Dự đoán sớm ý định mua hàng của khách hàng ẩn danh trong thương mại điện tử

Nghiên cứu dự đoán sớm ý định mua hàng của khách hàng ẩn danh trong thương mại điện tử, đề xuất các mô hình và giải pháp giúp tối ưu chiến lược marketing.

• Tác giả: Diệp Thế Toàn
• Người hướng dẫn: PGS.TS Thoại Nam
• Trường học: Trường Đại học Bách Khoa, Đại học Quốc gia TP.HCM
• Chuyên ngành: Khoa học Máy tính
• Đề tài: Dự đoán sớm ý định mua hàng của các khách hàng ẩn danh trong thương mại điện tử
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2024
• Địa điểm: TP. Hồ Chí Minh

Tóm tắt

I. Khái Niệm và Tầm Quan Trọng của Dự Đoán Ý Định Mua Hàng

Dự đoán ý định mua hàng trong thương mại điện tử là quá trình sử dụng dữ liệu và công nghệ để xác định khách hàng nào có khả năng thực hiện giao dịch mua sắm. Trong bối cảnh thương mại điện tử phát triển mạnh mẽ, với sự bùng nổ của Amazon, eBay, TaoBao, việc dự đoán chính xác hành vi mua sắm của người dùng trở nên cực kỳ quan trọng. Dự đoán sớm ý định mua hàng giúp các nhà bán lẻ tối ưu hóa chiến lược tiếp thị, cải thiện trải nghiệm khách hàng và tăng tỷ lệ chuyển đổi. Khách hàng ẩn danh thường thể hiện các dấu hiệu tinh tế trước khi quyết định mua hàng, và việc nhận diện sớm những dấu hiệu này có thể giúp các doanh nghiệp đưa ra các đề xuất sản phẩm phù hợp và cá nhân hóa trải nghiệm mua sắm, từ đó nâng cao hiệu quả kinh doanh.

1.1. Định Nghĩa và Phạm Vi của Dự Đoán Sớm

Dự đoán sớm là khả năng nhận biết ý định mua hàng của khách hàng trong giai đoạn sớm của hành trình mua sắm trực tuyến. Khác với dự đoán truyền thống, phương pháp này tập trung vào việc phát hiện các tín hiệu sớm như hành vi duyệt sản phẩm, thời gian ở lại trang web, tương tác với nội dung. Phạm vi bao gồm phân tích các yếu tố như giỏ hàng, lịch sử xem, các tính năng hành vi khác để xác định mức độ khả năng mua hàng cao trước khi khách hàng hoàn tất giao dịch.

1.2. Vai Trò trong Chiến Lược Kinh Doanh Số

Trong chiến lược kinh doanh số, dự đoán ý định mua hàng đóng vai trò then chốt để các doanh nghiệp thương mại điện tử can thiệp kịp thời. Bằng cách xác định khách hàng có nhu cầu cao sẽ mua hàng, các nhà bán lẻ có thể gửi các thông báo được cá nhân hóa, ưu đãi đặc biệt hoặc hỗ trợ khách hàng thích hợp. Điều này không chỉ tăng doanh số bán hàng mà còn giúp tối ưu hóa chi phí tiếp thị và cải thiện độ hài lòng của khách hàng.

II. Các Công Trình Nghiên Cứu và Cơ Sở Lý Thuyết

Nghiên cứu về dự đoán ý định mua hàng đã được nhiều chuyên gia quan tâm, với các công trình khác nhau đề xuất nhiều phương pháp tiếp cận. Các mô hình học máy như Logistic Regression, Random Forest, và Gradient Boosting được sử dụng rộng rãi để xây dựng các hệ thống dự đoán hiệu quả. Cơ sở lý thuyết bao gồm các khái niệm về hành vi người dùng, tâm lý mua sắm, và các yếu tố ảnh hưởng đến quyết định mua hàng. Các nghiên cứu trước đây cũng chỉ ra rằng việc kết hợp nhiều loại dữ liệu khác nhau - như dữ liệu nhân khẩu học, hành vi duyệt web, và lịch sử mua hàng - giúp nâng cao độ chính xác của các mô hình dự đoán.

2.1. Các Mô Hình Học Máy Phổ Biến

Các mô hình học máy như Logistic Regression, Decision Tree, Random Forest, Gradient Boosting, và Neural Networks được ứng dụng phổ biến trong dự đoán ý định mua hàng. Mỗi mô hình có ưu và nhược điểm riêng: Logistic Regression đơn giản và dễ giải thích; Random Forest xử lý tốt dữ liệu phi tuyến tính; Gradient Boosting cho độ chính xác cao. Việc lựa chọn mô hình phù hợp phụ thuộc vào đặc điểm dữ liệu, yêu cầu độ chính xác và khả năng tối ưu hóa tài nguyên tính toán.

2.2. Các Tính Năng Ảnh Hưởng đến Dự Đoán

Các tính năng quan trọng trong dự đoán sớm bao gồm thời gian lưu lại trang, số lần xem sản phẩm, giá trị giỏ hàng, lịch sử mua hàng, độ tuổi, giới tính và vị trí địa lý. Khảo sát và phát triển feature là bước thiết yếu để cải thiện hiệu suất mô hình. Các tính năng được kỹ lưỡng lựa chọn và xử lý sẽ giúp mô hình nhận diện chính xác hơn các khách hàng có ý định mua hàng cao.

III. Phương Pháp và Quy Trình Thực Hiện

Quy trình dự đoán ý định mua hàng bao gồm các giai đoạn chính: thu thập dữ liệu từ các nền tảng thương mại điện tử, tiền xử lý và làm sạch dữ liệu, kỹ thuật feature engineering để phát triển các tính năng có ý nghĩa, xây dựng và đánh giá các mô hình học máy. Phương pháp phù hợp cần được lựa chọn dựa trên loại dữ liệu có sẵn và mục tiêu kinh doanh. Việc áp dụng các kỹ thuật xác thực chéo, điều chỉnh tham số, và tối ưu hóa mô hình là cần thiết để đạt hiệu suất cao nhất. Cuối cùng, hệ thống cần được triển khai và theo dõi liên tục để đảm bảo tính hiệu quả trong thực tế.

3.1. Quy Trình Thu Thập và Xử Lý Dữ Liệu

Bước đầu tiên là thu thập dữ liệu từ các nền tảng thương mại điện tử, bao gồm thông tin khách hàng, hành vi duyệt web, và lịch sử giao dịch. Tiếp theo là tiền xử lý dữ liệu: làm sạch, loại bỏ giá trị thiếu, và chuẩn hóa định dạng. Các kỹ thuật feature engineering được áp dụng để tạo ra các tính năng có ý nghĩa từ dữ liệu thô, giúp mô hình học tập hiệu quả hơn.

3.2. Xây Dựng và Đánh Giá Mô Hình

Sau khi chuẩn bị dữ liệu, các mô hình học máy được xây dựng và đánh giá dựa trên các chỉ số như độ chính xác, độ nhạy, độ đặc hiệu và AUC-ROC. Kỹ thuật xác thực chéo được sử dụng để đánh giá khả năng tổng quát hóa của mô hình. Tối ưu hóa tham số và điều chỉnh mô hình được thực hiện để đạt hiệu suất tốt nhất trước khi triển khai vào thực tế.

IV. Ứng Dụng Thực Tiễn và Hướng Phát Triển

Dự đoán ý định mua hàng đã được áp dụng thành công trong nhiều nền tảng thương mại điện tử lớn như Amazon, eBay, TaoBao. Các ứng dụng thực tiễn bao gồm cá nhân hóa các đề xuất sản phẩm, gửi thông báo đúng lúc, tối ưu hóa chiến lược giảm giá, và cải thiện trải nghiệm khách hàng. Hướng phát triển trong tương lai bao gồm việc tích hợp các công nghệ mới như trí tuệ nhân tạo (AI), xử lý ngôn ngữ tự nhiên (NLP) để phân tích cảm xúc khách hàng, và sử dụng dữ liệu thời gian thực để nâng cao độ chính xác. Ngoài ra, việc kết hợp các phương pháp học sâu (Deep Learning) với các mô hình truyền thống cũng hứa hẹn mang lại kết quả tốt hơn.

4.1. Các Ứng Dụng Hiện Tại trong Ngành

Các nền tảng thương mại điện tử lớn như Amazon, eBay, và TaoBao đang sử dụng dự đoán ý định mua hàng để cá nhân hóa trải nghiệm mua sắm, gửi thông báo sản phẩm phù hợp, và tối ưu hóa chiến lược khuyến mãi. Các hệ thống gợi ý sản phẩm sử dụng dự đoán này giúp tăng tỷ lệ chuyển đổi và giá trị đơn hàng trung bình. Việc áp dụng thành công này chứng minh giá trị thực tiễn của phương pháp dự đoán trong kinh doanh.

4.2. Xu Hướng và Định Hướng Tương Lai

Hướng phát triển tương lai bao gồm tích hợp trí tuệ nhân tạo (AI) và học sâu (Deep Learning) để xử lý dữ liệu phức tạp hơn. Xử lý ngôn ngữ tự nhiên (NLP) sẽ được sử dụng phân tích cảm xúc khách hàng từ bình luận và đánh giá. Sử dụng dữ liệu thời gian thực từ các thiết bị IoT và theo dõi hành vi ngoại tuyến cũng sẽ nâng cao độ chính xác dự đoán ý định mua hàng trong tương lai.

Trích đoạn nội dung tài liệu

Chương 1 Giới thiệu đề tài Trong chương này, học viên xin trình bày về lý do thực hiện đề tài, giới thiệu về phương pháp dự đoán sớm ý định mua hàng trong thương mại điện tử, làm rõ mục tiêu và giới hạn phạm vi của nghiên cứu. Đồng thời trình bày những đóng góp đã đạt được cùng nội dung tóm tắt của các chương của Luận văn.1 Giới thiệu chung Thương mại điện tử hiện đang phát triển nhanh chóng. Từ những nền tảng thương mại điện tử đầu tiên vào những năm 90 [4] của Amazon hay Alibaba cho đến những nền tảng phát triển nhanh chóng các cửa hàng thương mại điện tử như Shopify. Và cho đến thời điểm hiện tại thì đó là Shopee, Lazada hay Tiktok Shop [5].

Tất cả điều này kéo theo nhiều thay đổi đối với doanh nghiệp/người bán hàng truyền thống về cách doanh nghiệp tương tác với khách hàng, từ đó mở ra những cơ hội và thách thức mới cho giao dịch trực tuyến. Tuy nhiên, một trong những thách thức lớn nhất của thương mại điện tử là thu hút và khuyến khích khách hàng đưa ra quyết định mua hàng. Nó có thể đến từ việc chủ doanh nghiệp đưa ra các chính sách marketing bao gồm những ưu đãi, giảm giá hợp lý trên các sàn thương mại điện tử, hay việc chăm sóc khách hàng và thiết kế các trang thương mại điện tử có khả năng tương tác tốt với khách hàng. Một trong những phương pháp hiệu quả hiện nay đó là dự đoán ý định mua hàng của khách hàng trên các sàn thương mại điện tử.

Khách hàng ở đây có thể là khách hàng ẩn danh hoặc khách hàng 1 đã đăng ký trước. Thông tin dự đoán có thể được sử dụng để nâng cao mức độ tương tác của người dùng, điều chỉnh chiến lược tiếp thị, cải thiện chất lượng sản phẩm và một số lợi ích khác. Điều này giúp tăng cường sự tham gia của khách hàng và cuối cùng dẫn đến quyết định mua hàng và cải thiện sự hài lòng của khách hàng. Thấy được vai trò của việc hiểu được hành vi của khách hàng mà cụ thể là ý định mua hàng khi truy cập các sàn thương mại điện tử.

Luận văn này quyết định nghiên cứu về việc dự đoán ý định mua hàng của người dùng mà cụ thể là người dùng ẩn danh, chưa đăng kí trước hay có lịch sử tương tác trước đó. Tuy nhiên, với sự cạnh tranh trong lĩnh vực này cũng ngày càng khốc liệt, yêu cầu các doanh nghiệp phải tìm kiếm các phương pháp mới để hiểu rõ hơn về hành vi và ý định của khách hàng. Trong bối cảnh này, dự đoán sớm ý định mua hàng của khách hàng trở thành một yếu tố quan trọng để giúp các doanh nghiệp tối ưu hóa chiến lược kinh doanh, nâng cao trải nghiệm khách hàng và duy trì sự cạnh tranh.2 Tổng quan bài toán Bài toán dự đoán ý định mua hàng trong thương mại điện tử là một lĩnh vực nghiên cứu quan trọng và phức tạp, yêu cầu sự kết hợp của việc phân tích dữ liệu, hành vi của khách hàng theo thời gian kết hợp với nhiều phương pháp và kỹ thuật học máy khác nhau. Các phương pháp, công trình nghiên cứu hiện tại đa số dựa trên dữ liệu lịch sử và sử dụng các mô hình phân tích hành vi để dự đoán ý định mua hàng vào cuối mỗi phiên truy cập của khách hàng.

Dự đoán trong các nghiên cứu đã được thực hiện tập trung nhiều vào dự đoán xem một phiên có phải là phiên mua hàng hay không dựa vào dữ liệu của toàn bộ phiên trước đó. Tuy nhiên, với sự phát triển của công nghệ và lượng dữ liệu ngày càng lớn thì cũng kéo theo sự đòi hỏi về khả năng xử 2 lí và phân tích dữ liệu trong thời gian thực. Điều này không chỉ giúp doanh nghiệp đưa ra những quyết định kịp thời và chính xác mà còn nâng cao khả năng cá nhân hoá trải nghiệm của người dùng. Đặc biệt, trong thương mại điện tử, tương tác giữa khách hàng và người dùng là một yếu tố cốt lõi trong việc thúc đẩy việc người dùng ra quyết định mua hàng.3 Mục tiêu và nhiệm vụ của Luận văn Mục tiêu chính của Luận văn là nghiên cứu những công trình nghiên cứu hiện tại trong khía cạnh về những yếu tố ảnh hưởng đến việc ra quyết định mua hàng trong thương mại điện tử và dự đoán.

Từ đó, đánh giá những yếu tố tác động tích cực đến việc dự đoán sớm ý định mua hàng, nghiên cứu về những yếu tố liên quan đến hành vi của người dùng có ảnh hưởng lớn đến quyết định mua hàng. Một số nhiệm vụ cụ thể của Luận văn này là: — Tìm kiếm và xử lí những tập dữ liệu khác nhau của các sàn thương mại điện tử: Tìm kiếm các tập dữ liệu của các khách hàng ẩn danh có thể từ các sàn thương mại điện tử hoặc có đặc điểm gần giống với thực tế. Sau đó thực hiện xử lí và tạo ra các feature liên quan đến thời gian và hành vi người dùng có khả năng ảnh hưởng tích cực đến việc dự đoán ý định mua hàng. — Đề xuất feature liên quan đến mức độ xu hướng của sản phẩm với một hệ số quên α: Mỗi sản phẩm trong thương mại điện tử có một mức độ yêu thích/quan tâm khác nhau trong các khoảng thời gian khác nhau.

Và người dùng trên các sàn thương mại điện tử hiện nay thường có một tâm lí sợ bỏ lỡ [x] điều đó là cho yếu tố có tiềm năng ảnh hưởng tích cực đến việc dự đoán sớm ý định mua hàng. Đặc biệt, Luận văn giới thiệu một hệ số quên α nhằm giảm mức độ ảnh hưởng của các dữ 3 liệu cũ trong mức độ xu hướng của sản phẩm. Mức độ xu hướng của một sản phẩm thường chỉ diễn ra và kéo dài trong một giai đoạn nhất định. — Xây dựng tập dữ liệu thử nghiệm có tính động: Thiết kế và phát triển các feature động cho tập dữ liệu thử nghiệm để cải thiện độ chính xác của các mô hình dự đoán sớm thông qua việc các dữ liệu của các hệ thống thực tế sẽ đến và thay đổi theo thời gian thực.

Các tính năng này sẽ được xây dựng dựa trên các thông tin về hành vi của khách hàng tính từ đầu mỗi phiên cho tới sự kiên được xét và được cập nhật liên tục để phản ánh sự thay đổi trong hành vi mua sắm của khách hàng. — Đề xuất giải thuật tính điểm cho các dự đoán: Đề xuất một giải thuật tính điểm để đưa ra kết luận rằng một dự đoán có phải là một dự đoán đúng và có phải là một dự đoán sớm hay không. Giải thuật này sẽ giúp đánh giá khả năng dự đoán sớm của từng mô hình trên các tập dữ liệu khác nhau và trên từng hệ số quên α khác nhau. — Đánh giá hiệu quả của các mô hình và phương pháp: Thực hiện các thí nghiệm các mô hình học máy để đánh giá sự hiệu quả của các mô hình và phương pháp đề xuất.

Kết quả của các thí nghiệm sẽ được sử dụng để so sánh và đánh giá các phương pháp khác nhau, từ đó rút ra kết luận và đề xuất hướng phát triển trong tương lai.4 Giới hạn đề tài Trong phạm vi của một đề tài Luận văn thạc sĩ, học viên đề xuất giới hạn nội dung nghiên cứu cụ thể như sau: — Phạm vi dữ liệu: Dữ liệu được sử dụng trong Luận văn chỉ bao gồm 4 dữ liệu từ hai nguồn khác nhau mang 2 đặc điểm cụ thể khác nhau. Điều này có thể giới hạn khả năng áp dụng của các kết quả nghiên cứu vào các tập dữ liệu có đặc điểm khác nữa. — Phạm vi phương pháp: Nghiên cứu chủ yếu áp dụng các mô hình học máy và kỹ thuật hiện có. Các phương pháp mới hoặc các mô hình phức tạp hơn có thể được phát triển trong các nghiên cứu tương lai.

— Thời gian và tài nguyên: Giới hạn về thời gian và tài nguyên cho việc thực hiện các thí nghiệm và đánh giá. Điều này có thể ảnh hưởng đến quy mô và phạm vi của nghiên cứu. Ngoài ra cũng có thể ảnh hưởng đến độ chính xác của các kết quả.5 Đối tượng nghiên cứu Đối tượng nghiên cứu của Luận văn là khách hàng ẩn danh trong thương mại điện tử. Dữ liệu thô của các khách hàng ẩn danh chủ yếu dựa trên dòng chảy thời gian.

Trong đó, với mỗi sự kiện người dùng tương tác, dữ liệu sẽ bao gồm các giá trị như loại sự kiện (xem sản phẩm, thêm sản phẩm vào giỏ hàng, giao dịch mua hàng,. ), mã của phiên của sự kiện, sản phẩm được tương tác trong sự kiện, loại của sản phẩm được tương tác,. Việc nghiên cứu đối tượng là khách hàng ẩn danh không chỉ giúp đảm bảo tính bảo mật và riêng tư của dữ liệu mà còn phản ảnh một góc nhìn khách quan, chân thực về hành vi mua sắm của khách hàng ẩn danh trong môi trường thương mại điện tử. Thông qua việc phân tích dữ liệu này, nghiên cứu giúp tìm hiểu và dự đoán được các yếu tố ảnh hưởng đến ý định mua hàng của khách hàng, từ đó đề xuất các giải pháp và chiến lược tối ưu hóa kinh doanh cho các doanh nghiệp.6 Đóng góp của luận văn Luận văn đóng góp vào một khía cạnh của lĩnh vực thương mại điện tử thông qua một số điểm chính sau: — Giới thiệu tính năng xu hướng với hệ số quên α: đây là một tính năng mới giúp cập nhật và theo dõi mức độ quan tâm/yêu thích của một sản phẩm vào một mốc thời gian nhất định, nói cách khác nó thể hiện xu hướng mua sắm của khách hàng theo thời gian.

Hệ số quên α cho phép điều chỉnh mức độ ảnh hưởng/tầm quan trọng của dữ liệu cũ, giúp mô hình dự đoán có khả năng phản ánh sự thay đổi trong hành vi mua sắm của khách hàng một cách chính xác hơn. — Phát triển phương pháp xây dựng tính năng động cho tập dữ liệu kiểm tra: phương pháp này giúp cải thiện độ chính xác của việc dự đoán ý định mua hàng trên dữ liệu thời gian thực, hay còn gọi là dự đoán sớm ý định mua hàng. Điều này đặc biệt quan trọng trong bối cảnh Thương mại phát triển liên tục và các dữ liệu và hành vi của khách hàng cũng có thể thay đổi nhanh chóng và liên tục. — Xử lý vấn đề mất cân bằng dữ liệu: Luận văn đã đề xuất hai phương pháp khác nhau để xử lý vấn đề mất cân bằng dữ liệu trong dự đoán ý định mua hàng.