba bước
Toàn bộ vòng lặp gói gọn trong ba mảnh ghép. Không có gì phức tạp, chủ yếu là ghép đúng thứ tự:
Bước 1 — Đọc kênh. Máy tự lấy số liệu (view, sub) và vài bình luận mới nhất của từng kênh. Danh sách kênh nằm ở một chỗ cố định, máy cứ thế quét.
Bước 2 — Đưa cho model đọc và đánh giá. Toàn bộ dữ liệu trên được gom lại, đưa vào một model AI với một câu hỏi phía sau: "đọc số liệu và bình luận này, phân tích cảm xúc, rồi cho tôi lời khuyên."
Bước 3 — Gửi một email. Kết quả đánh giá được gói thành một email ngắn gọn, gửi thẳng vào hộp thư của tôi.
# Các công cụ mình thật sự dùng (chỉ kể tên, không đi sâu)
- Google Apps Script (script.google.com) # chỗ đặt toàn bộ logic
- YouTube Data API v3 # lấy số liệu kênh + bình luận
- Gemini 3.6 Flash # đọc bình luận, phân tích cảm xúc
- MailApp (Gmail) # gửi email báo cáo mỗi sáng
- Triggers # hẹn giờ chạy 1 lần mỗi ngàyNói sơ qua phần hẹn giờ: trong Apps Script mở mục Triggers, chọn "time-driven" + "day timer" + giờ mong muốn, là xong. Không cần server riêng, không cần bật máy — nó chạy trên cloud của Google.
Điều đáng chú ý: ba bước này không cần ai can thiệp. Nó chạy vào một giờ cố định, và mục tiêu là biến "công việc mở dashboard" thành "mở một email".
Cái được lớn nhất không phải là tiết kiệm thời gian
Ban đầu tôi nghĩ lợi ích là "đỡ mất nửa tiếng mỗi sáng". Đúng, nhưng đó không phải cái đáng giá nhất.
Cái đáng giá là: tôi bỏ được cảm giác "phải kiểm tra". Trước đây tôi check kênh vì lo — lo có gì bất thường, lo có comment tiêu cực, lo lỡ mất một tín hiệu nào đó. Giờ cái lo đó được thay bằng một thói quen tĩnh: sáng ra có một email, đọc 30 giây, rồi biết mình có cần làm gì hay không. Nếu email bảo "ổn", tôi bỏ qua và làm việc khác. Đó là thứ giải phóng năng lượng tinh thần, không phải giờ làm.
Một điểm nữa đáng giữ: máy đọc giúp tôi thấy được "cảm xúc" thay vì chỉ thấy "con số". Vài bình luận mới nhất mỗi kênh, được AI đọc và đánh giá, cho tôi một bức tranh trung thực hơn về việc khán giả đang phản ứng thế nào — thứ mà số view chưa bao giờ kể hết được.
Số liệu cho bạn biết mọi thứ xảy ra. Nhưng chỉ khi bạn đọc được cảm xúc, bạn mới biết mình nên làm gì tiếp theo.
Nhưng nói thẳng: nó không hoàn toàn miễn phí
Có vài điều kiện đáng nói rõ, vì ai tưởng "dựng cái này là xong" sẽ vấp ngay.
Điều kiện 1 — Bạn phải trả tiền cho "máy đọc". Một model AI đọc và đánh giá không tự nhiên mà có. Bạn phải có quyền truy cập — tức là có một chìa khóa (key) và mỗi lần gọi là một lần tính phí. Nhưng vì mỗi sáng chỉ gọi một lần, và dữ liệu nhỏ, chi phí gần như không đáng kể. Đây là loại tác vụ "nhỏ, lặp lại" — rất hợp để tự động hóa.
Điều kiện 2 — Dữ liệu phải là của bạn. Máy đọc kênh của mình, bình luận của khán giả mình. Đây là dữ liệu cá nhân, nằm trong phạm vi quản lý của bạn. Không phải "moi" dữ liệu của người khác — điều đó vừa sai vừa không bền.
Điều kiện 3 — Model có thể đoán sai cảm xúc. Một bình luận mỉa mai có thể bị đọc thành khen, hoặc ngược lại. Vì vậy, vai trò của "máy đọc" là gợi ý, không phải phán quyết. Tôi luôn đọc email với tâm thế "đây là một cái nhìn, còn quyết định là của mình."
Kết luận: đừng để máy thay bạn nghĩ, hãy để nó đỡ bạn nhìn
Cái tôi đi đến sau khi dựng cái này không phải là "máy chạy thay tôi". Mà là: những việc lặp lại, tốn thời gian, và mang tính "ráy tai" — hãy để máy làm. Còn phần quyết định, phần cảm nhận, phần sáng tạo — giữ cho mình.
Bộ máy đọc kênh mỗi sáng chỉ là một ví dụ nhỏ. Nguyên tắc bên trong thì rộng hơn: nếu bạn đang dành thời gian mỗi ngày cho một việc mà bạn có thể mô tả thành một quy trình, thì rất có thể bạn đang bỏ lỡ một thứ máy có thể đỡ bạn.
Ba điều mình rút ra:
- ▹Tìm việc "tái diễn + ngốn thời gian" — đó là nơi tự động hóa đáng giá nhất, không phải việc phức tạp.
- ▹Bắt đầu từ "đọc", không phải "sinh". Để máy đọc và tóm tắt dữ liệu của bạn thì rẻ và an toàn, còn để nó tự sáng tác thứ mang tên bạn thì cẩn thận.
- ▹Giữ vai trò của con người ở phần quyết định. Máy đọc giúp, máy gợi ý; còn việc "điều này có đúng với mình không" vẫn là của bạn.
Bài này cố ý chỉ kể tên công cụ ở mức dùng được ngay, không nêu mã nguồn, endpoint, hay cách cấu hình chi tiết. Thứ đáng giữ là cách nhìn ra "thứ gì nên để máy đọc thay mình" — không phải một đoạn code hay một setup cụ thể.
Toàn bộ câu chuyện và trải nghiệm mình ghi lại ở zeodavu.com/blog.
Một phần của chuỗi mổ xẻ kỹ thuật tại zeodavu.com/blog. Nội dung là bài học mở, không phải blueprint để sao chép — thứ đáng giữ là cách tư duy, không phải danh sách công cụ.
Nếu thấy hữu ích, theo dõi zeodavu.com — mỗi bài là một thứ mình thật sự dùng, vấp, và sửa lại.