Đề án: Dự báo Khách hàng Sử Dụng Dịch Vụ FiberVNN của VNPT Tây Ninh Có Nguy Cơ Rời Mạng

Dự báo nguy cơ rời mạng của khách hàng FiberVNN VNPT Tây Ninh. Ứng dụng Machine Learning để phân tích và đưa ra dự đoán chính xác, hỗ trợ giữ chân khách hàng.

• Tác giả: Dương Minh Lý
• Người hướng dẫn: PGS. Vi Đức Lung
• Trường học: Học Viện Công Nghệ Bưu Chính Viễn Thông
• Chuyên ngành: Hệ Thống Thông Tin
• Đề tài: Dự báo Khách hàng Sử dụng Dịch Vụ FiberVNN Của VNPT Tây Ninh Có Nguy Cơ Rời Mạng
• Loại tài liệu: Đồ Án Tốt Nghiệp Thạc Sĩ Kỹ Thuật
• Năm xuất bản: 2023
• Địa điểm: Thành Phố Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CÁM ƠN
• MỤC LỤC
• 1. TỔNG QUAN VÀ ĐẶT VẤN ĐỀ
• 1.1. Lý do chọn đề tài
• 1.2. Mục tiêu nghiên cứu
• 1.3. Đối tượng và phạm vi nghiên cứu
• 1.4. Phương pháp nghiên cứu
• 2. TỔNG QUAN VÀ CƠ SỞ LÝ THUYẾT
• 2.1. Các lý thuyết liên quan
• 2.1.1. Kỹ thuật khai phá dữ liệu và phương pháp học máy
• 2.1.2. Tổng quan Azure Machine Learning và phần mềm Weka
• 2.1.2.1. Azure Machine Learning
• 2.1.2.2. Phần mềm Weka
• 2.1.3. Một số thuật toán dự báo trên Azure Machine Learning
• 3. PHƯƠNG PHÁP DỰ BÁO KHÁCH HÀNG CÓ NGUY CƠ RẢI MẠNG
• 3.1. Tổng quát thuật toán được lựa chọn áp dụng vào mô hình dự báo
• 3.2. Sơ đồ tổng quát của hệ thống
• 4. THỬ NGHIỆM VÀ ĐÁNH GIÁ KẾT QUẢ
• 4.1. Môi trường thực nghiệm
• 4.2. Bộ dữ liệu thực nghiệm
• 4.3. Các bước xây dựng và thực nghiệm mô hình dự báo
• 4.4. Đánh giá kết quả
• 4.5. Kết quả đạt được
• 4.6. Khó khăn và hướng phát triển
• DANH MỤC TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Dự Báo Churn FiberVNN VNPT Tây Ninh

Trong bối cảnh thị trường viễn thông cạnh tranh khốc liệt, việc dự báo churn (rời mạng) trở nên vô cùng quan trọng. VNPT Tây Ninh, với dịch vụ FiberVNN VNPT Tây Ninh, đối mặt với thách thức giữ chân khách hàng. Chi phí để thu hút một khách hàng mới thường cao hơn đáng kể so với chi phí giữ chân khách hàng hiện tại. Việc xác định sớm nguy cơ rời mạng giúp VNPT chủ động triển khai các biện pháp can thiệp, như chương trình khuyến mãi cá nhân hóa hoặc cải thiện chất lượng dịch vụ. Phân tích dữ liệu khách hàng là chìa khóa để hiểu rõ hành vi và dự đoán khả năng khách hàng chuyển sang nhà cung cấp khác. Việc này không chỉ giúp giảm churn rate mà còn nâng cao uy tín và doanh thu. Một nghiên cứu chỉ ra rằng chi phí để có một khách hàng mới có thể cao gấp 5 lần so với chi phí giữ chân một khách hàng hiện có. (Nguồn: "Marketing Metrics: The Definitive Guide to Measuring Marketing Performance" by Paul Farris et al.).

1.1. Tầm Quan Trọng Của Dự Đoán Churn Trong Viễn Thông

Dự đoán churn không chỉ là một bài toán kỹ thuật, mà còn là một chiến lược kinh doanh quan trọng. Việc dự đoán chính xác khách hàng có nguy cơ rời mạng cho phép VNPT Tây Ninh tập trung nguồn lực vào những đối tượng này, giảm thiểu lãng phí và tăng hiệu quả giữ chân khách hàng. Điều này đặc biệt quan trọng trong bối cảnh thị trường bão hòa, nơi việc cạnh tranh để giành thị phần trở nên ngày càng khó khăn. Việc dự đoán churn còn giúp VNPT chủ động hơn trong việc cải thiện chất lượng dịch vụ và đáp ứng nhu cầu của khách hàng.

1.2. Thách Thức Trong Dự Báo Rời Mạng FiberVNN VNPT

Việc dự đoán churn không phải lúc nào cũng dễ dàng. Dữ liệu khách hàng có thể không đầy đủ, chính xác hoặc bị nhiễu. Hành vi của khách hàng cũng có thể thay đổi theo thời gian, khiến cho các mô hình dự đoán trở nên kém hiệu quả. Ngoài ra, việc lựa chọn các thuật toán machine learning phù hợp và tối ưu hóa chúng cho dữ liệu FiberVNN cũng là một thách thức lớn. Một báo cáo của Gartner cho thấy 60% các dự án phân tích dữ liệu thất bại do dữ liệu kém chất lượng.

II. Cách Xây Dựng Mô Hình Dự Đoán Churn FiberVNN VNPT

Xây dựng mô hình dự đoán churn hiệu quả đòi hỏi một quy trình bài bản từ thu thập dữ liệu đến triển khai. Bước đầu tiên là thu thập dữ liệu khách hàng FiberVNN, bao gồm thông tin cá nhân, lịch sử sử dụng dịch vụ, lịch sử thanh toán, và tương tác với bộ phận hỗ trợ. Tiếp theo là tiền xử lý dữ liệu (data preprocessing), bao gồm làm sạch dữ liệu, xử lý giá trị thiếu, và chuyển đổi các biến. Sau đó, lựa chọn các thuật toán dự đoán churn phù hợp, như Logistic Regression, Decision Tree, Random Forest, hoặc Support Vector Machine (SVM). Cuối cùng, huấn luyện mô hình, đánh giá hiệu suất, và điều chỉnh các tham số để đạt được độ chính xác cao nhất. Mô hình cần có khả năng tổng quát hóa tốt, tránh hiện tượng overfitting hoặc underfitting.

2.1. Thu Thập và Tiền Xử Lý Dữ Liệu Khách Hàng FiberVNN

Việc thu thập dữ liệu đầy đủ và chính xác là nền tảng của mọi mô hình dự đoán churn. VNPT Tây Ninh cần đảm bảo rằng tất cả các thông tin quan trọng về khách hàng được ghi lại một cách có hệ thống. Sau khi thu thập, dữ liệu cần được làm sạch để loại bỏ các giá trị sai lệch hoặc thiếu. Các biến categorical (ví dụ: loại gói cước) cần được chuyển đổi thành các biến số để có thể sử dụng trong các thuật toán machine learning.

2.2. Lựa Chọn Thuật Toán Machine Learning Phù Hợp

Không có thuật toán machine learning nào là tốt nhất cho mọi bài toán dự đoán churn. VNPT Tây Ninh cần thử nghiệm với nhiều thuật toán khác nhau và so sánh hiệu suất của chúng trên dữ liệu FiberVNN. Các thuật toán như Logistic Regression thường đơn giản và dễ giải thích, trong khi các thuật toán phức tạp hơn như Random Forest có thể đạt được độ chính xác cao hơn. Việc lựa chọn thuật toán phù hợp phụ thuộc vào đặc điểm của dữ liệu và yêu cầu về độ chính xác và khả năng giải thích của mô hình.

2.3. Đánh Giá và Tối Ưu Hóa Mô Hình Dự Đoán Churn

Sau khi huấn luyện, mô hình cần được đánh giá để đảm bảo rằng nó có thể dự đoán churn một cách chính xác. Các chỉ số đánh giá phổ biến bao gồm độ chính xác (Accuracy), độ nhạy (Sensitivity), độ đặc hiệu (Specificity), và diện tích dưới đường cong ROC (AUC). Nếu hiệu suất của mô hình chưa đạt yêu cầu, cần điều chỉnh các tham số hoặc thử nghiệm với các thuật toán khác.

III. Ứng Dụng AI Dự Đoán Churn Rate FiberVNN Hiệu Quả

Ứng dụng AI dự đoán churn rate FiberVNN không chỉ dừng lại ở việc xây dựng mô hình, mà còn bao gồm việc triển khai và tích hợp mô hình vào hệ thống quản lý khách hàng. VNPT Tây Ninh có thể sử dụng mô hình để xác định những khách hàng có nguy cơ rời mạng cao và tự động kích hoạt các chiến dịch giữ chân khách hàng, ví dụ như gửi tin nhắn khuyến mãi hoặc gọi điện chăm sóc khách hàng. Ngoài ra, mô hình cũng có thể được sử dụng để phân tích nguyên nhân khách hàng FiberVNN rời mạng và đưa ra các khuyến nghị để cải thiện chất lượng dịch vụ. Cải thiện trải nghiệm khách hàng FiberVNN VNPT Tây Ninh sẽ giảm churn rate đáng kể.

3.1. Triển Khai Mô Hình Dự Đoán Churn Vào Hệ Thống CRM

Để mô hình dự đoán churn có thể mang lại giá trị thực tế, nó cần được tích hợp vào hệ thống quản lý quan hệ khách hàng (CRM) của VNPT Tây Ninh. Việc tích hợp này cho phép nhân viên kinh doanh và chăm sóc khách hàng dễ dàng truy cập thông tin về nguy cơ rời mạng của từng khách hàng và triển khai các biện pháp can thiệp phù hợp.

3.2. Cá Nhân Hóa Chiến Dịch Giữ Chân Khách Hàng

Một trong những lợi ích lớn nhất của việc sử dụng mô hình dự đoán churn là khả năng cá nhân hóa các chiến dịch giữ chân khách hàng. Thay vì áp dụng một chiến dịch duy nhất cho tất cả khách hàng, VNPT Tây Ninh có thể điều chỉnh các ưu đãi và thông điệp truyền thông dựa trên đặc điểm và hành vi của từng khách hàng, từ đó tăng hiệu quả của chiến dịch.

3.3. Giám Sát và Cải Tiến Liên Tục Mô Hình

Thị trường viễn thông và hành vi của khách hàng liên tục thay đổi. Do đó, mô hình dự đoán churn cần được giám sát và cải tiến liên tục để duy trì độ chính xác. VNPT Tây Ninh cần thường xuyên đánh giá hiệu suất của mô hình và điều chỉnh các tham số hoặc tái huấn luyện mô hình với dữ liệu mới nếu cần thiết.

IV. Phân Tích Nguyên Nhân Khách Hàng FiberVNN Rời Mạng Tây Ninh

Việc phân tích nguyên nhân khách hàng FiberVNN rời mạng Tây Ninh là một phần quan trọng trong quy trình dự đoán và ngăn chặn churn. Bằng cách tìm hiểu lý do tại sao khách hàng quyết định chuyển sang nhà cung cấp khác, VNPT Tây Ninh có thể xác định các vấn đề cần cải thiện và đưa ra các giải pháp hiệu quả. Các nguyên nhân phổ biến bao gồm chất lượng dịch vụ kém, giá cả không cạnh tranh, trải nghiệm khách hàng không tốt, hoặc sự xuất hiện của các dịch vụ mới hấp dẫn hơn từ đối thủ. Phân tích này có thể sử dụng các phương pháp khai phá dữ liệu để tìm kiếm các mẫu (pattern) quan trọng.

4.1. Khảo Sát Ý Kiến Khách Hàng Rời Mạng

Một trong những cách tốt nhất để tìm hiểu nguyên nhân khách hàng rời mạng là trực tiếp hỏi họ. VNPT Tây Ninh có thể thực hiện các cuộc khảo sát hoặc phỏng vấn với những khách hàng đã rời mạng để thu thập thông tin chi tiết về lý do tại sao họ quyết định chuyển sang nhà cung cấp khác. Thông tin này có thể giúp xác định các vấn đề cụ thể cần giải quyết.

4.2. Phân Tích Dữ Liệu Tương Tác Khách Hàng Với Bộ Phận Hỗ Trợ

Dữ liệu về các cuộc gọi và tin nhắn của khách hàng với bộ phận hỗ trợ có thể cung cấp những thông tin quý giá về các vấn đề mà khách hàng đang gặp phải. Bằng cách phân tích dữ liệu này, VNPT Tây Ninh có thể xác định các vấn đề phổ biến và đưa ra các giải pháp để cải thiện trải nghiệm khách hàng.

4.3. Đánh Giá Chất Lượng Dịch Vụ FiberVNN

Chất lượng dịch vụ là một yếu tố quan trọng ảnh hưởng đến quyết định rời mạng của khách hàng. VNPT Tây Ninh cần thường xuyên đánh giá chất lượng dịch vụ FiberVNN, bao gồm tốc độ internet, độ ổn định của kết nối, và chất lượng hỗ trợ kỹ thuật. Nếu phát hiện ra các vấn đề, cần có các biện pháp khắc phục kịp thời.

V. Giải Pháp Giảm Churn Rate FiberVNN VNPT Tây Ninh

Để giải pháp giảm churn rate FiberVNN hiệu quả, VNPT Tây Ninh cần kết hợp nhiều biện pháp khác nhau, từ cải thiện chất lượng dịch vụ đến tăng cường tương tác với khách hàng. Cần tập trung vào việc cung cấp trải nghiệm khách hàng tốt nhất có thể, từ quá trình đăng ký đến sử dụng dịch vụ và hỗ trợ sau bán hàng. Chính sách giữ chân khách hàng VNPT Tây Ninh cần được xây dựng dựa trên sự hiểu biết sâu sắc về nhu cầu và mong muốn của khách hàng. Ưu tiên nâng cao retention rate FiberVNN VNPT Tây Ninh.

5.1. Cải Thiện Chất Lượng Dịch Vụ và Hỗ Trợ Kỹ Thuật

Chất lượng dịch vụ và hỗ trợ kỹ thuật tốt là yếu tố then chốt để giữ chân khách hàng. VNPT Tây Ninh cần đảm bảo rằng dịch vụ FiberVNN luôn ổn định, tốc độ internet đáp ứng nhu cầu của khách hàng, và đội ngũ hỗ trợ kỹ thuật sẵn sàng giải quyết các vấn đề một cách nhanh chóng và hiệu quả.

5.2. Tăng Cường Tương Tác Với Khách Hàng

Việc tương tác thường xuyên với khách hàng giúp VNPT Tây Ninh xây dựng mối quan hệ tốt đẹp và hiểu rõ hơn về nhu cầu của họ. Có thể sử dụng nhiều kênh khác nhau để tương tác với khách hàng, bao gồm email, tin nhắn, mạng xã hội, và các sự kiện offline. Cần chú trọng đến việc thu thập phản hồi của khách hàng và sử dụng chúng để cải thiện dịch vụ.

5.3. Xây Dựng Chương Trình Khách Hàng Thân Thiết

Một chương trình khách hàng thân thiết hiệu quả có thể khuyến khích khách hàng tiếp tục sử dụng dịch vụ FiberVNN. VNPT Tây Ninh có thể cung cấp các ưu đãi đặc biệt cho khách hàng lâu năm, ví dụ như giảm giá cước, tặng thêm dung lượng, hoặc ưu tiên hỗ trợ.

VI. Kết Luận và Hướng Phát Triển Dự Báo Churn FiberVNN

Việc dự báo khách hàng FiberVNN VNPT Tây Ninh có nguy cơ rời mạng bằng machine learning là một bài toán phức tạp nhưng có giá trị lớn. Bằng cách xây dựng và triển khai các mô hình dự đoán churn hiệu quả, VNPT Tây Ninh có thể giảm thiểu churn rate, tăng doanh thu, và nâng cao uy tín thương hiệu. Trong tương lai, có thể nghiên cứu và ứng dụng các thuật toán AI mới hơn, cũng như tích hợp thêm các nguồn dữ liệu khác để cải thiện độ chính xác của mô hình.

6.1. Tổng Kết Các Kết Quả Đạt Được

Bài viết này đã trình bày tổng quan về bài toán dự đoán churn trong lĩnh vực viễn thông, các phương pháp machine learning phổ biến, và các bước cần thiết để xây dựng và triển khai một mô hình dự đoán churn hiệu quả cho dịch vụ FiberVNN của VNPT Tây Ninh. Các giải pháp giảm churn rate cũng đã được đề xuất.

6.2. Hướng Nghiên Cứu và Phát Triển Tiếp Theo

Trong tương lai, có thể nghiên cứu và ứng dụng các thuật toán machine learning mới hơn, như deep learning, để cải thiện độ chính xác của mô hình dự đoán churn. Cũng cần tập trung vào việc tích hợp thêm các nguồn dữ liệu khác, như dữ liệu mạng xã hội, để có cái nhìn toàn diện hơn về hành vi của khách hàng.

Nội dung chính

Tổng quan nghiên cứu

Thị trường viễn thông băng rộng cố định tại Việt Nam đang bước vào giai đoạn bão hòa với sự cạnh tranh gay gắt giữa các nhà cung cấp dịch vụ lớn. Thực tế tại VNPT Tây Ninh trong quý IV/2022 cho thấy tỷ lệ thuê bao FiberVNN rời mạng trên số thuê bao phát triển mới ở mức đáng báo động: tháng 10/2022 đạt 35% (480 khách hàng rời mạng trên 1.359 thuê bao mới), tháng 11/2022 tăng lên 45% (655 rời mạng trên 1.449 thuê bao mới) và tháng 12/2022 duy trì ở mức 42% (669 rời mạng trên 1.592 thuê bao mới). Con số này vượt xa ngưỡng an toàn cho phép là dưới 20%. Trong khi chi phí phát triển một thuê bao mới tối thiểu khoảng 1.450.000 VNĐ (bao gồm 100.000 VNĐ phí lắp đặt, 150.000 VNĐ hoa hồng, 400.000 VNĐ dây cáp mạng và 800.000 VNĐ thiết bị modem), chi phí duy trì một khách hàng hiện hữu thông qua các chính sách ưu đãi cước chỉ chiếm khoảng 540.000 VNĐ (tương đương miễn giảm 180.000 VNĐ/tháng trong 3 tháng).

Vấn đề nghiên cứu trọng tâm là khắc phục phương thức quản lý thuê bao thụ động vốn gây lãng phí ngân sách hoặc can thiệp sai đối tượng. Đề án đặt ra mục tiêu cụ thể là xây dựng hệ thống khai phá dữ liệu và ứng dụng máy học nhằm phân loại, phát hiện sớm các thuê bao cáp quang FiberVNN có nguy cơ rời mạng tại địa bàn tỉnh Tây Ninh trong giai đoạn 2022 - 2023. Kết quả nghiên cứu có ý nghĩa kinh tế trực tiếp khi hỗ trợ doanh nghiệp kéo giảm tỷ lệ rời mạng về dưới 20%, bảo vệ doanh thu định kỳ và tối ưu hóa đến 60% chi phí chăm sóc khách hàng hàng năm.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng kỹ thuật khai phá dữ liệu (Data Mining) chuẩn hóa qua quy trình 6 giai đoạn: làm sạch dữ liệu, tích hợp dữ liệu, lựa chọn thuộc tính, chuyển đổi dữ liệu, khai phá dữ liệu và đánh giá mẫu. Về mặt máy học (Machine Learning), đề án tập trung vào phân loại nhị phân (Binary Classification) thuộc nhóm học có giám sát (Supervised Learning).

Trọng tâm mô hình hóa là thuật toán học kết hợp (Ensemble Learning) dạng tăng cường thích ứng Two-Class Boosted Decision Tree (Cây quyết định tăng cường nhị phân). Thuật toán này hoạt động theo cơ chế lặp: mỗi cây quyết định đơn lẻ được xây dựng tuần tự để sửa chữa sai số của cây trước đó. Trọng số của các mẫu bị phân loại sai được tính toán theo tỷ số lỗi $\varepsilon$ (bằng tổng trọng số mẫu phân loại sai chia cho tổng trọng số tất cả các mẫu) và tự động tăng lên trong vòng lặp kế tiếp, biến tập hợp các bộ phân loại yếu thành một mô hình phân loại tổng thể có độ chính xác vượt trội. Bên cạnh đó, nghiên cứu tích hợp các khái niệm chuyên ngành như tỷ lệ rời mạng (Churn Rate), giá trị vòng đời khách hàng (CLV), độ nhạy (Recall), độ chính xác (Precision) và diện tích dưới đường cong đặc trưng hoạt động máy thu (ROC-AUC).

Phương pháp nghiên cứu

Nguồn dữ liệu nghiên cứu được trích xuất trực tiếp từ hệ thống Điều hành Sản xuất Kinh doanh tập trung của Tập đoàn VNPT với quy mô 152.719 bản ghi khách hàng sử dụng dịch vụ FiberVNN tại tỉnh Tây Ninh chốt số liệu đến ngày 30/11/2022. Phương pháp chọn mẫu là chọn toàn bộ tổng thể dữ liệu thực tế phát sinh (Population Census Sampling), sau đó dữ liệu được phân chia ngẫu nhiên theo tỷ lệ 80% cho tập huấn luyện (Training Set) và 20% cho tập kiểm thử (Testing Set).

Lý do lựa chọn phương pháp phân tích này là sự kết hợp tối ưu giữa phần mềm WEKA và nền tảng đám mây Microsoft Azure Machine Learning. WEKA được sử dụng trong giai đoạn tiền xử lý nhờ khả năng trực quan hóa phân phối dữ liệu, xử lý dữ liệu ngoại lai, chuyển đổi thuộc tính định danh (NumericToNominal) và phân vùng biến liên tục (Binning). Nền tảng Azure Machine Learning được chọn để triển khai mô hình vì cung cấp sẵn các thuật toán tối ưu hóa cao, hỗ trợ tinh chỉnh siêu tham số tự động và cho phép đóng gói mô hình thành dịch vụ Web Service REST API phục vụ tích hợp thời gian thực. Timeline nghiên cứu được triển khai từ tháng 11/2022 đến tháng 08/2023 qua các mốc trích xuất dữ liệu, tiền xử lý, huấn luyện mô hình và đánh giá thực nghiệm.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Nghiên cứu đã tinh lọc thành công bộ dữ liệu gồm 17 thuộc tính đầu vào đặc trưng phản ánh toàn diện hành vi tiêu dùng và 1 thuộc tính mục tiêu (THANHLY). Các phát hiện nổi bật qua mô hình thực nghiệm bao gồm:

• Mức độ ảnh hưởng của sự cố kỹ thuật: Nhóm thuê bao có số lần báo hỏng từ 3 lần trở lên trong vòng 6 tháng gần nhất có xác suất rời mạng cao gấp 2,8 lần so với nhóm thuê bao có đường truyền ổn định.
• Hành vi ngắt quãng dịch vụ: Thuộc tính không phát sinh lưu lượng liên tục 5 ngày trong 3 tháng gần nhất (KO_PSLL) và số lần tạm ngưng dịch vụ (SOLAN_TAMNGUNG) là hai chỉ báo sớm mạnh mẽ nhất, với 73% khách hàng rời mạng từng có dấu hiệu ngắt lưu lượng trước đó 60 ngày.
• Tác động của hình thức đóng cước: Nhóm khách hàng thanh toán từng tháng có tỷ lệ rời mạng chiếm 82% tổng lượng khách hàng rời mạng, trong khi nhóm sử dụng gói cước đóng trước 6 đến 12 tháng có tỷ lệ gắn kết cao hơn 4,5 lần.
• Hiệu năng thuật toán vượt trội: Thuật toán Two-Class Boosted Decision Tree đạt độ chính xác dự báo trên 92%, chỉ số AUC đạt 0,927 và F1-Score đạt 0,915, vượt trội hơn hẳn so với Two-Class SVM (đạt khoảng 86%) và Two-Class Logistic Regression (đạt khoảng 84%).

Thảo luận kết quả

Dữ liệu kết quả được trực quan hóa thông qua biểu đồ đường cong ROC-AUC, bảng ma trận nhầm lẫn (Confusion Matrix) và biểu đồ phân bổ tần suất thuộc tính trên giao diện WEKA. Ma trận nhầm lẫn chỉ ra rằng mô hình kiểm soát tỷ lệ sai dương (False Positive) ở mức dưới 8%, giúp doanh nghiệp tránh được việc chi trả lãng phí ngân sách chăm sóc cho những khách hàng vốn không có ý định rời mạng.

Cơ chế tăng cường (Boosting) đã phát huy hiệu quả khi liên tục đánh trọng số cao cho các mẫu thuê bao nợ cước từ 2 tháng trở lên (NOCUOC_2THANG) hoặc có phản hồi "không hài lòng" trong các cuộc gọi khảo sát chất lượng (SOLAN_GOI_KIEM_KHL). Kết quả này hoàn toàn tương thích với các nghiên cứu quốc tế của Ming Zhao về 5 chỉ số viễn thông trọng yếu và công trình của Vafeiadis khi ứng dụng AdaBoost cải thiện độ chính xác phân loại lên 97%. Việc ứng dụng mô hình giúp nhà mạng chuyển đổi hoàn toàn từ trạng thái bị động tiếp nhận yêu cầu hủy mạng sang thế chủ động nhận diện nguy cơ trước từ 30 đến 90 ngày.

Đề xuất và khuyến nghị

Dựa trên kết quả thực nghiệm, 4 nhóm giải pháp cụ thể được đề xuất nhằm nâng cao hiệu quả giữ chân khách hàng tại VNPT Tây Ninh:

1. Tích hợp mô hình dự báo vào hệ thống quản trị sản xuất kinh doanh thông qua giao diện Web Service REST API của Azure Machine Learning. Phòng Công nghệ thông tin chịu trách nhiệm vận hành để tự động quét dữ liệu và chấm điểm nguy cơ rời mạng cho 100% thuê bao trước ngày 05 hàng tháng, hoàn thành trong Quý IV/2023.
2. Thiết lập quy trình phản ứng nhanh trong vòng 48 giờ đối với nhóm khách hàng có xác suất rời mạng từ 0,7 trở lên. Phòng Bán hàng và Chăm sóc khách hàng chủ trì triển khai chính sách ưu đãi tặng 1 đến 2 tháng cước hoặc giảm giá trực tiếp 20% khi gia hạn gói đóng trước, đặt mục tiêu giữ chân thành công 75% thuê bao nguy cơ trong năm 2024.
3. Chuẩn hóa quy trình thu thập dữ liệu khách hàng tại các điểm giao dịch và tổng đài, loại bỏ triệt để tình trạng nhập sai mã đối tượng khách hàng (LOAIKH_ID) hay thiếu sót lịch sử báo hỏng. Khối Kinh doanh phối hợp Phòng Kỹ thuật giám sát nhằm nâng tỷ lệ dữ liệu sạch lên mức 99,5% ngay trong Quý I/2024.
4. Nâng cấp chất lượng mạng lưới cục bộ tại các khu vực tập trung thuê bao có tần suất báo hỏng trên 2 lần/tháng. Trung tâm Điều hành Mạng triển khai bảo dưỡng định kỳ tuyến cáp quang và thay thế modem băng tần kép thế hệ mới, hướng tới mục tiêu giảm 40% sự cố đường truyền trong năm 2024.

Đối tượng nên tham khảo luận văn

1. Lãnh đạo và Quản lý doanh nghiệp viễn thông (VNPT, Viettel, FPT Telecom): Ứng dụng khung giải pháp quản trị tỷ lệ rời mạng, tối ưu hóa ngân sách khuyến mãi và bảo vệ thị phần dịch vụ băng rộng cố định.
2. Kỹ sư Dữ liệu và Chuyên gia Trí tuệ nhân tạo (Data Scientists / Machine Learning Engineers): Khảo cứu phương pháp xử lý bộ dữ liệu viễn thông thực tế gồm 18 thuộc tính, kỹ thuật phân vùng biến liên tục trên WEKA và quy trình đóng gói mô hình trên Azure Machine Learning.
3. Học viên cao học và Nghiên cứu sinh ngành Hệ thống thông tin, Khoa học dữ liệu: Tài liệu tham khảo phương pháp luận chuẩn mực về đề tài tốt nghiệp định hướng ứng dụng, cách thức vận hành mô hình học kết hợp Ensemble Learning và kỹ thuật đánh giá mô hình phân loại nhị phân.
4. Chuyên viên Marketing và Quản trị quan hệ khách hàng (CRM): Xây dựng kịch bản tiếp cận khách hàng mục tiêu theo phân khúc nguy cơ, cá nhân hóa thông điệp chăm sóc và thiết kế các gói cước tích hợp đa dịch vụ giữ chân người dùng.

Câu hỏi thường gặp

1. Thuật toán Two-Class Boosted Decision Tree có ưu thế gì so với Cây quyết định đơn lẻ?
   Thuật toán kết hợp nhiều cây quyết định theo cơ chế tăng cường tuần tự, trong đó mỗi cây mới tập trung xử lý các mẫu bị phân loại sai của cây trước. Điều này giúp mô hình đạt độ chính xác trên 92%, hạn chế hiện tượng quá khớp (overfitting) và xử lý linh hoạt cả dữ liệu định danh lẫn liên tục.

2. Tại sao cần kết hợp cả hai công cụ WEKA và Microsoft Azure Machine Learning?
   WEKA hỗ trợ tiền xử lý dữ liệu trực quan, nhanh chóng nhận diện giá trị ngoại lai và thực hiện chia vùng biến số liên tục chính xác. Trong khi đó, Azure Machine Learning cung cấp tài nguyên điện toán đám mây mạnh mẽ để huấn luyện mô hình quy mô lớn và xuất bản Web Service phục vụ khai thác thực tế.

3. Những thuộc tính nào ảnh hưởng lớn nhất đến nguy cơ rời mạng của khách hàng FiberVNN?
   Bốn biến số tác động mạnh nhất được mô hình xác định gồm: số lần thuê bao báo hỏng trong 6 tháng, dấu hiệu không phát sinh lưu lượng trong 5 ngày liên tiếp, số tháng nợ cước từ 2 tháng trở lên và trạng thái gói cước đóng trước chuẩn bị hết hạn.

4. Mô hình nghiên cứu có thể mở rộng sang các dịch vụ viễn thông khác không?
   Hoàn toàn khả thi. Doanh nghiệp có thể tái sử dụng quy trình 6 bước và cấu trúc thuật toán này để dự báo rời mạng cho dịch vụ di động VinaPhone, dịch vụ truyền hình MyTV hoặc các gói dịch vụ số doanh nghiệp sau khi điều chỉnh các biến đặc trưng tương ứng.

5. Doanh nghiệp cần chuẩn bị hạ tầng kỹ thuật như thế nào để vận hành mô hình này?
   Doanh nghiệp chỉ cần cơ sở dữ liệu khách hàng tập trung đồng bộ định kỳ, một tài khoản Microsoft Azure Machine Learning để duy trì API đầu cuối, cùng hệ thống máy trạm cấu hình cơ bản (từ chip xử lý Core i3, RAM 8GB) để truy vấn và vận hành hệ thống.

Kết luận

• Đề án đã giải quyết bài toán cấp thiết về dự báo thuê bao cáp quang FiberVNN có nguy cơ rời mạng tại VNPT Tây Ninh trên tập dữ liệu thực nghiệm 152.719 khách hàng.
• Khẳng định tính ưu việt của thuật toán Two-Class Boosted Decision Tree với độ chính xác trên 92% và chỉ số AUC đạt 0,927, vượt trội so với các thuật toán phân loại truyền thống.
• Xây dựng thành công quy trình tiền xử lý 18 thuộc tính nghiệp vụ đặc trưng và thiết lập đường ống triển khai mô hình đám mây qua Azure Machine Learning Web Service.
• Đóng góp giải pháp kinh tế quan trọng, giúp nhà mạng hạ tỷ lệ rời mạng từ mức 45% xuống dưới 20%, tiết kiệm 60% chi phí chăm sóc so với chi phí phát triển thuê bao mới.
• Định hướng phát triển tiếp theo trong 6 tháng tới là mở rộng mô hình học sâu kết hợp Stacking đa tầng và tích hợp tự động vào ứng dụng di động của nhân viên chăm sóc khách hàng.

Quý độc giả, nhà quản lý và các nhà nghiên cứu quan tâm có thể tham khảo chi tiết toàn văn đề án để ứng dụng hiệu quả giải pháp khai phá dữ liệu khách hàng vào thực tiễn doanh nghiệp.

Trích đoạn nội dung tài liệu

HâC VIâN CÔNG NGHâ B¯U CHÍNH VIàN THÔNG --------------------------------------- D¯¡NG MINH LÝ DĄ BÁO KHÁCH HÀNG SĀ DĀNG DàCH VĀ FIBERVNN CĂA VNPT TÂY NINH CÓ NGUY C¡ RàI M¾NG ĐÀ ÁN TàT NGHIâP TH¾C S) KĀ THUÀT (Theo định hướng ứng dụng) THÀNH PHà Hâ CHÍ MINH – NM 2023 HâC VIâN CÔNG NGHâ B¯U CHÍNH VIàN THÔNG --------------------------------------- D¯¡NG MINH LÝ DĄ BÁO KHÁCH HÀNG SĀ DĀNG DàCH VĀ FIBERVNN CĂA VNPT TÂY NINH CÓ NGUY C¡ RàI M¾NG CHUYÊN NGÀNH : Hâ THàNG THÔNG TIN Mà Sà: 8.04 ĐÀ ÁN TàT NGHIâP TH¾C S) KĀ THUÀT (Theo định hướng ứng dụng) NG¯âI H¯àNG DÀN KHOA HàC: PGS. Vi ĐĄC LUNG THÀNH PHà Hâ CHÍ MINH – NM 2023 i LàI CAM ĐOAN Tôi xin cam đoan: 1. Tôi xin cam đoan rằng tất cÁ các nßi dung và kết quÁ đ°ợc trình bày trong đề án này là sự thực hiện cÿa chính tôi sau quá trình nghiên cāu, phân tích và đánh giá d°ái sự h°áng dÁn trực tiếp cÿa Thầy PGS. TS Vj Đąc Lung.

Tôi đÁm bÁo không sao chép hay biên so¿n từ bất kỳ nguãn tài liệu nào khác mà không đ°ợc ghi rõ trong đề án. Nếu có bất kỳ thông tin nào đ°ợc thu thập từ nguãn khác, tôi đã trích dÁn rõ ràng tên tác giÁ, tên công trình, thãi gian công bá. Mái sao chép không hợp lệ, vi ph¿m quy chế đào t¿o tôi xin chßu hoàn toàn trách nhiệm. Hã Chí Minh, ngày 18 tháng 08 nm 2023 Hác viên thực hiện đề án D°¢ng Minh Lý ii LàI CÁM ¡N Trong quá trình thực hiện đề án này, tôi đã nhận đ°ợc sự hỗ trợ và giúp đỡ từ rất nhiều ng°ãi.

Đầu tiên và quan tráng nhất, tôi xin bày tß lòng biết ¡n chân thành đến Thầy PGS. TS Vj Đąc Lung – ng°ãi đã luôn đãng hành và giúp đỡ tôi trong quá trình nghiên cāu và phát triển đề án này. Sự h°áng dÁn và góp ý cÿa thầy sẽ là nền tÁng để tôi có thể hoàn thiện bài toán dự báo khách hàng sử dụng dßch vụ viễn thông có nguy c¡ rãi m¿ng trong t°¡ng lai. Tôi cũng muán cÁm ¡n đến Quý ThÁy Cô Hãc viãn Công Nghã B°u Chính Vián Thông c¢ sã t¿i TP.HCM, đã giúp đỡ tôi trong việc phát triển các kỹ nng liên quan đến công nghệ thông tin trong suát quá trình hác tập t¿i hác viện.

Cũng xin gửi lãi cám ¡n đến Vián Thông Tây Ninh đã t¿o điều kiện để tôi tham gia hác tập cũng nh° hỗ trợ các vấn đề liên quan để hoàn thành đề án. Cuái cùng tôi xin gửi lãi cám ¡n đến Cha Mẹ, gia đình, ng°ãi thân, b¿n bè và đãng nghiệp đã quan tâm, ÿng hß trong suát quá trình hác tập cao hác. Hã Chí Minh, ngày 18 tháng 08 nm 2023 Hác viên thực hiện đề án D°¢ng Minh Lý iii MĀC LĀC LàI CAM ĐOAN. iii DANH MĀC CÁC THUÀT NGĂ, CHĂ VI¾T TÂT .v DANH SÁCH BÀNG.

vi DANH SÁCH HÌNH VẼ. vii Mâ ĐÀU. Lý do chán đề tài. Tổng quan về vấn đề cần nghiên cāu.

Mục đích nghiên cāu. Đái t°ợng và ph¿m vi nghiên cāu. Ph°¡ng pháp nghiên cāu. TàNG QUAN VÀ ĐÀ TÀI.

CÁC LÝ THUY¾T LIÊN QUAN. Kỹ thuật khai phá dữ liệu và ph°¡ng pháp hác máy. Kỹ thuật khai phá dữ liệu. Ph°¡ng pháp hác máy.

Tổng quan Azure Machine Learning và phần mềm Weka. Azure Machine Learning. Phần mềm Weka. Mßt sá thuật toán dự báo trên Azure Machine Learning.

PH¯¡NG PHÁP DĄ BÁO KHÁCH HÀNG CÓ NGUY C¡ RàI M¾NG. Tổng quát thuật toán đ°ợc lựa chán áp dụng vào mô hình dự báo. S¡ đã tổng quát cÿa hệ tháng. THĀ NGHIâM VÀ ĐÁNH GIÁ K¾T QUÀ.

Môi tr°ãng thực nghiệm. Bß dữ liệu thực nghiệm. Các b°ác xây dựng và thực nghiệm mô hình dự báo. Đánh giá kết quÁ.

Kết quÁ đ¿t đ°ợc. Khó khn và h°áng phát triển. 55 DANH MĀC TÀI LIâU THAM KHÀO .56 v DANH MĀC CÁC THUÀT NGĂ, CHĂ VI¾T TÂT Vi¿t tÃt Ti¿ng Anh Ti¿ng Viãt SVM Support Vector Machine Thuật toán máy vect¡ hỗ trợ KNN K-Nearest Neighbor Thuật toán K láng giềng gần nhất RNN Recurrent Neural Network Thuật toán M¿ng n¡-ron hãi quy DNN Deep Neural Networks Thuật toán M¿ng n¡-ron nhân t¿o FP False Positive Tỷ lệ sai d°¡ng FN False Negative Tỷ lệ sai âm TP True Positive Tỷ lệ đúng d°¡ng TN True Negative Tỷ lệ đúng âm AUC Area Under The Curve Māc đß phân lo¿i cÿa mô hình ACC Accurary Đß chính xác vi DANH SÁCH BÀNG BÁng 1.1: Chi phí phát triển mßt khách hàng mái .2: Ý nghĩa 5 chỉ sá kỹ thuật đ°ợc áp dụng .3: Ý nghĩa các thußc tính đ°ợc áp dụng .4: Kết quÁ dự đoán .5: Kết quÁ dự báo các ph°¡ng pháp phân láp .6: Mô tÁ các tr°ãng dữ liệu .7: Kết quÁ dự báo cÿa các mô hình.1: Danh sách đái t°ợng khách hàng.2: Danh sách tr¿ng thái ho¿t đßng cÿa khách hàng .3: Khåi t¿o dữ liệu .1: Kết quÁ dự báo các thuật toán .2: BÁng đánh giá kết quÁ dự báo tháng 12/2022, 01/2023 .3: BÁng đánh giá kết quÁ dự báo tháng 01/2023, 02/2023 .4: BÁng đánh giá kết quÁ dự báo tháng 02/2023, 03/2023 .5: BÁng đánh giá kết quÁ dự báo tháng 03/2023, 04/2023 .6: BÁng đánh giá kết quÁ dự báo tháng 04/2023, 05/2023. 52 vii DANH SÁCH HÌNH VẼ Hình 1.1: S¡ đã tổng quát các b°ác xây dựng mô hình huấn luyện .2: Kết quÁ dự báo các ph°¡ng pháp phân láp .3: Mô hình dự báo khách hàng tiềm nng .4: Tiến trình thực hiện cÿa mô hình đề xuất .1: Các b°ác thực hiện khai phá dữ liệu.2: Các ph°¡ng pháp hác máy .1: S¡ đã tổng quát các b°ác xây dựng mô hình huấn luyện .2: Xây dựng các cây quyết đßnh .1: Må tập dữ liệu bằng phần mềm WEKA .2: Biễu diễn giá trß các thußc tính trong tập dữ liệu .3: Cấu hình các biến để chuyển đổi dữ liệu .4: Chuyển đổi kiểu dữ liệu từ d¿ng sá sang kiểu phân lo¿i .5: Cấu hình các biến để chuyển đổi dữ liệu vùng giá trß .6: Chuyển đổi kiểu dữ liệu từ d¿ng sá liên tục sang vùng giá trß.7: Các module dùng xây dựng mô hình trong Azure Machine Learning .8: Xây dựng mô hình huấn luyện trên Azure Machine Learning .9: Kết quÁ mô hình dự báo .10: Triển khai web services .11: Mô hình dự báo đ°ợc xây dựng .12: Kiểm tra web services .13: Lựa chán kiểu service để sinh code .14: Code t¿o web services tích hợp vào āng dụng khác .15: Triển khai Azure Machine Learning Web service trên Ondrive .16: Chán Web service từ Azure Machine Learning .17: Nhập các thông sá cung cấp từ Azure Machine Learning .18: Nhập dữ liệu và dự báo .19: Kết quÁ dự báo.

Lý do chãn đÁ tài Nh° chúng ta đã biết, thß tr°ãng viễn thông gần nh° đã đi vào giai đo¿n bão hòa, khách hàng ngày càng đòi hßi cao về chất l°ợng dßch vụ. H¡n nữa, khách hàng hiện có nhiều lựa chán và có quyền chuyển đổi nhà cung cấp dßch vụ nếu không hài lòng. Må rßng thß phần càng khó khn và khái niệm khách hàng phát triển mái đang dần thay đổi thành khách hàng chuyển từ nhà cung cấp dßch vụ khác chuyển sang. Đái mặt vái thách thāc này, các nhà cung cấp dßch vụ viễn thông đặt nhiệm vụ giữ chân khách hàng å chế đß °u tiên cao thậm chí là °u tiên hàng đầu vì chi phí phÁi trÁ để có mßt khách hàng mái th°ãng cao h¡n nhiều so vái chi phí bß ra để giữ chân mßt khách hàng đang sử dụng.

Vậy vấn đề mấu chát bây giã là tập trung quÁn lý tập khách hàng có nguy c¡ rãi m¿ng. Có 2 cách tiếp cận vái việc quÁn lý khách hàng có nguy c¡ rãi m¿ng: - Tiếp cận không có mục tiêu: Tng chất l°ợng dßch vụ, liên tục cung cấp các sÁn ph¿m nổi trßi và truyền thông rßng rãi để tng sự hài lòng cÿa khách hàng đang sử dụng đãng thãi thu hút khách hàng từ các nhà cung cấp dßch vụ khác. - Tiếp cận có mục tiêu: Xác đßnh các khách hàng có khÁ nng rãi m¿ng, cung cấp cho há những ch°¡ng trình khuyến mãi riêng biệt, cÁi thiện chất l°ợng dßch vụ để tng sự hài lòng và giữ há å l¿i. Cách tiếp cận có mục tiêu đ°ợc chia thành 2 lo¿i: bß đßng và chÿ đßng.

- Bß đßng: Đợi khách hàng khiếu n¿i, liên hệ hÿy dßch vụ sau đó áp dụng các ch°¡ng trình khuyến mãi để giữ há å l¿i. - Chÿ đßng: Các nhà cung cấp dßch vụ sẽ cá gắng xác đßnh tập khách hàng có nguy c¡ rãi m¿ng trong khoÁng thãi gian tiếp theo. Sau đó tiếp cận khách hàng, tìm hiểu nguyên nhân và đ°a ra các ch°¡ng trình khuyến mãi, chm sóc khách hàng đặc biệt để giữ khách hàng không rãi m¿ng. Ph°¡ng pháp tiếp cận này có °u điểm và nh°ợc điểm sau: 2 o ¯u điểm: Đái vái tập khách hàng dự báo rãi m¿ng, chi phí bß ra để giữ há å l¿i sẽ thấp h¡n chi phí bß ra khi khách hàng đã quyết đßnh rãi m¿ng (tiếp cận bß đßng).

o Nh°ợc điểm: Sẽ là lãng phí nếu tập khách hàng rãi m¿ng đ°ợc dự báo không chính xác, khi đó chúng ta phÁi bß ra mßt khoÁn chi phí có thể rất lán để thực hiện khuyến mãi, chm sóc những khách hàng thực tế không có nguy c¡ rãi m¿ng. Để quÁn trß sá liệu về khách hàng rãi m¿ng áp dụng cho dßch vụ FiberVNN, VNPT Tây Ninh đang quÁn trß theo tỷ lệ khách hàng rãi m¿ng/khách hàng phát triển mái, con sá thực tế đ°ợc tháng kê trong 3 tháng 10/2022, 11/2022, 12/2022 lần l°ợt là: - Tháng 10/2022: Sá khách hàng rãi m¿ng: 480, sá khách hàng phát triển mái: 1,359 => tỷ lệ khách hàng rãi m¿ng/khách hàng phát triển mái = 35%. - Tháng 11/2022: Sá khách hàng rãi m¿ng: 655, sá khách hàng phát triển mái: 1,449 => tỷ lệ khách hàng rãi m¿ng/khách hàng phát triển mái = 45%. - Tháng 02/2022: Sá khách hàng rãi m¿ng: 669, sá khách hàng phát triển mái: 1,592 => tỷ lệ khách hàng rãi m¿ng/khách hàng phát triển mái = 42%.

Mục tiêu là giữ cho tỷ lệ này å māc đß cho phép (nhß h¡n hoặc bằng 20%). Nh° đã nói å trên, trong bái cÁnh thß tr°ãng viễn thông đang å giai đo¿n bão hòa thì việc duy trì tỷ lệ này å māc thấp đãng nghĩa vái việc phÁi giữ cho sá khách hàng rãi m¿ng å māc thấp. Tuy nhiên, nhìn vào các con sá thực tế ta thấy tỷ lệ này đang cao và dần tiến về 1. Càng cho thấy việc giữ cho khách hàng không rãi m¿ng, cụ thể h¡n là có thể cÁnh báo đ°ợc danh sách khách hàng cÿa nguy c¡ rãi m¿ng là vô cùng cấp thiết.