Bối cảnh và vấn đề nghiên cứu

Bối cảnh thực tiễn và lý do chọn đề tài

Trong sự phát triển nhanh chóng của thương mại điện tử (E-commerce) tại Việt Nam, các nền tảng lớn như Shopee, Lazada và Sendo đã xây dựng hệ thống đánh giá trực tuyến nhằm khuyến khích người tiêu dùng chia sẻ trải nghiệm sản phẩm. Các phản hồi này bao gồm cả điểm xếp hạng (rating) và văn bản đánh giá kèm biểu tượng cảm xúc (reviews/comments). Đối với người mua hàng tiềm năng, việc tham khảo ý kiến của những người mua trước đóng vai trò then chốt giúp giảm thiểu sự không chắc chắn và tác động trực tiếp đến quyết định mua sắm.

Đối với các doanh nghiệp kinh doanh thời trang—một ngành hàng có tính biến động cao và chịu ảnh hưởng lớn bởi xu hướng—dự đoán doanh số chính xác là tiền đề để xây dựng kế hoạch tiếp thị, tối ưu hóa hoạt động sản xuất, quản trị chuỗi cung ứng và kiểm soát hàng tồn kho (tránh tình trạng thiếu hàng hoặc tồn kho quá mức). Tuy nhiên, các mô hình dự báo doanh số truyền thống chủ yếu khai thác dữ liệu chuỗi thời gian hoặc lịch sử giao dịch thuần túy, bỏ qua nguồn thông tin ngữ nghĩa phong phú từ phản hồi của khách hàng.

Đề tài "Improving Sales Forecasting Models by Integrating Customers’ Feedbacks: A Case Study of Fashion Products" (Cải thiện mô hình dự đoán doanh số bằng cách tích hợp phản hồi của khách hàng: Nghiên cứu trường hợp sản phẩm thời trang) được thực hiện bởi tác giả Lương Thùy Vy (ngành Phân tích Dữ liệu Kinh doanh - Khoa học Máy tính, Trường Quốc tế – Đại học Quốc gia Hà Nội), dưới sự hướng dẫn của PGS. Trần Thị Oanh và sự phối hợp đề bài thực tế từ công ty Ciaolink (CEO Nguyễn Trung Hiếu). Nghiên cứu xuất phát từ nhu cầu thực tiễn của doanh nghiệp nhằm kiểm chứng giả thuyết: việc tích hợp các đặc trưng cảm xúc ngữ nghĩa (semantic sentiment features) vào các mô hình dự báo doanh số sẽ giúp làm giảm sai số và nâng cao độ chính xác dự báo.

Mục tiêu và nhiệm vụ nghiên cứu

Khóa luận đặt ra các mục tiêu và nhiệm vụ nghiên cứu cụ thể sau:

  1. Phân tích mối quan hệ giữa các loại tương tác và sản lượng bán: Đánh giá mức độ tin cậy và tương quan giữa các chỉ số tương tác trên sàn Shopee (lượt thích, điểm rating, bình luận có ngữ cảnh) với tổng số lượng sản phẩm bán được trong lịch sử (historical sold).
  2. Xây dựng mô hình phân tích cảm xúc tiếng Việt: Ứng dụng mô hình ngôn ngữ tiền huấn luyện PhoBERT kết hợp từ điển SentiWordNet và tập dữ liệu chuẩn VLSP 2016 để phân loại tự động các bình luận của khách hàng thành ba trạng thái: Tích cực (Positive), Tiêu cực (Negative) và Trung tính (Neutral).
  3. Phát triển khung tích hợp đặc trưng cảm xúc vào mô hình dự báo doanh số: Đề xuất quy trình chuyển đổi kết quả phân loại cảm xúc thành các chỉ số số học theo chuỗi thời gian (avg_neg, avg_neu, avg_pos, avg_rate) để làm biến đầu vào cho các mô hình hồi quy và học sâu.
  4. Thực nghiệm và so sánh hiệu năng: Triển khai thử nghiệm trên tập dữ liệu thực tế thu thập từ Shopee đối với các mô hình học máy và học sâu (Hồi quy tuyến tính, Cây quyết định, Rừng ngẫu nhiên, ARIMA, LSTM, Mạng nơ-ron tích chập - CNN, mô hình kết hợp Ensemble ARIMA-LSTM), từ đó đánh giá sự cải thiện về sai số thông qua các thước đo MAE (Mean Absolute Error) và RMSE (Root Mean Square Error).

Đối tượng và phạm vi nghiên cứu

  • Đối tượng nghiên cứu: Các phản hồi của người dùng (bình luận, điểm xếp hạng) và số lượng bán ra hàng ngày của các sản phẩm thời trang.
  • Phạm vi không gian: Nền tảng thương mại điện tử Shopee tại thị trường Việt Nam, tập trung vào nhóm sản phẩm "Áo khoác, Áo choàng, Áo vest" (Jacket, Coat, Vest) thuộc ngành hàng Thời trang nữ. Dữ liệu khảo sát từ 300 sản phẩm đại diện cho 300 cửa hàng/shop.
  • Phạm vi thời gian: Dữ liệu chuỗi thời gian về doanh số và phản hồi được theo dõi và thu thập trong 41 ngày liên tục (từ ngày 04/03/2023 đến ngày 13/04/2023). Dữ liệu huấn luyện lấy mốc thời gian từ ngày 09/04/2023 trở về trước, phần còn lại dùng cho kiểm thử.
  • Giới hạn phạm vi (Out of scope): Nghiên cứu không bao gồm các yếu tố về chi phí vận chuyển, sản phẩm kỹ thuật số, lịch sử mua hàng cá nhân của từng người dùng, các chính sách thuế, tiền tệ, hình ảnh và logo riêng của từng gian hàng.

Cơ sở lý thuyết và phương pháp

Khung lý thuyết và mô hình tiếp cận

Nghiên cứu tích hợp hai lĩnh vực chuyên môn chính trong Khoa học dữ liệu: Xử lý ngôn ngữ tự nhiên (NLP) và Phân tích chuỗi thời gian (Time Series Analysis).

[Dữ liệu Shopee: Lịch sử bán & Bình luận]
                                                                                    [Dự báo doanh số theo ngày]
  • Mô hình phân tích cảm xúc (Sentiment Analysis):
    • Sử dụng kiến trúc PhoBERT (phiên bản tiền huấn luyện dựa trên RoBERTa tối ưu hóa cho tiếng Việt với tập ngữ liệu 20GB văn bản). PhoBERT được chứng minh vượt trội hơn các mô hình đa ngôn ngữ như XLM-R trong các tác vụ tiếng Việt.
    • Kết hợp với nguồn tài nguyên từ điển từ vựng SentiWordNet hỗ trợ xác định cực tính cảm xúc.
    • So sánh lý thuyết với các mạng học sâu và mô hình ngôn ngữ khác: CNN, RNN, LSTM, BiLSTM, Support Vector Machine (SVM), Random Forest, viBert4news, viBERT FPT, ViELECTRA FPT.
  • Mô hình dự báo doanh số (Sales Forecasting):
    • Mô hình truyền thống: Mô hình Bass, mô hình Norton, mô hình tự hồi quy tích hợp trung bình trượt (ARIMA), Seasonal ARIMA (SARIMA).
    • Mô hình học máy cổ điển: Hồi quy tuyến tính (Linear Regression), Cây quyết định (Decision Tree Regressor), Rừng ngẫu nhiên (Random Forest Regressor), Hồi quy vector hỗ trợ bình phương tối thiểu (LSSVR / LSSVRTS).
    • Mô hình học sâu: Mạng nơ-ron hồi quy bộ nhớ ngắn-dài (LSTM), Mạng nơ-ron tích chập (CNN), Mạng nơ-ron tự hồi quy phi tuyến (NARNN), Mạng nơ-ron lan truyền ngược (BPNN), và mô hình kết hợp Ensemble ARIMA-LSTM.

Phương pháp nghiên cứu thực tế

  • Thu thập dữ liệu (Web Scraping & API Automation): Do Shopee áp dụng các cơ chế bảo mật và chặn truy vấn tự động, tác giả đã phát triển công cụ cào dữ liệu chạy trên máy chủ ảo riêng (VPS - Virtual Private Server), can thiệp vào các tham số trả về của API Shopee để thu thập dữ liệu biến động doanh số hàng ngày và toàn bộ bình luận thực tế.
  • Tiền xử lý văn bản (Text Pre-processing): Xây dựng hàm clean_text để loại bỏ các ký tự đặc biệt, khoảng trắng thừa, chuẩn hóa Unicode (chuyển đổi có dấu/không dấu), lọc bỏ các từ dừng (stop words) không mang giá trị biểu cảm nhằm giảm dung lượng dữ liệu và tăng tốc độ huấn luyện.
  • Kỹ thuật trích xuất đặc trưng (Feature Engineering): Sử dụng phương pháp cửa sổ trượt (rolling window) để làm giàu dữ liệu chuỗi thời gian. Với mỗi mặt hàng tại từng ngày, hệ thống tính toán giá trị trung bình cộng dồn của điểm cảm xúc:
    • avg_neg: Tỷ lệ bình luận tiêu cực tích lũy.
    • avg_neu: Tỷ lệ bình luận trung tính tích lũy.
    • avg_pos: Tỷ lệ bình luận tích cực tích lũy.
    • avg_rate: Điểm đánh giá sao trung bình.
    • q_sold: Số lượng bán thực tế trong ngày.

Nguồn dữ liệu sử dụng

  1. Dữ liệu thực tế từ Shopee: 300 mặt hàng thời trang nữ thuộc nhóm "Jacket, Coat, Vest" với 12.300 bản ghi doanh số hàng ngày trong 41 ngày; tập dữ liệu phản hồi thu thập tối đa 3.000 bình luận cho mỗi sản phẩm (giai đoạn ban đầu thu thập mẫu 5.646 bình luận).
  2. Tập dữ liệu chuẩn VLSP 2016 (Vietnamese Language and Speech Processing): Bộ dữ liệu đánh giá sản phẩm công nghệ gồm hai tập SA2016-training_data và SA2016-Test-Gold được gán nhãn sẵn 3 lớp cảm xúc, dùng để huấn luyện và chuyển giao học máy cho mô hình PhoBERT với độ chính xác kiểm thử đạt 0.88.

Nội dung chính theo từng chương

Chapter 1: Introduction (Mở đầu và Bối cảnh đề tài)

Chương này trình bày tổng quan về tầm quan trọng của phân tích dữ liệu kinh doanh trong thương mại điện tử. Tác giả chỉ ra mối liên hệ giữa các hành động tương tác của người dùng trên giao diện Shopee với chỉ số tổng lượng bán lịch sử (historical sold).

Loại tương tác Thời điểm thực hiện Mức độ tương quan với lượng bán Tính chất dữ liệu
Lượt thích (Like) Trước hoặc sau khi mua Tương quan rất yếu Dễ bị thao túng bằng công cụ ảo
Đánh giá điểm sao (Rating) Sau khi mua hàng Tương quan trung bình Có thể có nhiễu nếu bình luận bị xóa
Đánh giá có ngữ cảnh (Rating with context/comment) Sau khi nhận hàng Tương quan chặt chẽ Đáng tin cậy nhất, phản ánh cảm xúc thật

Chương 1 cũng rút ra các phát hiện ban đầu:

  • Người dùng nữ có xu hướng để lại bình luận sau khi mua hàng cao hơn nam giới.
  • Các ngành hàng như Quần áo nữ, Sản phẩm làm đẹp, Phụ kiện thời trang nhận được lượng bình luận phản hồi vượt trội so với các ngành hàng nhu yếu phẩm (Home care) hoặc sản phẩm dịch vụ ít tính năng phân biệt (Ticket and voucher).

Chapter 2: Literature Review (Tổng quan tài liệu)

Chương 2 tổng hợp các công trình nghiên cứu trong và ngoài nước về hai mảng bài toán:

  • Dự báo chuỗi thời gian: Đánh giá sự phát triển từ các mô hình thống kê cổ điển (ARIMA, SARIMA) đến các mô hình học máy (Random Forest, Gradient Boosting) và mạng nơ-ron học sâu (LSTM, NARNN). Tác giả dẫn chứng các nghiên cứu trước đây chỉ ra Random Forest là thuật toán vượt trội trong nhóm hồi quy truyền thống, nhưng chưa tận dụng được dữ liệu phi cấu trúc dạng văn bản.
  • Khai phá văn bản và phân tích cảm xúc trong kinh doanh: Phân tích các nghiên cứu tích hợp dữ liệu mạng xã hội (Twitter, Yahoo Movies) và phân loại cảm xúc (Naive Bayes, SentiStrength, SVM, LSSVR) để dự báo doanh số bán xe hơi, lượng người xem phim hoặc doanh số iPhone. Tác giả xác định khoảng trống nghiên cứu: phần lớn các nghiên cứu chưa áp dụng các mô hình Transformer tiên tiến (như PhoBERT) cho ngôn ngữ tiếng Việt và chưa có nhiều thử nghiệm kết hợp dữ liệu bình luận chi tiết trên sàn thương mại điện tử thời trang.

Chapter 3: Research Methodology (Phương pháp nghiên cứu)

Chương này mô tả chi tiết kiến trúc của hệ thống phân tích và dự báo:

  • Quy trình phân tích cảm xúc với PhoBERT: Mô hình nhận văn bản bình luận đã qua làm sạch, phân tích ngữ nghĩa ngữ cảnh và xuất nhãn dự đoán (0: Tiêu cực, 1: Trung tính, 2: Tích cực).
  • Quy trình dự báo doanh số: Thiết kế các mô hình hồi quy và học sâu tiếp nhận vector đặc trưng đa chiều bao gồm lịch sử bán hàng và 4 biến cảm xúc tích lũy (avg_neg, avg_neu, avg_pos, avg_rate).
  • Xây dựng mô hình kết hợp Ensemble ARIMA-LSTM: Do mô hình thống kê ARIMA chỉ xử lý chuỗi đơn biến, tác giả đề xuất giải pháp kết hợp bằng cách đưa đầu ra dự báo của ARIMA/LSTM cùng với điểm cảm xúc và điểm rating vào một mô hình Hồi quy tuyến tính phụ trợ để đưa ra kết quả cuối cùng.

Chapter 4: Results Analysis and Discussions (Phân tích kết quả và Thảo luận)

Chương 4 trình bày toàn bộ quy trình thực nghiệm từ khâu dữ liệu đến kết quả mô hình:

  • Quy trình thu thập dữ liệu 7 bước:

    1. Xác định sản phẩm và thuộc tính cần cào (Tên, Lượng bán ngày, Giá, Rating, Comment).
    2. Xác định khung thời gian thu thập (16 ngày ban đầu, sau đó mở rộng lên 41 ngày).
    3. Xây dựng công cụ tự động hóa cào dữ liệu theo ngày.
    4. Bắt đúng các tham số trả về trong API của Shopee.
    5. Thiết lập kết nối máy chủ.
    6. Gửi truy vấn HTTP request đến hệ thống Shopee.
    7. Lưu trữ dữ liệu dạng JSON, CSV và nén trong tập tin .zip.
  • Thống kê dữ liệu cào:

Giai đoạn Số lượng sản phẩm Bản ghi doanh số ngày Số lượng bình luận Phương thức cào
Ban đầu 300 mặt hàng 3.000 bản ghi (10 ngày $\times$ 300) 5.646 bình luận Bán tự động / Thủ công
Cập nhật 300 mặt hàng 12.300 bản ghi (41 ngày $\times$ 300) Tối đa 3.000 bình luận/mặt hàng Tự động hóa qua VPS/API
  • Phân tích khám phá dữ liệu (EDA) và Phân bố nhãn cảm xúc:
    • Tổng số bình luận phân loại trên Shopee: 4.240 bình luận Tích cực (chiếm ~75%), 986 bình luận Trung tính, và chỉ có một tỷ lệ nhỏ bình luận Tiêu cực (khoảng 7,3%).
  • Thực nghiệm mô hình phân tích cảm xúc: So sánh hiệu năng giữa PhoBERT, LSTM và CNN. Kết quả cho thấy PhoBERT đạt độ chính xác phân loại vượt trội trên tập dữ liệu tiếng Việt.
  • Thực nghiệm mô hình dự báo doanh số: Đánh giá 1 mô hình tổng quát xây dựng để dự đoán cho 300 mặt hàng thời trang, so sánh giữa hai trường hợp: Có tích hợp và Không tích hợp đặc trưng cảm xúc khách hàng. Mạng nơ-ron tích chập (CNN) kết hợp phương pháp rolling window đạt sai số thấp nhất.

Chapter 5: Conclusion and Future Research (Kết luận và Hướng phát triển)

Tổng kết lại các phát hiện thực nghiệm, khẳng định vai trò của việc kết hợp xử lý ngôn ngữ tự nhiên vào phân tích chuỗi thời gian trong thương mại điện tử, đồng thời đề xuất các hàm ý quản trị và giải pháp mở rộng cho các nghiên cứu tiếp theo.


Kết quả và đóng góp

Kết quả nghiên cứu chính

  1. Xác thực độ tin cậy của dữ liệu phản hồi: Nghiên cứu chứng minh rằng số lượt thích (likes) có tương quan rất lỏng lẻo với doanh số thực tế do dễ bị làm giả bằng công cụ. Ngược lại, dữ liệu đánh giá có nội dung (rating with comments) phản ánh chính xác nhất hành vi và sự hài lòng của khách hàng vì chỉ được tạo ra sau khi đơn hàng hoàn tất.
  2. Hiệu năng phân loại cảm xúc: Mô hình PhoBERT xử lý hiệu quả các sắc thái ngôn ngữ tiếng Việt trong bình luận thương mại điện tử, đạt độ chính xác 0.88 trên tập kiểm thử VLSP 2016, phân loại thành công tập dữ liệu bình luận thời trang với 75% phản hồi tích cực và 7,3% tiêu cực.
  3. Cải thiện độ chính xác dự báo doanh số: Việc tích hợp 4 thuộc tính cảm xúc (avg_neg, avg_neu, avg_pos, avg_rate) giúp làm giảm rõ rệt sai số MAE và RMSE trên các mô hình dự báo so với khi chỉ sử dụng dữ liệu chuỗi thời gian đơn thuần.
  4. Mô hình dự báo tối ưu: Trong số các thuật toán thử nghiệm (Linear Regression, Decision Tree, Random Forest, ARIMA, LSTM, Ensemble LSTM-ARIMA, CNN), mô hình CNN ứng dụng kỹ thuật rolling window đạt kết quả dự báo tốt nhất trên tập dữ liệu thời trang thực tế.

Đóng góp về mặt học thuật và kỹ thuật

  • Đóng góp kỹ thuật: Xây dựng một đường ống (pipeline) hoàn chỉnh từ khâu cào dữ liệu tự động vượt qua rào cản kỹ thuật của sàn TMĐT bằng VPS, tiền xử lý văn bản tiếng Việt, trích xuất đặc trưng cảm xúc qua PhoBERT, đến khâu huấn luyện mô hình học sâu phục vụ dự báo nhu cầu.
  • Đóng góp phương pháp luận: Khắc phục hạn chế của các mô hình thống kê đơn biến như ARIMA thông qua kiến trúc tích hợp Ensemble ARIMA-LSTM kết hợp hồi quy phụ trợ, cho phép đưa các biến ngoại sinh (cảm xúc, điểm đánh giá) vào bài toán dự báo.

Hàm ý thực tiễn và giải pháp quản trị

  • Tối ưu hóa vận hành cho người bán hàng (Sellers): Cung cấp công cụ giúp các chủ gian hàng thời trang trên Shopee nắm bắt xu hướng tiêu dùng ngắn hạn, dự đoán sức mua của từng mẫu áo khoác/áo vest nữ, từ đó chủ động điều chỉnh kế hoạch nhập hàng, tránh ứ đọng vốn hoặc đứt gãy nguồn cung.
  • Hỗ trợ chiến lược tiếp thị và giá: Giúp doanh nghiệp định vị chính xác phản ứng của khách hàng đối với chất lượng và mức giá sản phẩm để có các điều chỉnh kịp thời trong thông điệp quảng cáo và chăm sóc khách hàng.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của nghiên cứu

  • Phạm vi nền tảng và ngành hàng: Đề tài mới chỉ tập trung trên một sàn giao dịch duy nhất là Shopee Việt Nam và giới hạn trong một nhóm danh mục hẹp là "Áo khoác, Áo choàng, Áo vest" (Jacket, Coat, Vest) của thời trang nữ.
  • Tập đặc trưng còn hạn chế: Bộ đặc trưng chuẩn hóa chưa phong phú bằng các tập dữ liệu công khai quốc tế (như Amazon, Taobao); chưa tích hợp được các dữ liệu đa phương thức (hình ảnh sản phẩm, logo shop) hoặc các yếu tố chi phí vận chuyển, thuế và hành vi người dùng chi tiết.
  • Thách thức thu thập dữ liệu: Do chính sách chống cào dữ liệu của Shopee và việc API không mở công khai chỉ số lượng bán hàng ngày, việc mở rộng quy mô dữ liệu sang hàng nghìn sản phẩm trong thời gian dài đòi hỏi chi phí hạ tầng máy chủ và nhân lực rất lớn.
  • Phân bố dữ liệu cảm xúc lệch (Imbalanced Data): Tỷ lệ bình luận tích cực chiếm áp đảo (75%), trong khi bình luận tiêu cực chỉ chiếm 7,3%, tạo ra sự chênh lệch lớn giữa các lớp nhãn khi huấn luyện mô hình phân loại.

Hướng nghiên cứu tiếp theo

  • Mở rộng mô hình ngôn ngữ: Thử nghiệm và đánh giá thêm các mô hình ngôn ngữ tiền huấn luyện tiếng Việt khác như viBert4news, viBERT FPT, viELECTRA FPT, hoặc mô hình đa ngôn ngữ XLM-R để so sánh với PhoBERT.
  • Phân tích cảm xúc theo khía cạnh (Aspect-Based Sentiment Analysis): Triển khai kỹ thuật trích xuất khía cạnh (như phương pháp GP-HDP) nhằm đánh giá chi tiết thái độ của khách hàng đối với từng thuộc tính sản phẩm cụ thể (ví dụ: kích cỡ, chất liệu vải, màu sắc, đường may) thay vì chỉ phân loại cảm xúc chung cho toàn bộ bình luận.
  • Áp dụng các kỹ thuật làm giàu dữ liệu: Bổ sung các phương pháp tăng cường dữ liệu (data augmentation) nhằm khắc phục hiện tượng mất cân bằng nhãn cảm xúc và cải thiện hiệu năng cho các tập dữ liệu nhỏ.
  • Đánh giá trên nhiều tập dữ liệu độc lập: Mở rộng kiểm thử mô hình trên 4-5 bộ dữ liệu khác nhau thuộc nhiều ngành hàng và nền tảng thương mại điện tử khác nhau.

Giá trị tham khảo

Tài liệu khóa luận tốt nghiệp này mang lại giá trị tham khảo thiết thực cho các đối tượng sau:

  • Sinh viên và học viên ngành Khoa học dữ liệu / Phân tích kinh doanh: Tham khảo phương pháp xây dựng đề tài kết hợp giữa bài toán kinh doanh thực tế (Business Analytics) với các kỹ thuật mô hình hóa nâng cao (Machine Learning, Deep Learning, NLP).
  • Nhà nghiên cứu về NLP tiếng Việt: Tham khảo quy trình ứng dụng mô hình PhoBERT, từ điển SentiWordNet và bộ dữ liệu VLSP 2016 trong việc làm sạch, gán nhãn và phân loại sắc thái bình luận thực tế trên sàn thương mại điện tử.
  • Kỹ sư dữ liệu và lập trình viên: Tham khảo phương pháp thiết kế công cụ cào dữ liệu tự động từ API Shopee sử dụng máy chủ ảo VPS và quy trình tiền xử lý dữ liệu bảng kết hợp dữ liệu văn bản.
  • Nhà quản lý kinh doanh và chủ shop thương mại điện tử: Tham khảo bức tranh phân tích về mối quan hệ giữa các chỉ số tương tác (like, rating, comment) với lượng bán thực tế để xây dựng chiến lược quản lý đánh giá khách hàng và dự báo tồn kho hiệu quả.

Câu hỏi thường gặp

1. Tại sao tác giả lại loại bỏ dữ liệu lượt thích (like) và ưu tiên dữ liệu bình luận có ngữ cảnh (rating with context) khi phân tích lượng bán?

Theo kết quả khảo sát thực tế trên 26 cấp độ danh mục của Shopee, mối quan hệ giữa tổng số lượt thích và lượng bán lịch sử (historical sold) là rất yếu. Lượt thích có thể được tạo ra trước khi mua và dễ dàng bị thao túng bằng các công cụ tăng tương tác ảo. Ngược lại, bình luận có ngữ cảnh chỉ được thực hiện sau khi khách hàng đã nhận hàng và trả phí đơn hàng, do đó dữ liệu này có độ tin cậy cao hơn nhiều và phản ánh chính xác trải nghiệm thực tế của người dùng.

2. Mô hình ngôn ngữ nào được sử dụng để phân tích cảm xúc và hiệu năng ra sao?

Tác giả sử dụng mô hình tiền huấn luyện PhoBERT (phiên bản base dựa trên kiến trúc RoBERTa được huấn luyện trên 20GB văn bản tiếng Việt). Khi kết hợp với bộ ngữ liệu chuẩn VLSP 2016 và từ điển SentiWordNet, mô hình đạt độ chính xác phân loại 0.88 (88%), vượt trội hơn so với các mô hình mạng nơ-ron truyền thống như CNN hay LSTM trong tác vụ phân loại 3 nhãn cảm xúc (Tích cực, Tiêu cực, Trung tính).

3. Dữ liệu cảm xúc từ văn bản được chuyển đổi như thế nào để đưa vào mô hình dự báo doanh số?

Sau khi toàn bộ bình luận của từng mặt hàng được phân loại cảm xúc bằng PhoBERT, tác giả tạo ra 4 cột thuộc tính tích lũy theo chuỗi thời gian cho từng sản phẩm:

  • avg_neg: Tỷ lệ bình luận tiêu cực chia cho tổng số bình luận.
  • avg_neu: Tỷ lệ bình luận trung tính chia cho tổng số bình luận.
  • avg_pos: Tỷ lệ bình luận tích cực chia cho tổng số bình luận.
  • avg_rate: Điểm đánh giá sao trung bình của sản phẩm. Bốn thuộc tính này được ghép (merge) cùng với biến lượng bán trong ngày (q_sold) theo mã định danh sản phẩm (Item ID) và ngày để làm đầu vào cho mô hình dự báo.

4. Trong các mô hình dự báo doanh số, thuật toán nào cho kết quả tốt nhất?

Trong các mô hình được thử nghiệm (Linear Regression, Decision Tree, Random Forest, ARIMA, LSTM, Ensemble ARIMA-LSTM, CNN), mô hình mạng nơ-ron tích chập (CNN) áp dụng kỹ thuật cửa sổ trượt (rolling window) cho kết quả dự báo doanh số chính xác nhất với mức sai số MAE và RMSE thấp nhất trên tập dữ liệu 300 mặt hàng thời trang Shopee.

5. Khóa luận giải quyết bài toán đưa biến ngoại sinh vào mô hình chuỗi thời gian ARIMA như thế nào?

Do mô hình ARIMA truyền thống chỉ nhận dữ liệu chuỗi thời gian đơn biến và không thể trực tiếp tiếp nhận dữ liệu đa chiều (các cột cảm xúc), tác giả đã xây dựng mô hình kết hợp Ensemble ARIMA-LSTM. Phương pháp này sử dụng một mô hình Hồi quy tuyến tính phụ trợ với đầu vào gồm 3 thành phần: kết quả dự báo từ ARIMA/LSTM, điểm số cảm xúc tổng hợp và điểm rating, từ đó xuất ra kết quả dự báo lượng bán hàng ngày.


Kết luận

Khóa luận tốt nghiệp của tác giả Lương Thùy Vy đã giải quyết thành công bài toán dự báo doanh số trong ngành hàng thời trang nữ trên sàn thương mại điện tử Shopee bằng cách tích hợp xử lý ngôn ngữ tự nhiên vào mô hình học sâu. Bằng việc chứng minh mối liên hệ chặt chẽ giữa phản hồi khách hàng với lượng bán thực tế và ứng dụng hiệu quả mô hình PhoBERT kết hợp mạng CNN, nghiên cứu đã giảm thiểu đáng kể sai số dự báo so với các phương pháp chuỗi thời gian truyền thống. Đây là tài liệu tham khảo có giá trị học thuật và ứng dụng cao cho việc khai phá dữ liệu thương mại điện tử và tối ưu hóa vận hành chuỗi cung ứng trong kỷ nguyên số.