Luận văn ThS: Xây dựng mô hình bán hàng tự động trên Internet

Luận văn thạc sĩ: Xây dựng mô hình bán hàng tự động trên Internet. Chuyên ngành Máy tính, mã số 60 48 01. Tải luận văn thạc sĩ tại đây!

Trường đại học

Trường Đại Học Công Nghệ

Chuyên ngành

Công Nghệ Thông Tin

Người đăng

Ẩn danh

Thể loại

Luận văn thạc sĩ

2016

72
2
0

Phí lưu trữ

30 Point

Mục lục chi tiết

LỜI CAM ĐOAN

MỤC LỤC

1. CHƢƠNG 1: GIỚI THIỆU CHUNG

2. CHƢƠNG 2: TỔNG QUAN BÁN HÀNG TỰ ĐỘNG

2.1. Các mô hình trả lời bán hàng tiêu biểu

2.2. Các vấn đề cần giải quyết và cải tiến

3. CHƢƠNG 3: MẠNG NƠ-RON VÀ PHƢƠNG PHÁP SEQ2SEQ

3.1. Kiến thức tổng quan

3.2. Lý thuyết mạng nơ-ron

3.2.1. Mạng nơ-ron nhân tạo ANN

3.2.2. Mạng nơ-ron tái phát RNN

3.2.3. Mạng Long Short Term Memory LSTM

3.3. Phương pháp học chuỗi Seq2Seq

4. CHƢƠNG 4: GIẢI PHÁP VÀ XÂY DỰNG MÔ HÌNH ĐỀ XUẤT ISALES

4.1. Giải pháp đề xuất

4.2. Nguồn dữ liệu huấn luyện

4.3. Xây dựng mô hình iSales

4.3.1. Pha thu thập dữ liệu

4.3.2. Pha tiền xử lý dữ liệu

4.3.3. Pha phân mảnh dữ liệu

4.3.4. Pha huấn luyện dữ liệu

4.3.5. Pha sinh câu trả lời

5. CHƢƠNG 5: THỬ NGHIỆM, ĐÁNH GIÁ KẾT QUẢ

5.1. Phát biểu usecase

5.2. Thử nghiệm iSales

5.3. Đánh giá kết quả

TÀI LIỆU THAM KHẢO

DANH MỤC KÝ HIỆU VÀ CÁC CHỮ VIẾT TẮT

DANH MỤC HÌNH VẼ VÀ ĐỒ THỊ

DANH MỤC BẢNG BIỂU

1. TÓM TẮT NỘI DUNG

1. CHƢƠNG 1: GIỚI THIỆU CHUNG

2. CHƢƠNG 2: TỔNG QUAN BÁN HÀNG TỰ ĐỘNG

2.1. Các mô hình trả lời bán hàng tiêu biểu

Tóm tắt

I. Bán hàng tự động Tổng quan và tiềm năng ThS CNTT

Trong bối cảnh thương mại điện tử bùng nổ, nhu cầu giải đáp thắc mắc của khách hàng tăng cao. Điều này đòi hỏi các doanh nghiệp phải có mô hình bán hàng tự động, hỗ trợ người bán đưa ra câu trả lời nhanh chóng, giảm thiểu công sức tư vấn và tăng khả năng tương tác. Sự phát triển của trí tuệ nhân tạo (AI) cũng góp phần thúc đẩy ứng dụng bán hàng tự động ứng dụng CNTT. Luận văn thạc sĩ này tập trung nghiên cứu và xây dựng mô hình bán hàng tự động trên Internet. Hiện tại, mô hình iSales được thiết kế dựa trên mạng nơ-ron, kết hợp phương pháp học chuỗi liên tiếp seq2seq, có khả năng hiểu Tiếng Việt, tự học từ các đoạn đối thoại thu thập trên mạng hoặc cung cấp bởi người bán hàng và có thể sinh ra câu trả lời tự động. Mặc dù nghiên cứu chưa thể đáp ứng cho sản phẩm thương mại nhưng iSales đã có một số kết quả nhất định, đặc biệt là ý nghĩa trong việc áp dụng phương pháp mới trong học máy.

1.1. Lợi ích của tự động hóa quy trình bán hàng

Việc tự động hóa quy trình bán hàng mang lại nhiều lợi ích cho doanh nghiệp. Thứ nhất, nó giúp giảm thiểu chi phí nhân công và thời gian tư vấn, đặc biệt trong các trường hợp khách hàng có các câu hỏi tương tự. Thứ hai, hệ thống bán hàng tự động có thể hoạt động 24/7, đáp ứng nhu cầu của khách hàng mọi lúc mọi nơi. Thứ ba, nó giúp thu thập và phân tích dữ liệu khách hàng, từ đó cải thiện chiến lược bán hàng đa kênh, bán hàng omnichannel và nâng cao trải nghiệm khách hàng.

1.2. Ứng dụng trí tuệ nhân tạo trong bán hàng tự động

Ứng dụng trí tuệ nhân tạo trong bán hàng mở ra nhiều tiềm năng mới. Ví dụ, chatbot bán hàng tự động có thể trả lời câu hỏi, giới thiệu sản phẩm và xử lý đơn hàng. Hệ thống gợi ý sản phẩm tự động có thể đề xuất các sản phẩm phù hợp với sở thích và nhu cầu của khách hàng. Phân tích dữ liệu bán hàng tự động có thể giúp doanh nghiệp hiểu rõ hơn về thị trường và khách hàng.

1.3. Tổng quan luận văn thạc sĩ CNTT về bán hàng tự động

Luận văn này sẽ đi sâu vào nghiên cứu và xây dựng mô hình bán hàng tự động ứng dụng CNTT. Cụ thể, nó sẽ trình bày tổng quan về các mô hình bán hàng tự động hiện có, phân tích các vấn đề và thách thức liên quan, đề xuất giải pháp và xây dựng mô hình iSales dựa trên mạng nơ-ron và phương pháp học chuỗi seq2seq, thử nghiệm và đánh giá kết quả, và đưa ra kết luận và hướng phát triển trong tương lai.

II. Thách thức trong xây dựng mô hình bán hàng tự động AI

Việc xây dựng mô hình bán hàng tự động hiệu quả đòi hỏi giải quyết nhiều thách thức. Các hệ thống trả lời bán hàng cần thêm mô hình tư vấn tự động cho website của mình. Cần phải có một mô hình trả lời bán hàng tự động. Microsoft đã đưa ra lời giải cho một nhánh nhỏ của bài toán, đó là xây dựng mô hình bán pizza tự động có tên là chatbot Skype. Mô hình xây dựng trên phương pháp trích xuất câu trả lời, cho phép người mua hàng đặt hàng pizza bằng cách trả lời các thông tin được hỏi từ chatbot. Tuy nhiên, lời giải trên chưa hỗ trợ Tiếng Việt, không có kết quả nếu người mua hàng không thực hiện đúng như yêu cầu chatbot.

2.1. Vấn đề xử lý ngôn ngữ tự nhiên tiếng Việt

Tiếng Việt có cấu trúc ngữ pháp phức tạp, nhiều từ đồng âm khác nghĩa, và cách diễn đạt đa dạng. Do đó, việc xây dựng hệ thống bán hàng tự động có khả năng hiểu và trả lời câu hỏi bằng tiếng Việt một cách chính xác là một thách thức lớn. Các thuật toán xử lý ngôn ngữ tự nhiên (NLP) cần được phát triển và điều chỉnh để phù hợp với đặc thù của tiếng Việt.

2.2. Thu thập và xử lý dữ liệu huấn luyện

Để huấn luyện mô hình bán hàng tự động Machine Learning, cần có một lượng lớn dữ liệu đối thoại giữa người bán và khách hàng. Việc thu thập dữ liệu này có thể tốn kém và mất thời gian. Hơn nữa, dữ liệu thu thập được thường chứa nhiều nhiễu, lỗi chính tả, và các biểu thức không chuẩn. Do đó, cần phải có các quy trình xử lý dữ liệu hiệu quả để đảm bảo chất lượng của dữ liệu huấn luyện.

2.3. Đảm bảo tính bảo mật cho hệ thống bán hàng tự động

Khi sử dụng các hệ thống bán hàng tự động, doanh nghiệp cần chú trọng đến vấn đề bảo mật hệ thống bán hàng tự động và bảo vệ thông tin cá nhân của khách hàng. Các hệ thống này cần được thiết kế với các biện pháp bảo mật mạnh mẽ để ngăn chặn các cuộc tấn công mạng và rò rỉ dữ liệu.

III. Phương pháp Seq2Seq và mạng LSTM cho bán hàng tự động

Để giải quyết các thách thức trên, luận văn sử dụng phương pháp học chuỗi Seq2Seq và mạng LSTM. Phương pháp Seq2Seq cho phép mô hình học cách chuyển đổi một chuỗi đầu vào (câu hỏi của khách hàng) thành một chuỗi đầu ra (câu trả lời của người bán). Mạng LSTM giúp mô hình ghi nhớ thông tin trong quá trình xử lý chuỗi, từ đó cải thiện khả năng hiểu và trả lời câu hỏi dài và phức tạp. Mô hình đề xuất sử dụng TensorFlow, một nền tảng trí tuệ nhân tạo sử dụng kỹ thuật Deep Learning của Google.

3.1. Tổng quan về mạng nơ ron tái phát RNN

Mạng nơ-ron tái phát (RNN) là một loại mạng nơ-ron được thiết kế để xử lý dữ liệu chuỗi. RNN có khả năng ghi nhớ thông tin từ các bước trước đó trong chuỗi, từ đó cải thiện khả năng hiểu và dự đoán các bước tiếp theo. Tuy nhiên, RNN gặp khó khăn trong việc xử lý các chuỗi dài do vấn đề vanishing gradient.

3.2. Ưu điểm của mạng Long Short Term Memory LSTM

Mạng Long Short Term Memory (LSTM) là một loại RNN được thiết kế để giải quyết vấn đề vanishing gradient. LSTM có khả năng ghi nhớ thông tin trong thời gian dài, từ đó cải thiện khả năng xử lý các chuỗi dài và phức tạp. LSTM được sử dụng rộng rãi trong các ứng dụng xử lý ngôn ngữ tự nhiên, bao gồm dịch máy, tóm tắt văn bản, và trả lời câu hỏi.

3.3. Ứng dụng phƣơng pháp học chuỗi liên tiếp Seq2Seq cho bán hàng

Phƣơng pháp học chuỗi liên tiếp seq2seq đƣợc ứng dụng trong bài toán, cho phép thao tác trên cả hai câu. Thao tác này nhằm mục đích cho mạng LSTM thông minh hơn trong việc “sinh” từ vì có thể hiểu đƣợc ngữ cảnh qua chuỗi đầu vào. Giải pháp để thực hiện là thêm vào bộ mã hóa Encoder và bộ giải mã Decoder.

IV. Xây dựng mô hình iSales Quy trình và kiến trúc hệ thống

Mô hình iSales được xây dựng theo quy trình 5 pha: thu thập dữ liệu, tiền xử lý dữ liệu, phân mảnh dữ liệu, huấn luyện mô hình, và sinh câu trả lời. Kiến trúc hệ thống bao gồm các thành phần: graphAPI Facebook, công cụ xử lý ngôn ngữ tự nhiên NLTK, VNTK, Dongdu, và framework Tensorflow. Mục tiêu của pha là lấy đƣợc càng nhiều dữ liệu càng tốt, dữ liệu cần phải đƣợc chọn lọc và có nội dung trong miền thƣơng mại.

4.1. Thu thập dữ liệu từ Facebook Graph API

GraphAPI là hệ thống các API dựa trên HTTP cấp thấp có thể sử dụng để truy vấn dữ liệu, đăng tin mới, quản lý quảng cáo, tải ảnh lên và nhiều tác vụ khác mà ứng dụng có thể cần thực hiện. Cần một mã truy cập (user access token). Ngƣời dùng muốn lấy đƣợc dữ liệu cần phải đăng ký trở thành nhà phát triển, mỗi khi sử dụng graphAPI, Facebook sẽ cấp một mã truy cập có thời hạn.

4.2. Tiền xử lý dữ liệu và phân mảnh ngôn ngữ

Pha này cần đọc dữ liệu từ file kết quả của pha thu thập, tiến hành xóa bỏ những cặp câu bất thƣờng/vô nghĩa, xóa bỏ những cặp câu bị trùng/có khoảng trắng và ghi kết quả vào file. Để giải quyết vấn đề hiểu đƣợc với ngôn ngữ tiếng Việt mô hình cần bổ sung bƣớc tiền xử lý ngôn ngữ. Dữ liệu thu thập đƣợc cần xử lý để loại bỏ ký tự không có ý nghĩa, câu trùng lặp, từ ngữ bất thƣờng trong tiếng Việt.

4.3. Huấn luyện mô hình Seq2Seq với mạng LSTM

Cho phép đọc dữ liệu từ file kết quả của pha phân mảnh dữ liệu, bóc tách Word2Id và tạo ra từng cặp hội thoại, đƣa kết quả vào mạng LSTM để huấn luyện. Dữ liệu được huấn luyện sử dụng mạng LSTM để cho mô hình tự học đƣợc một lƣợng lớn dữ liệu từ ngƣời dùng, tạo nên một bộ “tri thức” và ứng dụng trong quá trình phân tích và sinh câu trả lời, thì những vấn đề nêu trên có thể đƣợc giải quyết.

V. Thử nghiệm và đánh giá hiệu quả mô hình iSales CNTT

Mô hình iSales được thử nghiệm trên một tập dữ liệu đối thoại trong lĩnh vực thương mại điện tử. Kết quả thử nghiệm cho thấy mô hình có khả năng sinh ra các câu trả lời có ý nghĩa và phù hợp với ngữ cảnh câu hỏi. Tuy nhiên, mô hình vẫn còn một số hạn chế, chẳng hạn như khả năng xử lý các câu hỏi phức tạp và trừu tượng.

5.1. Thiết lập usecase thử nghiệm hệ thống iSales

Để thử nghiệm hệ thống, cần thiết lập một usecase cụ thể, bao gồm: xác định lĩnh vực thương mại điện tử (ví dụ: bán quần áo, giày dép, mỹ phẩm), thu thập dữ liệu đối thoại liên quan, và xây dựng bộ câu hỏi kiểm tra để đánh giá khả năng trả lời của mô hình.

5.2. Đánh giá độ chính xác và tính phù hợp của câu trả lời

Độ chính xác của câu trả lời có thể được đánh giá bằng cách so sánh câu trả lời do mô hình sinh ra với câu trả lời do người bán đưa ra. Tính phù hợp của câu trả lời có thể được đánh giá bằng cách xem xét liệu câu trả lời có đáp ứng được nhu cầu của khách hàng hay không.

5.3. So sánh iSales với các hệ thống chatbot hiện tại

Để đánh giá ưu điểm và nhược điểm của iSales, cần so sánh nó với các hệ thống chatbot hiện có, chẳng hạn như chatbot Skype. Các tiêu chí so sánh có thể bao gồm: khả năng xử lý ngôn ngữ tự nhiên, khả năng sinh câu trả lời, tính linh hoạt, và hiệu quả chi phí.

VI. Kết luận và hướng phát triển cho bán hàng tự động AI CNTT

Luận văn đã trình bày về nghiên cứu và xây dựng mô hình iSales cho bán hàng tự động. Mô hình sử dụng phương pháp Seq2Seq và mạng LSTM để cải thiện khả năng hiểu và trả lời câu hỏi của khách hàng. Kết quả thử nghiệm cho thấy mô hình có tiềm năng ứng dụng trong thực tế. Tuy nhiên, cần tiếp tục nghiên cứu và phát triển mô hình để giải quyết các hạn chế hiện tại.

6.1. Tóm tắt đóng góp của luận văn thạc sĩ

Luận văn đã đóng góp vào lĩnh vực bán hàng tự động bằng cách đề xuất một mô hình mới dựa trên Seq2Seq và LSTM, xây dựng quy trình huấn luyện mô hình hiệu quả, và thử nghiệm mô hình trên dữ liệu thực tế.

6.2. Hướng nghiên cứu tiếp theo trong lĩnh vực

Các hướng nghiên cứu tiếp theo có thể bao gồm: cải thiện khả năng xử lý ngôn ngữ tự nhiên, tích hợp thêm các tính năng như nhận dạng giọng nói và hình ảnh, và mở rộng ứng dụng của mô hình sang các lĩnh vực khác.

6.3. Tiềm năng và tác động của AI đối với ngành bán lẻ

Bán hàng tự động AI có tiềm năng to lớn trong việc thay đổi ngành bán lẻ. Nó có thể giúp doanh nghiệp giảm chi phí, tăng doanh thu, và nâng cao trải nghiệm khách hàng. Tuy nhiên, việc ứng dụng AI cũng đặt ra nhiều thách thức, chẳng hạn như vấn đề bảo mật và đạo đức.

24/09/2025

Trích đoạn nội dung tài liệu

Đặt vấn đề bài toán, từ đó nêu ra ý tƣởng xây dựng mô hình. - Chƣơng 2: Tổng quan bán hàng tự động. Giới thiệu về 4 mô hình bán hàng trên Internet hiện nay, gồm có Messenger, chatbot Skype, uhChat, suBiz. Phân loại, liệt kê ƣu, nhƣợc điểm của mỗi mô hình và đƣa ra các vấn đề cần cải tiến.

- Chƣơng 3: Mạng nơ-ron và phƣơng pháp seq2seq. Đƣa ra các lý thuyết nền tảng về học máy, mạng nơ-ron và phƣơng pháp học chuỗi seq2seq giúp bổ sung kiến thức cơ bản khi xây dựng mô hình bán hàng tự động - Chƣơng 4: Giải pháp và xây dựng mô hình đề xuất iSales. Đề xuất giải pháp cho mô hình đề xuất iSales, mô tả các thành phần và phƣơng án xây dựng chi tiết. - Chƣơng 5: Thử nghiệm, đánh giá kết quả.

Thử nghiệm mô hình trong usecase thực tế, đánh giá kết quả và so sánh với mô hình chatbotSkype. Đƣa ra kết luận trong quá trình nghiên cứu và xây dựng “mô hình bán hàng tự động trên Internet”. TIEU LUAN MOI download : skknchat@gmail. CHƢƠNG 2: TỔNG QUAN BÁN HÀNG TỰ ĐỘNG Chƣơng này, luận văn giới thiệu một số khái niệm cơ bản.

Mô hình bán hàng trên Internet là mô hình bán hàng của các doanh nghiệp, cá nhân, mà ngƣời mua hàng không cần phải đến cửa hàng cũng có thể nhận đƣợc tƣ vấn và mua đƣợc hàng đúng nhƣ ý muốn của mình. Các thành phần của mô hình gồm có: ngƣời mua hàng, ứng dụng hỗ trợ tƣ vấn, ngƣời bán hàng và những câu tƣ vấn. Trong giới hạn luận văn, việc xây dựng mô hình bán hàng tự động đồng nghĩa với việc xây dựng ứng dụng tƣ vấn có khả năng tự động trả lời bán hàng. Trong chƣơng này giới thiệu thực trạng các mô hình trả lời bán hàng trên Internet của thế giới và Việt Nam.

Phần đầu chƣơng trình bày tổng quan bốn mô hình là Messenger, chatbotSkype, uhChat, suBiz. Từ những mô hình đó, tôi tiến hành phân nhóm, đánh giá và nêu lên các vấn đề cần cải tiến trong từng nhóm trong phần tiếp theo của chƣơng.1 Các mô hình trả lời bán hàng tiêu biểu Trong quá trình nghiên cứu, tôi đã tham khảo một số mô hình trả lời bán hàng nổi tiếng trên thế giới cũng nhƣ ở Việt Nam. Tiêu biểu trong đó là bốn mô hình Messenger, chatbotSkype, uhChat và suBiz. Mô hình đầu tiên là Facebook Messenger [1], là ứng dụng chat của Facebook, đƣợc phát hành phiên bản đầu tiên vào ngày 9 tháng 8 năm 2011 trên hệ điều hành iOS và Android.

Đến ngày 11/10/2011 Messenger phát hành phiên bản sử dụng cho Blackberry OS. Tháng 12/2012, ứng dụng Facebook Messenger cho Android đƣợc đƣa vào sử dụng ở vài nơi nhƣ Úc, Nam Á, Indonesia, Nam Phi, Venezuela… đƣợc tích hợp trên Facebook bằng cách tạo tên tài khoản và cung cấp số điện thoại. Thời gian sau đó, ứng dụng này liên tục đƣợc cải tiến và sử dụng rộng rãi trên các hệ điều hành. Với Facebook Messenger, ngƣời dùng có thể nhận, gửi tin nhắn nhanh chóng tới một cá nhân hay một nhóm tới bất kỳ địa chỉ liên hệ nào trong Facebook hoặc trên thiết bị điện thoại.

Thêm vào đó, còn có thể xác định vị trí của mình, tạo kế hoạch với nhóm theo cách linh động nhất. Những ƣu điểm nổi bật của Messenger có thể kể đến nhƣ ƣng dụng nhẹ, dễ dàng cài đặt, sử dụng, hỗ trợ trên tất cả các trình duyệt và thiết bị di động thông minh, cho phép tìm kiếm lịch sử hội thoại, tự động lƣu trữ và gửi thông báo tự động khi ngƣời nhận tin nhắn online, tích hợp tính năng gọi điện trực tiếp thông qua mạng Internet. Sự thông dụng của Facebook kèm với các ƣu điểm trên đã khiến TIEU LUAN MOI download : skknchat@gmail.com 5 Messenger trở thành một trong những ứng dụng chat đƣợc sử dụng nhiều nhất trên thế giới. Tuy nhiên, trên phƣơng diện “mô hình trả lời bán hàng”, Messenger hoàn toàn cần sự can thiệp của tác nhân là ngƣời bán hàng trong giai đoạn tƣ vấn bán hàng, tức là chƣa “tự động”.

Ngoại trừ những hoạt động theo dõi và lƣu trữ các cuộc đối thoại giữa hai bên, Facebook vẫn hoạt động theo mô hình truyền thống. Người mua hàng Người bán hàng Câu hỏi Câu hỏi (Forward) Phân tích Câu trả lời Câu trả lời (Forward) Hình 2.1: Luồng tương tác mô hình bán hàng sử dụng Messenger Trong mô hình này, Messenger chỉ mang tính chất là một ứng dụng chat - forward những câu hội thoại giữa ngƣời bán hàng và ngƣời mua hàng. TIEU LUAN MOI download : skknchat@gmail.2: Mô hình bán hàng sử dụng Messenger Tại sự kiện Build 2016, đƣợc diễn ra tại San Francisco từ ngày 30/03/2016 đến 01/04/2016, Microsoft đã giới thiệu chatbot Skype [2], cho phép ngƣời mua hàng giao tiếp với một chatbot (phần mềm tư vấn bán hàng tự động) đƣợc lập trình sẵn. Sẽ không có tác nhân là ngƣời bán hàng tham gia vào cuộc hội thoại cho tới khi kết thúc phiên giao tiếp bán hàng.

PizzaBot, demo của chatbotSkype, đây thực sự là “mô hình trả lời bán hàng tự động”, và chatbot này đã đƣợc huấn luyện để hiểu đƣợc ngôn ngữ con ngƣời. Ví dụ, khi ngƣời mua hàng gửi tin nhắn “tôi muốn gọi một chiếc pizza pepperoni cỡ lớn”, chatbot Skype sẽ bắt đầu phân tích câu nói này rồi dẫn dắt ngƣời mua hàng hoàn thiện quá trình mua hàng. Trên Messenger, khi ngƣời mua hàng gửi đi tin nhắn này, một nhân viên bán hàng của cửa hàng pizza sẽ tham gia vào cuộc hội thoại để giúp hoàn thiện đơn hàng. Nói cách khác, với Messenger thì ở phía cửa hàng chẳng có gì đƣợc tự động hóa.

Quay lại với chatbot Skype, ở “mô hình trả lời” này sẽ có một bộ máy phân tích để tự động nhận diện các thông tin đã có trong tin nhắn đƣợc gửi đi từ khách hàng và yêu cầu họ cung cấp những thông tin liên quan còn thiếu. Để làm đƣợc điều này, Microsoft đã dựng lên một cuốn “từ điển” để chatbot Skype có thể tự động nhận biết các cụm từ có nghĩa trong câu nói. Chatbot Skype Từ điển Pizza bot Phân loại Kích cỡ Loại đế pepperoni lớn dày Thời gian giao hàng ? hải sản trung bình mỏng Địa điểm giao hàng ? dăm bông bé Hình 2.3: Từ điển sử dụng trong chatbot Skype TIEU LUAN MOI download : skknchat@gmail.com 7 Từ điển này sẽ đƣợc phân loại thành các nhóm dữ liệu. Trong ví dụ ở trên, mô hình trả lời PizzaBot sẽ có 3 nhóm dữ liệu chính: - Phân loại pizza: sẽ có các từ cho biết đƣợc “phân loại” của chiếc bánh mà khách hàng muốn đặt, có thể là “pepperoni”, “hải sản”, “dăm bông”… - Kích cỡ pizza: gồm các từ cho biết đƣợc “kích cỡ” của chiếc bánh mà khách hàng muốn đặt, có thể là “lớn”, “trung bình”, “bé”….

- Loại đế pizza: gồm các từ cho biết đƣợc “loại đế” của chiếc bánh mà khách hàng muốn đặt, có thể là “dày”, “mỏng”… Trong quá trình “phân tích” để trả lời câu hỏi, mô hình sẽ tìm kiếm và khớp các thông tin đƣợc cung cấp vào các nhóm dữ liệu có sẵn. Nếu thông tin chƣa đủ, mô hình tự động đƣa ra các câu hỏi mẫu cho những thông tin còn thiếu để lấy thêm thông tin. Nếu đã đủ thông tin, mô hình đặt ra những câu hỏi chốt nhƣ thời gian, địa điểm giao hàng và kết thúc phiên tƣ vấn. Nhƣ câu nói ở trên, chatbot sẽ ghi nhận đƣợc 2 thông tin: loại bánh (pepperoni) và kích cỡ (lớn) rồi hỏi thông tin cuối cùng: “bạn muốn đế dày hay mỏng?” .4: Mô hình bán hàng sử dụng chatbot Skype Trƣờng hợp ngƣời mua hàng đƣa ra một từ mới, ngƣời bán hàng có thể nhanh chóng sắp xếp từ đó vào nhóm dữ liệu tƣơng ứng.

Khi từ điển này ngày càng tăng số từ, thì mô hình trả lời tự động ngày một thông minh hơn, và cuối cùng có thể hiểu đƣợc toàn bộ các câu lệnh đặt hàng theo chuẩn. Có thể hiểu TIEU LUAN MOI download : skknchat@gmail.com 8 đƣợc, trong mô hình phát triển bởi Microsoft, chatbot là thành phần thay thế ngƣời bán hàng trong pha giao tiếp. Dựa trên “nhóm dữ liệu mẫu” – tập hợp các thông tin cần thiết và liên quan đến nhau, chatbot skype sẽ “phân tích” thay ngƣời bán hàng và có thể đƣa ra thông tin trả lời. Người mua hàng Người bán hàng Nhóm dữ liệu mẫu Câu hỏi Phân tích Câu trả lời Hình 2.5: Mô hình bán hàng sử dụng chatbot Skype Mặc dù ở “mô hình bán hàng” Skype của Microsoft đã rất tiến bộ và “thông minh” hơn so với Messenger của Facebook, nhƣng nó còn có hạn chế nhƣ cần nhập sẵn một số mẫu dữ liệu cố định để chatbot có thể truy xuất và trả lời thông qua những thông tin đó.

Không trả lời đƣợc các câu hỏi mới nằm ngoài tập dữ liệu mới, cũng nhƣ giới hạn tƣ vấn bán hàng bị thu hẹp trong các miền nhỏ. Đặc biệt, chatbot này chƣa hỗ trợ tiếng Việt. Những điều trên làm hạn chế khả năng giao tiếp của chatbot chỉ dừng lại ở một số câu chứ không thể có những đoạn hội thoại tùy biến giống nhƣ giao tiếp giữa hai con ngƣời. Hội nhập với xu hƣớng chung của thế giới, từ 2010 đến nay thƣơng mại điện tử ở Việt Nam bắt đầu phát triển mạnh mẽ và bùng nổ vào những năm 2012.

Sự phổ cập Internet, kèm theo đó là sự phát triển của các website bán hàng làm cho nhu cầu mua bán trên mạng ngày một tăng cao. Nếu ở những năm đầu, website điện tử chỉ dừng lại ở nội dung bán hàng và cung cấp địa chỉ, cũng nhƣ số điện thoại để ngƣời bán và ngƣời mua có thể giao tiếp với nhau thông qua điện thoại, thì những năm gần đây, các ứng dụng chat đƣợc gắn vào website (hay có thể nói là những “mô hình trả lời bán hàng”) đã thay thế điều đó. Với lợi TIEU LUAN MOI download : skknchat@gmail.com 9 thế không mất phí, có thể sử dụng trên môi trƣờng internet dù ở bất kỳ đâu, các mô hình này dần chiếm đƣợc cảm tình của ngƣời sử dụng, giúp cho việc tƣơng tác giữa đôi bên thuận lợi hơn. uhChat, một “mô hình trả lời bán hàng”, đã có một thống kê nội bộ tƣơng đối rộng, và chứng minh đƣợc mô hình này giúp lƣu lƣợng thông tin giao tiếp giữa khác hàng và admin của website (ngƣời bán hàng) tăng lên 6500%, tức là 65 lần.

Điều này mang lại kết quả tốt đối với một trang web thƣơng mại điện tử. Việc đăng ký và sử dụng mô hình này đơn giản, ngƣời bán hàng có thể đăng ký bằng email đang sử dụng và tạo một mật khẩu mới.

Nội dung được bảo vệ bản quyền — Tải xuống đầy đủ