Dự báo hành vi khách hàng và xu hướng mua sắm trên nền tảng Instacart

Khóa luận dự báo hành vi khách hàng và xu hướng mua sắm trên nền tảng Instacart - ĐH Kinh tế Huế

• Tác giả: Nguyễn Thị Tuyết Trinh
• Người hướng dẫn: TS. Nguyễn Thanh Tuấn
• Trường học: Trường Đại học Kinh tế - Đại học Huế
• Chuyên ngành: Phân tích dữ liệu kinh doanh
• Đề tài: Dự báo hành vi khách hàng và xu hướng mua sắm trên nền tảng Instacart
• Loại tài liệu: Khóa luận tốt nghiệp
• Năm xuất bản: 2025
• Địa điểm: Huế

Tóm tắt

I. Tổng quan hành vi khách hàng và xu hướng mua sắm tại Instacart

Instacart là nền tảng thương mại điện tử hàng đầu trong lĩnh vực giao hàng tạp hóa theo yêu cầu. Dữ liệu giao dịch tại đây phản ánh chi tiết thói quen mua sắm của người tiêu dùng hiện đại. Khách hàng thường xuyên đặt hàng theo chu kỳ định kỳ cố định. Các sản phẩm thiết yếu như sữa chua, sữa tươi, trái cây hữu cơ và rau xanh chiếm tỷ trọng giỏ hàng rất lớn. Thời điểm đặt hàng tập trung nhiều vào các ngày cuối tuần và các khung giờ sáng sớm. Việc thấu hiểu các khuôn mẫu hành vi này đóng vai trò then chốt đối với sự phát triển của nền tảng bán lẻ. Các mô hình phân tích dữ liệu giúp doanh nghiệp nhận diện chính xác thời điểm người dùng cần bổ sung hàng hóa. Ngoài ra, thứ tự chọn lựa sản phẩm trong giỏ hàng cũng cung cấp thông tin giá trị về mức độ ưu tiên của người tiêu dùng. Dự báo hành vi tiêu dùng vì vậy trở thành nền tảng cốt lõi trong hoạt động vận hành. Quá trình này giúp doanh nghiệp duy trì lượng người dùng trung thành. Đồng thời, nền tảng có thể cá nhân hóa trải nghiệm mua sắm một cách toàn diện và chính xác nhất.

1.1. Khái niệm nền tảng mua sắm tạp hóa Instacart

Instacart vận hành theo mô hình trung gian kết nối người mua sắm, nhân viên giao hàng và các chuỗi siêu thị bán lẻ. Hệ thống cho phép người dùng đặt hàng qua ứng dụng di động hoặc trang web. Khách hàng lựa chọn thực phẩm từ nhiều đối tác bán lẻ khác nhau trong khu vực địa phương. Nhân viên giao nhận tiếp nhận đơn hàng, trực tiếp đến cửa hàng lựa chọn sản phẩm và vận chuyển tới tận nơi. Nền tảng ghi nhận hàng triệu lượt tương tác mỗi ngày. Toàn bộ thông tin về lịch sử tìm kiếm, thời gian mua sắm và danh mục yêu thích đều được lưu trữ cẩn thận. Kho dữ liệu khổng lồ này trở thành tài sản vô giá cho các nghiên cứu hành vi người tiêu dùng trong ngành bán lẻ hiện đại.

1.2. Tầm quan trọng của việc dự báo xu hướng mua sắm

Dự báo xu hướng mua sắm giúp doanh nghiệp giải quyết bài toán cung ứng hiệu quả. Ngành hàng tiêu dùng nhanh luôn đòi hỏi tính tươi mới và vòng đời ngắn. Thiếu hụt hàng hóa dẫn đến trải nghiệm tiêu cực và mất khách hàng. Ngược lại, tồn kho dư thừa làm gia tăng chi phí lưu trữ và gây lãng phí thực phẩm. Việc nắm bắt chính xác xu hướng tiêu dùng hỗ trợ các siêu thị chuẩn bị lượng hàng dự trữ thích hợp. Nền tảng phân phối cũng có thể sắp xếp lực lượng giao hàng hợp lý theo từng khung giờ cao điểm. Bên cạnh đó, dự báo chuẩn xác tạo tiền đề xây dựng các chiến dịch tiếp thị phù hợp cho từng phân khúc khách hàng. Doanh thu bán hàng nhờ vậy tăng trưởng ổn định và bền vững.

II. Thách thức phân tích hành vi khách hàng mua sắm tại Instacart

Phân tích hành vi tiêu dùng trên nền tảng trực tuyến đối mặt với nhiều thách thức kỹ thuật phức tạp. Tập dữ liệu Instacart sở hữu dung lượng khổng lồ với hơn ba triệu đơn hàng cùng hàng vạn mặt hàng khác nhau. Mức độ thưa thớt của ma trận dữ liệu là trở ngại lớn đầu tiên. Mỗi người tiêu dùng chỉ mua sắm một phần rất nhỏ trong tổng số danh mục sản phẩm hiện có. Sự biến động về thị hiếu tiêu dùng cá nhân cũng diễn ra thường xuyên theo mùa vụ và thời tiết. Một số khách hàng duy trì thói quen mua lại sản phẩm quen thuộc theo chu kỳ cố định. Trong khi đó, nhóm khách hàng khác lại liên tục thử nghiệm những nhãn hiệu mới lạ. Ngoài ra, sự mất cân bằng dữ liệu giữa sản phẩm được đặt lại và sản phẩm chỉ mua một lần gây khó khăn cho việc huấn luyện mô hình. Dữ liệu lịch sử đơn hàng cũng thiếu vắng nhiều thông tin ngữ cảnh như lý do mua sắm hoặc ngân sách thực tế. Điều này đòi hỏi các chuyên gia phải thiết kế đặc trưng dữ liệu hết sức công phu trước khi đưa vào mô hình học máy.

2.1. Vấn đề mất cân bằng dữ liệu đặt hàng lặp lại

Hiện tượng mất cân bằng dữ liệu xảy ra phổ biến trong các bài toán dự báo thương mại điện tử. Trên hệ thống Instacart, tỷ lệ sản phẩm được đặt lại thường chiếm tỷ lệ nhỏ so với tổng số mặt hàng người dùng từng quan sát hoặc chọn mua một lần. Khi huấn luyện mô hình học máy, xu hướng thiên lệch về nhóm đa số dễ dàng phát sinh. Thuật toán có thể dự đoán toàn bộ sản phẩm không được đặt lại nhưng vẫn đạt độ chính xác bề mặt cao. Tuy nhiên, sai số này làm suy giảm chỉ số Recall và F1-score của bài toán. Các kỹ thuật như lấy mẫu lại, gán trọng số lớp hoặc áp dụng hàm mất mát tùy biến cần được triển khai để giải quyết triệt để tình trạng lệch nhãn dữ liệu này.

2.2. Sự phức tạp trong chu kỳ và thời điểm mua sắm

Hành vi mua sắm của khách hàng mang tính chu kỳ nhưng không hoàn toàn đồng nhất. Một số hộ gia đình đặt mua hàng tạp hóa cố định vào mỗi sáng Chủ nhật. Một số người tiêu dùng độc thân chỉ phát sinh đơn hàng khi tủ lạnh cạn kiệt thức ăn. Khoảng cách thời gian giữa các đơn đặt hàng liên tục biến động từ ba ngày đến ba mươi ngày. Hơn nữa, các yếu tố ngoại cảnh như kỳ nghỉ lễ, thời tiết xấu hoặc khuyến mãi đột xuất làm thay đổi quỹ đạo đặt hàng thông thường. Thứ tự các món hàng được đưa vào giỏ cũng phản ánh mức độ cấp thiết khác nhau. Việc mô hình hóa đồng thời yếu tố thời gian và chu kỳ mua sắm là nhiệm vụ kỹ thuật đầy thách thức.

III. Phương pháp dự báo hành vi khách hàng mua sắm trên Instacart

Quy trình xây dựng mô hình dự báo hành vi người dùng bắt đầu từ khâu kỹ nghệ đặc trưng chi tiết. Các nhóm biến số cốt lõi bao gồm đặc trưng người dùng, đặc trưng sản phẩm và tương tác giữa người dùng với sản phẩm. Tần suất mua lại, thời gian trung bình giữa các lần đặt hàng và vị trí thêm vào giỏ hàng là các chỉ số định lượng quan trọng. Sau bước chuẩn bị dữ liệu, các mô hình học máy có giám sát được ứng dụng để phân loại khả năng mua lại sản phẩm. Thuật toán Hồi quy Logistic đóng vai trò làm mô hình chuẩn cơ sở. Các mô hình học tăng cường dạng cây như LightGBM, XGBoost và Random Forest mang lại hiệu quả vượt trội nhờ khả năng xử lý dữ liệu phi tuyến tính. Hệ thống kết hợp nhiều cây quyết định giúp nắm bắt tốt các quy luật mua hàng ngầm định. Hiệu năng mô hình được kiểm định nghiêm ngặt qua các chỉ số F1-score và ROC-AUC để đảm bảo độ tin cậy trong môi trường thực tế.

3.1. Kỹ nghệ đặc trưng dữ liệu người tiêu dùng

Kỹ nghệ đặc trưng là bước chuyển hóa dữ liệu thô thành các biến số có ý nghĩa cho thuật toán. Ba nhóm biến số chính được tính toán chi tiết: người dùng, sản phẩm và cặp người dùng - sản phẩm. Với người dùng, tổng số đơn hàng và khoảng cách trung bình giữa các lần mua được trích xuất. Với sản phẩm, tỷ lệ mua lại tổng thể và số lần xuất hiện ở vị trí đầu giỏ hàng được thống kê. Quan trọng nhất là mối liên kết giữa khách hàng và sản phẩm cụ thể. Tần suất một người mua lại sản phẩm đó trong năm đơn hàng gần nhất phản ánh lòng trung thành thương hiệu. Những đặc trưng này giúp mô hình nhận biết chính xác hành vi tiêu dùng tiềm năng.

3.2. Ứng dụng thuật toán học máy phân loại nhị phân

Mục tiêu chính của thuật toán là xác định xác suất sản phẩm từng mua sẽ được đặt lại trong đơn hàng kế tiếp. Đây là bài toán phân loại nhị phân kinh điển. Mô hình LightGBM thường được lựa chọn hàng đầu nhờ tốc độ xử lý nhanh và tiêu tốn ít bộ nhớ RAM. Thuật toán này phân nhánh cây theo chiều sâu dựa trên biểu đồ tần suất dữ liệu. Quá trình tối ưu tham số như learning rate, độ sâu cây và tỷ lệ chọn mẫu giúp ngăn chặn hiện tượng quá khớp (overfitting). Kết quả dự báo cho phép gán nhãn chính xác khả năng mua lại cho từng mặt hàng. Điểm số xác suất đầu ra sẽ trực tiếp phục vụ hệ thống xếp hạng đề xuất tự động.

IV. Ứng dụng mô hình dự báo hành vi khách hàng nền tảng Instacart

Kết quả từ mô hình dự báo hành vi mở ra nhiều giải pháp ứng dụng thiết thực cho các sàn thương mại điện tử. Doanh nghiệp có thể chủ động hiển thị các mặt hàng quen thuộc ngay trên trang chủ ứng dụng khi khách hàng vừa đăng nhập. Tính năng này rút ngắn đáng kể thời gian tìm kiếm và tăng tốc độ hoàn tất đơn mua. Bên cạnh trải nghiệm khách hàng, chuỗi cung ứng cũng hưởng lợi trực tiếp từ kết quả dự đoán. Các đối tác siêu thị có thể dự trù chính xác lượng hàng tiêu thụ theo ngày trong tuần. Tình trạng hủy đơn do hết hàng tồn kho được cắt giảm tối đa. Đồng thời, bộ phận vận hành dễ dàng điều phối tài xế giao nhận tập trung vào các khung giờ cao điểm đã được dự báo. Mô hình học máy không chỉ tạo ra giá trị thương mại vượt trội cho nền tảng bán lẻ. Giải pháp này còn củng cố mối liên kết gắn kết lâu dài giữa người tiêu dùng và dịch vụ phân phối trực tuyến.

4.1. Cá nhân hóa trải nghiệm và tăng doanh thu bán lẻ

Cá nhân hóa là chìa khóa gia tăng giá trị trọn đời của khách hàng trong thương mại điện tử. Bằng cách hiển thị đúng sản phẩm vào đúng thời điểm người dùng cần mua, tỷ lệ chuyển đổi giỏ hàng tăng cao rõ rệt. Nền tảng có thể tự động tạo danh sách mua sắm gợi ý dựa trên lịch sử tiêu dùng định kỳ của từng cá nhân. Khách hàng tiết kiệm thời gian chọn lọc sản phẩm trong kho hàng bách hóa đa dạng. Thao tác mua hàng trở nên thuận tiện và nhanh chóng chỉ với vài lần chạm màn hình. Trải nghiệm mượt mà này thúc đẩy tần suất quay lại mua hàng thường xuyên hơn. Doanh thu trung bình trên mỗi người dùng từ đó gia tăng bền vững.

4.2. Tối ưu hóa chuỗi cung ứng và quản lý kho vận

Dự báo xu hướng chính xác mang lại lợi ích to lớn cho khâu quản trị logistics và lưu kho. Các đối tác bán lẻ liên kết với Instacart có thể chủ động điều chỉnh kế hoạch nhập hàng theo tuần. Sản phẩm tươi sống được bảo quản tươi ngon nhờ giảm thiểu tối đa thời gian tồn đọng trên kệ. Việc dự đoán nhu cầu tiêu dùng theo từng khu vực địa lý hỗ trợ phân bổ nguồn lực giao nhận tối ưu. Nền tảng điều phối nhân viên lấy hàng nhanh chóng trong các khung giờ cao điểm buổi sáng. Chi phí vận hành toàn hệ thống giảm xuống mức thấp nhất mà vẫn duy trì chất lượng dịch vụ cao cấp. Toàn bộ chuỗi cung ứng vận hành trơn tru và linh hoạt hơn.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Trong bối cảnh chuyển đổi số và sự bùng nổ của thương mại điện tử, dữ liệu lớn (Big Data) đóng vai trò nền tảng giúp doanh nghiệp hiểu rõ hành vi tiêu dùng, tối ưu hóa quy trình vận hành và nâng cao năng lực cạnh tranh. Nền tảng Instacart—một dịch vụ mua sắm và giao nhận nhu yếu phẩm theo yêu cầu tại khu vực Bắc Mỹ—xử lý hàng triệu đơn hàng mỗi tháng, tạo ra nguồn dữ liệu đa chiều về danh mục sản phẩm, chu kỳ mua sắm và lịch sử giao dịch của khách hàng. Việc khai thác dữ liệu này giúp giải quyết các thách thức kinh doanh thực tiễn như dự báo nhu cầu thị trường, cá nhân hóa trải nghiệm khách hàng, xây dựng chiến lược tiếp thị mục tiêu và giảm thiểu tồn kho.

Khóa luận tốt nghiệp của tác giả Nguyễn Thị Tuyết Trinh (ngành Phân tích dữ liệu kinh doanh, Khoa Hệ thống thông tin kinh tế, Trường Đại học Kinh tế – Đại học Huế, thực hiện dưới sự hướng dẫn của TS. Nguyễn Thanh Tuấn vào tháng 5 năm 2025) tập trung giải quyết bài toán dự báo hành vi và xu hướng tiêu dùng trên nền tảng Instacart.

Mục tiêu chung của đề tài là phân tích dữ liệu mua sắm trên nền tảng Instacart nhằm dự báo xu hướng doanh thu và hành vi khách hàng, hỗ trợ các chiến lược tiếp thị và quản lý chuỗi cung ứng.

Mục tiêu cụ thể được xác định theo 4 nhiệm vụ nghiên cứu:

1. Phân tích hành vi mua sắm dựa trên dữ liệu đơn hàng, sản phẩm, tần suất mua và thời gian đặt hàng.
2. Dự báo xu hướng mua sắm bằng mô hình hồi quy logistic và Random Forest để xác định sản phẩm phổ biến và thời điểm mua cao điểm.
3. Xác định yếu tố ảnh hưởng đến quyết định mua hàng, như giá cả, khuyến mãi, thương hiệu và thời gian giao hàng.
4. Đề xuất giải pháp tối ưu nhằm cá nhân hóa trải nghiệm khách hàng và cải thiện hiệu suất kinh doanh.

Đối tượng nghiên cứu của khóa luận là khách hàng trên nền tảng Instacart (bao gồm hành vi mua sắm, thời gian đặt hàng, tác động của giá và khuyến mãi), các yếu tố tác động đến doanh thu (sản phẩm phổ biến, chương trình tiếp thị) cùng các bên liên quan trong doanh nghiệp (bộ phận marketing, chuỗi cung ứng, quản lý sản phẩm).

Phạm vi nghiên cứu được xác định cụ thể:

• Phạm vi nội dung: Các yếu tố ảnh hưởng đến hành vi mua sắm của khách hàng trên Instacart (tần suất mua hàng, danh mục sản phẩm phổ biến, thời điểm mua sắm, xu hướng tiêu dùng) và việc ứng dụng các thuật toán hồi quy logistic, Random Forest, K-Means, Apriori trong phân tích dự báo.
• Phạm vi không gian: Tập trung vào dữ liệu giao dịch của khách hàng trên nền tảng Instacart tại thị trường Hoa Kỳ và Canada, thông qua tập dữ liệu mở được công bố trên nền tảng Kaggle.
• Phạm vi thời gian: Nghiên cứu được triển khai thực hiện từ tháng 01/2025 đến tháng 05/2025.

Cơ sở lý thuyết và phương pháp

Khóa luận xây dựng nền tảng nghiên cứu dựa trên sự kết hợp giữa lý thuyết hành vi người tiêu dùng trực tuyến và các kỹ thuật học máy (Machine Learning).

Về mặt lý luận, tác giả hệ thống hóa các khung lý thuyết tiêu biểu:

• Mô hình chấp nhận công nghệ (Technology Acceptance Model – TAM): Xem xét nhận thức về tính hữu ích và tính dễ sử dụng của nền tảng trực tuyến tác động đến hành vi mua sắm.
• Lý thuyết hành vi có kế hoạch (Theory of Planned Behavior – TPB): Phân tích tác động của thái độ cá nhân, chuẩn mực xã hội và khả năng kiểm soát hành vi trong quyết định mua hàng trực tuyến.
• Mô hình 5 giai đoạn của quá trình ra quyết định: Nhận thức nhu cầu, tìm kiếm thông tin, đánh giá các phương án, quyết định mua và đánh giá sau khi mua hàng.

Về phương pháp phân tích và học máy, tác giả sử dụng cả phương pháp học có giám sát và học không giám sát:

• Phân tích giỏ hàng (Market Basket Analysis): Áp dụng thuật toán Apriori để khai phá luật kết hợp (Association Rules) giữa các sản phẩm được mua cùng nhau trong một đơn hàng, dựa trên các thước đo độ phổ biến (Support), độ tin cậy (Confidence) và độ nâng (Lift).
• Phân cụm khách hàng (Customer Segmentation): Sử dụng thuật toán K-Means Clustering kết hợp phương pháp đường cong khuỷu tay (Elbow Method) để xác định số lượng cụm tối ưu và kỹ thuật phân tích thành phần chính (PCA) để giảm chiều không gian dữ liệu phục vụ trực quan hóa.
• Dự đoán hành vi mua lại (Reorder Prediction): Triển khai mô hình hồi quy Logistic (Logistic Regression) sử dụng hàm sigmoid phân loại nhị phân và mô hình rừng ngẫu nhiên (Random Forest) kết hợp kỹ thuật lấy mẫu bootstrap cùng lựa chọn đặc trưng ngẫu nhiên.
• Chỉ số đánh giá mô hình: Sử dụng các thước đo phân loại gồm Accuracy, Precision, Recall, F1-score và đường cong ROC cùng chỉ số AUC (Area Under the Curve).

Nguồn dữ liệu của nghiên cứu là tập dữ liệu mở "Instacart Market Basket Analysis" từ Kaggle, bao gồm hơn 3 triệu đơn hàng ẩn danh của hơn 200.000 người dùng thực tế. Dữ liệu được cấu trúc trong nhiều tệp tin liên kết: orders.csv, products.csv, aisles.csv, departments.csv, order_products__prior.csv và order_products__train.csv.

Tên biến dữ liệu	Ý nghĩa của biến	Kiểu giá trị
order_id	Mã định danh duy nhất của đơn hàng	Số nguyên
user_id	Mã định danh người dùng thực hiện đơn hàng	Số nguyên
eval_set	Tập dữ liệu phân chia theo mục đích	Chuỗi ký tự ("prior", "train", "test")
order_number	Thứ tự đơn hàng trong lịch sử của người dùng	Số nguyên, bắt đầu từ 1
order_dow	Ngày đặt hàng trong tuần	Số nguyên từ 0 đến 6 (0 là Chủ nhật, 6 là Thứ Bảy)
order_hour_of_day	Khung giờ đặt hàng trong ngày	Số nguyên từ 0 đến 23
days_since_prior_order	Số ngày cách biệt kể từ đơn hàng liền trước	Số nguyên hoặc giá trị khuyết (NA ở đơn đầu)
product_id	Mã định danh duy nhất của sản phẩm	Số nguyên
product_name	Tên cụ thể của sản phẩm hàng hóa	Chuỗi ký tự
aisle_id	Mã định danh kệ hàng phân loại chi tiết	Số nguyên
aisle	Tên kệ hàng (ví dụ: fresh fruits, milk)	Chuỗi ký tự
department_id	Mã định danh bộ phận ngành hàng	Số nguyên
department	Tên bộ phận ngành hàng (ví dụ: produce, bakery)	Chuỗi ký tự
add_to_cart_order	Thứ tự sản phẩm được thêm vào giỏ hàng	Số nguyên
reordered	Cờ ghi nhận việc mua lặp lại sản phẩm	Biến nhị phân (0 = không mua lại, 1 = mua lại)

Quy trình tiền xử lý và trích xuất đặc trưng (Feature Engineering) được thực hiện trên ngôn ngữ Python (sử dụng các thư viện Pandas, NumPy, Scikit-learn, Matplotlib, Seaborn, Plotly) trong môi trường Visual Studio Code. Tác giả tiến hành làm sạch dữ liệu, xử lý giá trị khuyết tại cột days_since_prior_order, áp dụng mã hóa nhãn (Label Encoding) hoặc nhị phân (One-Hot Encoding), đồng thời trích xuất các đặc trưng tổng hợp ở ba cấp độ: cấp người dùng (tổng số đơn, chu kỳ mua hàng trung bình, tỷ lệ mua lại), cấp sản phẩm (tổng lượt mua, tỷ lệ tái đặt hàng, vị trí thêm vào giỏ trung bình) và cấp tương tác người dùng - sản phẩm.

Nội dung chính theo từng chương

Chương 1: Cơ sở lý luận và thực tiễn về phân tích dữ liệu trong thương mại điện tử

Chương này cung cấp cái nhìn tổng quan về sự phát triển của thương mại điện tử toàn cầu và thị trường Việt Nam, chỉ ra các xu hướng như mua sắm qua thiết bị di động, bán hàng đa kênh (Omnichannel) và ứng dụng dữ liệu lớn. Tác giả phân tích mô hình hoạt động của Instacart—nền tảng kết nối người mua với nhà bán lẻ thông qua lực lượng mua sắm cá nhân (shoppers).

Về mặt lý thuyết, chương trình bày cơ chế hoạt động của thuật toán học có giám sát (Logistic Regression, Random Forest) và học không giám sát (K-Means, Apriori), kèm theo các chỉ số định lượng đánh giá mô hình phân loại. Phần cơ sở thực tiễn tổng thuật các nghiên cứu quốc tế liên quan (Caroline và cộng sự, 2023; Sonika Koganti và cộng sự, 2023) và các nghiên cứu trong nước (Phạm Hoàng Hiển và Trần Ngọc Quyên, 2024; Nguyễn Thị Thảo, 2025; Bùi Thị Thu Hòa và Đỗ Thị Dịu, 2023), làm rõ khoảng trống nghiên cứu về dự báo hành vi mua lại trên dữ liệu giao dịch lớn.

Chương 2: Dữ liệu nghiên cứu và phương pháp phân tích hành vi khách hàng trên nền tảng Instacart

Chương 2 mô tả chi tiết nguồn dữ liệu từ Kaggle với cấu trúc liên kết giữa các bảng đơn hàng, sản phẩm, bộ phận và kệ hàng. Tác giả phát biểu và thiết lập phương pháp giải quyết cho 3 bài toán phân tích cốt lõi:

1. Bài toán khai phá mối liên kết giữa các sản phẩm (Market Basket Analysis): Ứng dụng thuật toán Apriori nhằm lọc các tập mục phổ biến và trích xuất các luật kết hợp có chỉ số Lift cao phục vụ gợi ý sản phẩm bán kèm (cross-sell).
2. Bài toán phân khúc khách hàng (Customer Segmentation): Sử dụng thuật toán K-Means kết hợp phương pháp Elbow để chọn số cụm và áp dụng kỹ thuật PCA giảm chiều không gian dữ liệu để minh họa trực quan các nhóm người dùng.
3. Bài toán dự đoán hành vi mua lại của khách hàng (Reorder Prediction): Thiết kế quy trình tiền xử lý và trích xuất hệ thống đặc trưng đa tầng (đặc trưng người dùng, đặc trưng sản phẩm, đặc trưng lối đi kệ hàng aisle, đặc trưng tương tác lịch sử).

Chương 3: Kết quả đạt được và thảo luận

Chương 3 trình bày các kết quả phân tích khám phá dữ liệu (EDA), đánh giá mô hình học máy và phân tích phân cụm:

• Phân tích khám phá chỉ ra quy luật phân bố đơn hàng: các ngày cao điểm mua sắm rơi vào Chủ nhật (order_dow = 0) và Thứ Hai (order_dow = 1); khung giờ đặt hàng nhiều nhất tập trung vào ban ngày, đặc biệt là giai đoạn 8 giờ đến 11 giờ sáng. Các ngành hàng thiết yếu như rau quả tươi (produce), sữa và sản phẩm từ sữa có tỷ lệ mua lại (reordered) chiếm tỷ trọng cao nhất.
• Kết quả phân tích luật kết hợp (Apriori) thiết lập danh sách các sản phẩm có độ gắn kết cao trong giỏ hàng, cho thấy mối liên hệ rõ rệt giữa các mặt hàng thực phẩm hữu cơ (organic) và các loại trái cây bổ trợ.
• Kết quả phân cụm K-Means xác định giá trị tối ưu tại $K = 5$ thông qua phương pháp Elbow, phân tách 200.000 khách hàng thành 5 phân khúc riêng biệt về quy mô giỏ hàng và chu kỳ quay lại mua hàng.
• Kết quả thử nghiệm mô hình phân loại cho thấy mô hình Random Forest vượt trội hơn mô hình hồi quy Logistic về các chỉ số Accuracy, F1-score và ROC AUC trong việc nhận diện khả năng mua lại sản phẩm. Dựa trên phân tích trọng số đặc trưng (feature importance), các biến phản ánh tần suất mua hàng trong quá khứ và vị trí thêm vào giỏ hàng (add_to_cart_order) là những yếu tố có sức ảnh hưởng lớn nhất đến quyết định tái đặt hàng.

Kết quả và đóng góp

Nghiên cứu mang lại các kết quả định lượng cụ thể từ bộ dữ liệu hơn 3 triệu đơn hàng của Instacart:

• Xác định mô hình tiêu dùng theo thời gian: Đơn hàng tập trung chủ yếu vào hai ngày đầu tuần (Chủ nhật và Thứ Hai), với đỉnh điểm giao dịch nằm trong khoảng thời gian từ 8h đến 11h sáng. Khoảng cách giữa các đơn hàng (days_since_prior_order) thể hiện chu kỳ mua lặp lại rõ rệt theo tuần (7 ngày) hoặc tháng (30 ngày).
• Xác định hành vi phân loại ngành hàng: Ngành hàng rau củ quả tươi (produce) và các kệ hàng thực phẩm thiết yếu chiếm số lượng sản phẩm tiêu thụ lớn nhất và đạt tỷ lệ tái đặt hàng cao nhất trong tập dữ liệu.
• Phân khúc người dùng: Thuật toán K-Means phân tách người tiêu dùng thành 5 cụm hành vi rõ rệt, từ nhóm khách hàng mua sắm định kỳ thường xuyên với giỏ hàng lớn đến nhóm khách hàng mua ngẫu hứng với tần suất thấp.
• Hiệu suất mô hình dự báo: Mô hình Random Forest thể hiện độ chính xác phân loại cao hơn hồi quy Logistic, phản ánh tốt các mối quan hệ phi tuyến tính trong tập dữ liệu đa biến.

Thuật toán / Mô hình	Loại bài toán	Kỹ thuật / Chỉ số hỗ trợ	Mục đích áp dụng trong khóa luận
Apriori	Khai phá luật kết hợp	Support, Confidence, Lift	Khai phá sản phẩm mua cùng nhau, hỗ trợ gợi ý giỏ hàng (cross-sell)
K-Means Clustering	Học không giám sát (Phân cụm)	Elbow Method ($K=5$), PCA	Phân khúc khách hàng thành 5 nhóm dựa trên hành vi mua sắm
Logistic Regression	Học có giám sát (Phân loại nhị phân)	Hàm Sigmoid, Ngưỡng phân loại	Dự đoán khả năng mua lại sản phẩm (reordered), làm mô hình cơ sở
Random Forest	Học có giám sát (Ensemble Learning)	Bootstrap, Feature Importance, ROC AUC	Tối ưu hóa dự đoán mua lại sản phẩm và xếp hạng tầm quan trọng của đặc trưng

Khóa luận đề xuất các nhóm giải pháp ứng dụng cho doanh nghiệp thương mại điện tử:

• Xây dựng hệ thống gợi ý tự động (Recommender System): Áp dụng luật kết hợp từ thuật toán Apriori để tự động hóa đề xuất sản phẩm kèm theo tại trang giỏ hàng, nâng cao doanh số bán chéo.
• Cá nhân hóa tiếp thị theo phân khúc: Thiết kế thông điệp quảng cáo và chương trình ưu đãi riêng biệt cho 5 nhóm khách hàng được xác định từ K-Means, tối ưu ngân sách khuyến mãi và gia tăng tỷ lệ giữ chân khách hàng.
• Tối ưu hóa chuỗi cung ứng và kho vận: Căn cứ vào chu kỳ mua hàng định kỳ và các khung giờ cao điểm (sáng Chủ nhật và Thứ Hai) để điều phối nhân sự giao hàng và phân bổ hàng tồn kho cho các ngành hàng có tần suất mua lại cao.

Về mặt đóng góp, đề tài xây dựng một quy trình xử lý dữ liệu hoàn chỉnh từ khâu làm sạch, trích xuất biến đặc trưng đa cấp (người dùng, sản phẩm, ngành hàng) đến việc kết hợp song song cả phương pháp học có giám sát và không giám sát trên một bộ dữ liệu thương mại điện tử quy mô lớn.

Hạn chế và hướng nghiên cứu tiếp

Khóa luận ghi nhận một số hạn chế gắn liền với phạm vi dữ liệu:

• Nguồn dữ liệu nghiên cứu là tập dữ liệu thứ cấp từ Kaggle đã được ẩn danh hóa, phản ánh thị trường bán lẻ tại Hoa Kỳ và Canada, do đó các quy luật hành vi chưa đại diện cho thị trường thương mại điện tử tại các quốc gia đang phát triển hoặc tại Việt Nam.
• Dữ liệu tập trung vào các trường thông tin giao dịch có cấu trúc, thiếu các yếu tố hành vi phi cấu trúc như tương tác xem trang thời gian thực (clickstream), đánh giá phản hồi bằng văn bản (customer reviews), mức độ hài lòng hoặc khiếu nại dịch vụ.
• Thời gian nghiên cứu giới hạn trong 5 tháng (tháng 01/2025 đến tháng 05/2025), chưa kiểm thử mô hình trên môi trường trực tuyến thời gian thực (production/A-B testing).

Hướng nghiên cứu tiếp theo mà tác giả định hướng bao gồm:

• Thử nghiệm các thuật toán tăng cường độ dốc phức tạp hơn như XGBoost hoặc LightGBM (đã được đề cập trong danh mục viết tắt) nhằm nâng cao chỉ số F1-score và ROC AUC trong bài toán phân loại mua lại.
• Tích hợp thêm các dữ liệu thời gian thực và áp dụng kỹ thuật học sâu (Deep Learning) trong việc xây dựng hệ thống gợi ý sản phẩm thích ứng động theo ngữ cảnh của người dùng.

Giá trị tham khảo

Khóa luận là tài liệu tham khảo hữu ích cho:

• Sinh viên và học viên chuyên ngành Phân tích dữ liệu kinh doanh, Hệ thống thông tin quản lý, Khoa học dữ liệu và Thương mại điện tử đang tìm kiếm một quy trình nghiên cứu thực nghiệm hoàn chỉnh trên dữ liệu bán lẻ quy mô lớn.
• Các nhà nghiên cứu và người thực hiện đồ án tốt nghiệp cần tham khảo phương pháp trích xuất đặc trưng đa tầng (Feature Engineering) cho dữ liệu giao dịch nhiều bảng.
• Bộ phận phân tích dữ liệu (Data Analyst/BI) tại các doanh nghiệp bán lẻ trực tuyến cần khung tham chiếu về cách ứng dụng kết hợp giữa phân tích giỏ hàng (Market Basket Analysis), phân cụm khách hàng (RFM/K-Means) và mô hình học máy phân loại phục vụ tối ưu hóa hoạt động tiếp thị.

Nội dung có giá trị tham khảo cao nhất trong tài liệu là Chương 2 và Chương 3, đặc biệt là phần kỹ thuật xây dựng các biến đặc trưng hành vi và phương pháp đánh giá so sánh hiệu suất giữa mô hình tuyến tính (Logistic Regression) và mô hình phi tuyến (Random Forest).

Câu hỏi thường gặp

1. Bộ dữ liệu Instacart Market Basket Analysis trong khóa luận có quy mô và cấu trúc như thế nào?

Bộ dữ liệu được công bố trên Kaggle với quy mô hơn 3 triệu đơn hàng của hơn 200.000 khách hàng ẩn danh. Dữ liệu được chia thành các tệp tin quan hệ gồm: orders.csv (thông tin đơn hàng, thời gian đặt, chu kỳ mua), products.csv (danh mục sản phẩm), aisles.csv (kệ hàng chi tiết), departments.csv (ngành hàng lớn) và hai tệp chi tiết đơn hàng là order_products__prior.csv và order_products__train.csv chứa thông tin thứ tự thêm vào giỏ và cờ mua lại sản phẩm.

2. Tác giả đã giải quyết những bài toán nghiệp vụ cụ thể nào từ bộ dữ liệu này?

Khóa luận chia thành 3 bài toán phân tích chính:

• Khai phá mối liên kết giữa các sản phẩm (Market Basket Analysis) bằng thuật toán Apriori nhằm tìm quy luật sản phẩm mua kèm.
• Phân khúc khách hàng (Customer Segmentation) bằng thuật toán phân cụm K-Means nhằm nhóm người tiêu dùng có đặc điểm tương đồng.
• Dự đoán hành vi mua lại sản phẩm (Reorder Prediction) bằng mô hình Logistic Regression và Random Forest dựa trên lịch sử mua hàng.

3. Phân tích khám phá dữ liệu (EDA) chỉ ra những thói quen mua sắm nổi bật nào của khách hàng Instacart?

Dữ liệu cho thấy số lượng đơn hàng tập trung cao nhất vào các ngày Chủ nhật và Thứ Hai, với khung giờ cao điểm từ 8 giờ đến 11 giờ sáng. Các mặt hàng thuộc ngành rau củ quả tươi (produce) và sữa có tần suất đặt hàng cũng như tỷ lệ mua lại cao nhất. Khách hàng có xu hướng lặp lại chu kỳ đặt hàng theo tuần (cách 7 ngày) hoặc theo tháng (cách 30 ngày).

4. Thuật toán phân cụm K-Means xác định được bao nhiêu nhóm khách hàng và bằng phương pháp nào?

Tác giả xác định số cụm tối ưu là $K = 5$ dựa trên phương pháp đường cong khuỷu tay (Elbow Method), phân tích sự suy giảm của tổng phương sai trong cụm (WCSS). Sau đó, kỹ thuật giảm chiều dữ liệu PCA (Principal Component Analysis) được sử dụng để trực quan hóa không gian phân bố của 5 phân khúc khách hàng này.

5. Mô hình học máy nào cho kết quả dự đoán hành vi mua lại tốt hơn và nhờ những yếu tố nào?

Mô hình Random Forest đạt hiệu suất phân loại cao hơn mô hình hồi quy Logistic trên các chỉ số Accuracy, F1-score và ROC AUC. Mô hình này xử lý hiệu quả các quan hệ phi tuyến và tập biến số phức tạp; trong đó, các đặc trưng về lịch sử tần suất đặt hàng và vị trí thứ tự sản phẩm được thêm vào giỏ hàng (add_to_cart_order) là những biến có tầm quan trọng hàng đầu chi phối khả năng mua lại.

Kết luận

Khóa luận của tác giả Nguyễn Thị Tuyết Trinh đã thực hiện thành công việc phân tích hành vi tiêu dùng và dự báo xu hướng mua sắm trên nền tảng Instacart thông qua tập dữ liệu lớn với hơn 3 triệu đơn hàng. Bằng việc ứng dụng kết hợp thuật toán Apriori, K-Means Clustering cùng hai mô hình phân loại Logistic Regression và Random Forest, nghiên cứu đã giải quyết đồng thời bài toán tìm kiếm luật kết hợp sản phẩm, phân khúc 5 nhóm khách hàng đặc trưng và dự báo chính xác khả năng tái đặt hàng. Các phát hiện thực nghiệm về khung giờ cao điểm, danh mục thực phẩm thiết yếu và tầm quan trọng của các biến đặc trưng mang lại cơ sở khoa học tin cậy để doanh nghiệp thương mại điện tử triển khai chiến lược tiếp thị cá nhân hóa và tối ưu hóa vận hành chuỗi cung ứng. Công trình thể hiện tính chuẩn mực trong quy trình khai thác khoa học dữ liệu kinh doanh từ bước tiền xử lý, kiến tạo đặc trưng đến đánh giá thực nghiệm mô hình.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: CƠ SỞ LÝ LUẬN VÀ THỰC TIỄN VỀ PHÂN TÍCH DỮ LIỆU TRONG THƯƠNG MẠI ĐIỆN TỬ 1.1 Tổng quan về thương mại điện tử 1.1 Giới thiệu về thị trường thương mại điện tử hiện nay Thương mại điện tử, hay còn gọi là e – commerce, e – comm hay EC, là sự mua bán sản phẩm hay dịch vụ trên các hệ thống điện tử như Internet và các mạng máy tính. Thương mại điện tử dựa trên một số công nghệ như chuyển tiền điện tử, quản lý chuỗi dây chuyền cung ứng, tiếp thị Internet, quá trình giao dịch trực tuyến, trao đổi dữ liệu điện tử (EDI), các hệ thống quản lý hàng tồn kho, và các hệ thống tự động thu thập dữ liệu. Thương mại điện tử hiện đại thường sử dụng mạng World Wide Web là một điểm ít nhất phải có trong chu trình giao dịch, mặc dù nó có thể bao gồm một phạm vi lớn hơn về mặt công nghệ như email, các thiết bị di động như là điện thoại.Thương mại điện tử (TMĐT) đang trở thành một trong những lĩnh vực phát triển nhanh nhất trên toàn cầu, đóng vai trò quan trọng trong sự thay đổi hành vi mua sắm của người tiêu dùng. Với sự phát triển mạnh mẽ của công nghệ số, TMĐT không chỉ giúp doanh nghiệp tiếp cận khách hàng dễ dàng hơn mà còn tối ưu hóa quy trình kinh doanh, nâng cao hiệu quả hoạt động.

Trong những năm gần đây, TMĐT đã chứng kiến nhiều thay đổi và xu hướng quan trọng như sự tăng trưởng mạnh mẽ về doanh số nhờ vào sự phổ biến của Internet và điện thoại thông minh, sự lên ngôi của mua sắm di động khi người tiêu dùng ngày càng ưa chuộng sử dụng thiết bị di động để mua sắm, sự ứng dụng của trí tuệ nhân tạo (AI) và dữ liệu lớn (Big Data) nhằm cá nhân hóa trải nghiệm khách hàng, cũng như sự phát triển của mô hình bán hàng đa kênh (Omnichannel) giúp kết hợp giữa TMĐT và cửa hàng truyền thống để nâng cao trải nghiệm mua sắm.Dù có nhiều tiềm năng phát triển, TMĐT vẫn phải đối mặt với một số thách thức lớn như sự cạnh tranh gay gắt giữa các doanh nghiệp, vấn đề bảo mật thông tin và quyền riêng tư khi tình trạng lừa đảo trực tuyến và đánh cắp dữ liệu ngày càng phổ biến, chi phí logistics và giao hàng cao do yêu cầu tối ưu hóa chuỗi cung ứng, đặc biệt là khâu giao hàng nhanh và hiệu quả, cùng với đó là sự e ngại của người SVTH: Nguyễn Thị Tuyết Trinh 7 Khoá luận tốt nghiệp GVHD:TS. Nguyễn Thanh Tuấn tiêu dùng về chất lượng sản phẩm, chính sách đổi trả và dịch vụ khách hàng. Tại Việt Nam, thị trường TMĐT đang phát triển nhanh chóng với sự tham gia của nhiều nền tảng lớn như Shopee, Lazada, Tiki và Sendo. Doanh thu từ TMĐT Việt Nam đạt mức tăng trưởng hai con số mỗi năm, phản ánh xu hướng tiêu dùng mới.

Chính phủ cũng đang thúc đẩy thanh toán không dùng tiền mặt và hỗ trợ doanh nghiệp phát triển hạ tầng số. Tuy nhiên, vẫn còn những thách thức cần vượt qua như tình trạng hàng giả, chất lượng sản phẩm không đồng đều và dịch vụ hậu mãi chưa tối ưu, gây ảnh hưởng đến niềm tin của khách hàng. TMĐT đang trở thành một xu hướng tất yếu trong thời đại số, mang lại nhiều cơ hội và thách thức cho doanh nghiệp. Việc ứng dụng công nghệ, tối ưu hóa chuỗi cung ứng và nâng cao trải nghiệm khách hàng sẽ là những yếu tố quan trọng giúp doanh nghiệp phát triển bền vững trong lĩnh vực này.2 Lý thuyết hành vi người tiêu dùng trong môi trường trực tuyến Hành vi người tiêu dùng trong môi trường trực tuyến là một lĩnh vực nghiên cứu quan trọng nhằm hiểu rõ cách thức mà người tiêu dùng tiếp cận, lựa chọn và quyết định mua sắm thông qua các nền tảng kỹ thuật số.

So với hành vi tiêu dùng truyền thống, hành vi tiêu dùng trực tuyến chịu tác động bởi nhiều yếu tố đặc thù, bao gồm sự tiện lợi, sự ảnh hưởng của đánh giá trực tuyến, cá nhân hóa trải nghiệm mua sắm và mức độ tin cậy của nền tảng. Một trong những yếu tố quan trọng ảnh hưởng đến hành vi tiêu dùng trực tuyến là sự tiện lợi. Mua sắm trực tuyến giúp người tiêu dùng tiết kiệm thời gian và công sức so với phương thức truyền thống. Khả năng tiếp cận sản phẩm mọi lúc, mọi nơi và quá trình thanh toán nhanh chóng là những lợi ích quan trọng thúc đẩy hành vi mua sắm trực tuyến.

Ngoài ra, tính tin cậy và bảo mật cũng là một yếu tố then chốt. Người tiêu dùng có xu hướng lựa chọn những nền tảng uy tín, có chính sách đổi trả rõ ràng và hệ thống bảo mật thông tin tốt để tránh rủi ro khi giao dịch trực tuyến. Việc xây dựng lòng tin với khách hàng là một chiến lược quan trọng để doanh nghiệp TMĐT phát triển bền vững. SVTH: Nguyễn Thị Tuyết Trinh 8 Khoá luận tốt nghiệp GVHD:TS.

Nguyễn Thanh Tuấn Tác động của đánh giá và phản hồi cũng đóng vai trò quan trọng trong quyết định mua hàng. Đánh giá sản phẩm từ người dùng khác giúp khách hàng có thêm thông tin để đưa ra quyết định chính xác hơn. Những sản phẩm có nhiều phản hồi tích cực thường có tỷ lệ mua cao hơn, cho thấy ảnh hưởng mạnh mẽ của cộng đồng trong môi trường mua sắm trực tuyến. Bên cạnh đó, cá nhân hóa trải nghiệm mua sắm ngày càng được áp dụng rộng rãi.

Các thuật toán trí tuệ nhân tạo (AI) và dữ liệu lớn (Big Data) giúp doanh nghiệp đề xuất sản phẩm phù hợp với sở thích và hành vi của từng cá nhân, thúc đẩy quyết định mua sắm và tăng doanh thu. Mạng xã hội cũng ảnh hưởng đáng kể đến hành vi tiêu dùng. Các nền tảng như Facebook, Instagram, TikTok ngày càng trở thành kênh quan trọng giúp người tiêu dùng khám phá và mua sắm sản phẩm thông qua quảng cáo và nội dung do người dùng tạo ra. Xu hướng “social commerce” đang dần thay đổi cách thức mua sắm trực tuyến truyền thống.

Một số mô hình lý thuyết phổ biến giúp phân tích hành vi tiêu dùng trực tuyến bao gồm Mô hình TAM (Technology Acceptance Model), giải thích cách người tiêu dùng chấp nhận và sử dụng công nghệ, tập trung vào hai yếu tố chính là tính hữu ích và tính dễ sử dụng của nền tảng trực tuyến. Mô hình TPB (Theory of Planned Behavior) nhấn mạnh vai trò của thái độ, chuẩn mực xã hội và kiểm soát hành vi trong quyết định mua sắm trực tuyến. Ngoài ra, Mô hình 5 giai đoạn của quá trình ra quyết định mua sắm gồm các bước nhận thức nhu cầu, tìm kiếm thông tin, đánh giá lựa chọn, quyết định mua và đánh giá sau mua, giúp hiểu rõ cách người tiêu dùng tiếp cận và thực hiện hành vi mua sắm trực tuyến.3 Giới thiệu về nền tảng Instacart Instacart là một nền tảng thương mại điện tử chuyên về dịch vụ giao hàng tạp hóa theo yêu cầu tại Mỹ và Canada. Được thành lập vào năm 2012, Instacart kết nối khách hàng với các cửa hàng bán lẻ để mua sắm thực phẩm và nhu yếu phẩm thông qua ứng dụng di động hoặc trang web.

Người dùng có thể duyệt danh mục sản phẩm, đặt hàng và nhận hàng ngay tại nhà hoặc lấy tại cửa hàng. Nền tảng này hoạt động trên SVTH: Nguyễn Thị Tuyết Trinh 9 Khoá luận tốt nghiệp GVHD:TS. Nguyễn Thanh Tuấn mô hình kinh tế chia sẻ, trong đó các cá nhân (gọi là "shoppers") nhận đơn hàng, thu mua sản phẩm tại các cửa hàng đối tác và giao hàng đến tận tay khách hàng. Với sự phát triển mạnh mẽ, Instacart đã hợp tác với nhiều chuỗi siêu thị lớn như Walmart, Costco, Kroger, và Whole Foods, giúp nền tảng này thu hút hàng triệu người dùng.

Dịch vụ này không chỉ mang lại sự tiện lợi cho người tiêu dùng mà còn tạo ra nhiều cơ hội việc làm bán thời gian cho người lao động.2 Tổng quan về học máy 1.1 Giới thiệu về học máy Học máy (Machine Learning – ML) là một nhánh của trí tuệ nhân tạo (AI), nó là một lĩnh vực nghiên cứu cho phép máy tính có khả năng cải thiện chính bản thân chúng dựa trên dữ liệu mẫu (training data) hoặc dựa vào kinh nghiệm (những gì đã được học). Machine learning có thể tự dự đoán hoặc đưa ra quyết định mà không cần được lập trình cụ thể. Có nhiều phương pháp học máy khác nhau, trong đó phổ biến nhất là học có giám sát (Supervised Learning), nơi mô hình học từ dữ liệu có nhãn để dự đoán kết quả, và học không giám sát (Unsupervised Learning), được sử dụng để tìm ra các mẫu ẩn trong dữ liệu mà không cần nhãn trước. Ngoài ra, học bán giám sát (Semi- supervised Learning) kết hợp cả hai phương pháp trên để tận dụng tối đa dữ liệu có sẵn, trong khi học tăng cường (Reinforcement Learning) giúp mô hình tự cải thiện thông qua phản hồi từ môi trường.2 Ứng dụng của học máy Machine Learning (học máy) hiện nay được ứng dụng rộng rãi trong nhiều lĩnh vực khác nhau như tài chính – ngân hàng, sinh học, nông nghiệp, tìm kiếm và trích xuất thông tin, tự động hóa, robotics, hóa học, mạng máy tính, khoa học vũ trụ, quảng cáo, xử lý ngôn ngữ tự nhiên, thị giác máy tính và nhiều lĩnh vực khác.

Nhờ vào khả năng phân tích dữ liệu lớn và đưa ra dự đoán chính xác, học máy đã chứng minh được hiệu quả vượt trội so với con người trong những lĩnh vực mà nó được áp dụng. Ví dụ, trong dự báo thời tiết, con người thường sử dụng các phép tính và quan sát dữ liệu trong quá khứ để đưa ra dự đoán cho tương lai. Tuy nhiên, khi số lượng quan sát có thể SVTH: Nguyễn Thị Tuyết Trinh 10 Khoá luận tốt nghiệp GVHD:TS. Nguyễn Thanh Tuấn lên đến hàng triệu hoặc hàng tỷ dữ liệu, con người khó có thể xử lý và tính toán chính xác.

Khi áp dụng Machine Learning, máy tính có thể học từ những quan sát trước đó và tự động đưa ra dự đoán thời tiết với độ chính xác cao hơn nhiều so với phương pháp truyền thống. Nhờ sự phổ biến và hiệu quả của học máy, việc nắm vững kiến thức về Machine Learning không chỉ giúp con người tối ưu hóa công việc mà còn mang lại lợi thế lớn trong thời đại công nghệ 4. Trong lĩnh vực thương mại điện tử, học máy có nhiều ứng dụng quan trọng như dự đoán xu hướng mua sắm, gợi ý sản phẩm cá nhân hóa, phát hiện gian lận trong giao dịch và tối ưu hóa chiến dịch tiếp thị.