Bối cảnh và vấn đề nghiên cứu

Trong hai thập kỷ qua, sự phát triển của công nghệ thông tin đã thúc đẩy sự gia tăng nhanh chóng của các hệ thống cơ sở dữ liệu quy mô lớn trong đời sống kinh tế - xã hội. Tuy nhiên, theo các số liệu thống kê được tác giả trích dẫn trong văn bản, các tổ chức hiện nay mới chỉ phân tích và khai thác được khoảng 5% đến 10% tổng lượng dữ liệu thu thập được. Phần dữ liệu còn lại (90% đến 95%) vẫn tiếp tục được lưu trữ tốn kém nhưng không được chuyển đổi thành tri thức hữu ích do doanh nghiệp thiếu các công cụ và phương pháp phân tích phù hợp. Trong môi trường cạnh tranh kinh doanh hiện đại, nhu cầu ra quyết định nhanh chóng dựa trên dữ liệu lớn ngày càng trở nên cấp thiết, dẫn đến sự phát triển của quy trình khám phá tri thức và khai phá dữ liệu (Knowledge Discovery in Databases - KDD).

Đối với lĩnh vực ngân hàng thương mại, khách hàng là chủ thể quyết định sự tồn tại và phát triển của tổ chức. Văn bản chỉ ra rằng có trên 70% nguồn vốn hoạt động của các ngân hàng thương mại hiện nay được huy động trực tiếp từ khách hàng. Do đó, việc xây dựng chiến lược quản trị quan hệ khách hàng (CRM), nhận diện các hành vi thay đổi và dự đoán xu hướng rời bỏ hoặc thay đổi phương thức giao dịch của khách hàng đóng vai trò sống còn. Việc phân tích và phân lớp tập dữ liệu khách hàng giúp các nhà quản trị ngân hàng chuyển hóa dữ liệu quá khứ và hiện tại thành thông tin dự báo, hỗ trợ ban lãnh đạo đưa ra các quyết định kinh doanh chính xác. Xuất phát từ bối cảnh đó, tác giả lựa chọn thực hiện đề tài "Phân lớp dữ liệu với phần mềm Knime".

Mục tiêu nghiên cứu của khóa luận được phân định cụ thể theo hai khía cạnh:

  1. Về mặt lý thuyết:

    • Nghiên cứu các lý thuyết cơ bản về phần mềm KNIME và kỹ thuật phân lớp dữ liệu trong lĩnh vực học máy (Machine Learning), từ đó hướng tới việc xây dựng mô hình dự đoán hành vi hoặc tâm lý mua sắm của khách hàng.
    • Nắm vững và thực hành quy trình tiền xử lý dữ liệu trước khi đưa vào mô hình dự đoán.
    • Phân tích và xác định các nguyên nhân gây ra sự biến động trong kết quả dự đoán của mô hình.

  2. Về đối tượng và kỹ năng ứng dụng:

    • Giúp người sử dụng thành thạo các công cụ (nodes), thư viện trong phần mềm KNIME để ứng dụng vào công việc phân tích và quản lý dữ liệu một cách khoa học.
    • Sử dụng các thuật toán phân lớp nhằm dự đoán các đặc điểm, hành vi tiêu dùng khác nhau của khách hàng phục vụ hoạch định chiến lược kinh doanh.
    • Xác định rõ vai trò của kỹ thuật phân tích, phân lớp dữ liệu như một phương thức nhằm gia tăng doanh số và tối ưu hóa lợi nhuận cho doanh nghiệp.

Đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Ứng dụng công cụ phân tích dữ liệu KNIME để xây dựng mô hình phân tích dữ liệu khách hàng ngân hàng, trích xuất các thông tin chuyên sâu (insights) nhằm đề xuất các khuyến nghị giúp ngân hàng thu hút và giữ chân khách hàng.
  • Phạm vi nghiên cứu: Khóa luận sử dụng bộ dữ liệu mô phỏng hành vi sử dụng thẻ tín dụng của khách hàng ngân hàng từ nền tảng Kaggle. Bộ dữ liệu bao gồm các thông tin nhân khẩu học (giới tính, độ tuổi, vị trí địa lý) và toàn bộ lịch sử hoạt động tín dụng, thói quen thanh toán, rút tiền mặt của khách hàng qua 18 trường dữ liệu.

Cơ sở lý thuyết và phương pháp

Khóa luận thiết lập cơ sở lý luận dựa trên quy trình chuẩn của Khám phá tri thức từ cơ sở dữ liệu (KDD) và Khai phá dữ liệu (Data Mining). Theo tác giả, quy trình khai phá dữ liệu tiêu chuẩn bao gồm 7 bước tuần tự:

  1. Làm sạch dữ liệu (Data Cleaning): Loại bỏ tạp âm, dữ liệu nhiễu và các điểm bất thường.
  2. Tích hợp dữ liệu (Data Integration): Kết hợp dữ liệu từ nhiều nguồn phân tán về một hệ thống thống nhất.
  3. Lựa chọn dữ liệu (Data Selection): Trích xuất các tập dữ liệu phù hợp với mục tiêu phân tích từ cơ sở dữ liệu.
  4. Chuyển đổi dữ liệu (Data Transformation): Tổng hợp, tóm tắt và quy đổi định dạng dữ liệu.
  5. Khai phá dữ liệu (Data Mining): Áp dụng các thuật toán thông minh để trích xuất các mẫu tri thức tiềm ẩn.
  6. Đánh giá mẫu (Pattern Evaluation): Nhận diện và đánh giá các mẫu thực sự hữu ích.
  7. Trình bày thông tin (Knowledge Presentation): Biểu diễn tri thức thu được dưới dạng bảng biểu, cây quyết định, đồ thị hoặc ma trận.

Về mặt học máy, tác giả phân định rõ hai nhóm kỹ thuật: học có giám sát (Supervised Learning) với tập mẫu được gán nhãn sẵn và học không giám sát (Unsupervised Learning) thao tác trên các tập dữ liệu chưa có nhãn thông qua việc tối ưu hóa hàm chi phí và khoảng cách. Trong phần lý thuyết phân loại dữ liệu, khóa luận hệ thống hóa 4 thuật toán học có giám sát tiêu biểu:

  • Thuật toán Cây quyết định (Decision Trees): Mô hình phân loại dạng cây phi tham số với cấu trúc gồm nút gốc (Root node), các nhánh phân tách (Splitting/Branch) đại diện cho quy tắc quyết định và nút lá (Leaf node) đại diện cho nhãn phân lớp cuối cùng; áp dụng các kỹ thuật như tỉa cành (Pruning) để giảm độ phức tạp.
  • Thuật toán Rừng ngẫu nhiên (Random Forest): Phương pháp học tập hợp (Ensemble Learning) kết hợp nhiều cây quyết định độc lập trên các tập con ngẫu nhiên của dữ liệu và đưa ra kết quả phân loại dựa trên cơ chế bỏ phiếu theo đa số (Majority Voting).
  • Thuật toán Hồi quy Logistic (Logistic Regression): Kỹ thuật phân tích mối quan hệ giữa biến phụ thuộc nhị phân và các biến độc lập thông qua hàm xác suất, vận hành hiệu quả khi dữ liệu có thể phân tách tuyến tính.
  • Thuật toán Naïve Bayes (Naïve Bayes Classification - NBC): Thuật toán dựa trên định lý xác suất Bayes với giả định độc lập mạnh mẽ giữa các thuộc tính dự đoán; xử lý hiện tượng "tần số bằng không" bằng kỹ thuật làm mịn Laplace.

Đối với bài toán thực nghiệm phân cụm dữ liệu, tác giả đề cập đến thuật toán phân cụm K-Means thuộc nhóm học không giám sát nhằm gom các quan sát tương đồng vào $k$ nhóm riêng biệt.

Phương pháp đánh giá mô hình được tác giả xây dựng dựa trên hai công cụ:

  • Đường cong ROC (Receiver Operating Characteristics) và diện tích dưới đường cong ROC (AUC - Area Under The Curve): Dựa trên hai chỉ số tỷ lệ dự báo đúng ca dương tính (TPR - True Positive Rate / Recall) và tỷ lệ dự báo sai ca âm tính thành dương tính (FPR - False Positive Rate).
  • Ma trận nhầm lẫn (Confusion Matrix): Xác định bốn trường hợp phân loại gồm TP (True Positive), TN (True Negative), FP (False Positive), FN (False Negative); từ đó tính toán các chỉ số:
    • Độ chính xác (Accuracy): Tỷ lệ các mẫu được phân loại đúng trên tổng số mẫu thực nghiệm.
    • Độ chuẩn xác (Precision): Tỷ lệ mẫu thực sự dương tính trong tổng số mẫu được mô hình dự đoán là dương tính.
    • Độ thu hồi (Recall): Tỷ lệ mẫu dương tính được nhận diện chính xác trên tổng số mẫu dương tính thực tế.
    • Điểm F1 (F1-score): Trung bình điều hòa giữa Precision và Recall.

Phương pháp nghiên cứu thực tế bao gồm ba phương pháp chính: phương pháp thu thập, so sánh và phân tích tổng hợp thông tin; phương pháp nghiên cứu lý thuyết thông qua hệ thống hóa tài liệu học thuật chuyên ngành; và phương pháp nghiên cứu thực nghiệm thông qua thiết lập quy trình xử lý dữ liệu và xây dựng mô hình trên nền tảng phần mềm KNIME.

Nguồn dữ liệu: Dữ liệu thứ cấp được trích xuất từ bộ dữ liệu hành vi thẻ tín dụng mô phỏng trên nền tảng dữ liệu Kaggle.

Nội dung chính theo từng chương

Chương 1: Tổng quan về phân lớp dữ liệu

Chương này tập trung xây dựng cơ sở lý luận về quá trình khám phá tri thức KDD và định vị khai phá dữ liệu trong bối cảnh ứng dụng thực tế. Tác giả phân tích phạm vi ứng dụng của khai phá dữ liệu trong 7 lĩnh vực trọng điểm gồm: kinh doanh, viễn thông, ngân hàng, thương mại điện tử - bán lẻ, tài chính, y tế - chăm sóc sức khỏe, và an ninh bảo mật mạng. Điển hình trong lĩnh vực y tế, văn bản dẫn chứng hệ thống giám định của Bảo hiểm xã hội Việt Nam ứng dụng khai phá dữ liệu đã phát hiện các hành vi trục lợi bảo hiểm y tế và tiết kiệm ngân sách hàng trăm tỷ đồng mỗi năm. Trong thương mại bán lẻ trực tuyến, khai phá dữ liệu hỗ trợ theo dõi hành vi, tối ưu hóa giỏ hàng và thiết kế mạng lưới kho hàng lưu trữ.

Chương 1 cũng khảo sát các nền tảng khai phá dữ liệu phổ biến trên thế giới như RapidMiner, Weka, KNIME, Apache Mahout, Oracle Data Mining, Teradata và Orange; phân tích 7 nhóm kỹ thuật khai thác dữ liệu chính gồm: phân tích phân loại, luật kết hợp, phát hiện bất thường, phân tích cụm, hồi quy, dự báo và mô hình tuần tự.

Trọng tâm lý thuyết của chương là phân tích chi tiết cơ chế hoạt động, ưu điểm và nhược điểm của 4 thuật toán phân loại:

  • Cây quyết định: Có ưu điểm trực quan, không yêu cầu giả định phân phối tham số, có khả năng xử lý biến định tính đa lớp và chịu được ngoại lệ; tuy nhiên dễ gặp hiện tượng quá khớp (overfitting) với bộ dữ liệu phức tạp, có phương sai cao (high variance) khi dữ liệu thay đổi nhỏ và dễ thiên vị (bias) nếu tập dữ liệu mất cân bằng.
  • Rừng ngẫu nhiên: Xử lý hiệu quả tập dữ liệu nhiều chiều, hạn chế tốt vấn đề quá khớp và cung cấp khả năng đo lường tầm quan trọng tương đối của từng thuộc tính; nhược điểm là tốc độ dự đoán chậm do phải tổng hợp kết quả từ nhiều cây thành phần.
  • Hồi quy Logistic: Dễ đào tạo, giải thích trực tiếp mối quan hệ định lượng giữa các biến độc lập và biến mục tiêu; nhược điểm là hoạt động kém với các bài toán phi tuyến và không xử lý tốt trường hợp có quá nhiều thuộc tính phân loại.
  • Naïve Bayes: Đào tạo và dự đoán rất nhanh, vận hành tốt trên dữ liệu đa lớp và phân tích văn bản; nhược điểm nằm ở giả định độc lập thực tế khó thỏa mãn và ước lượng xác suất kém chính xác khi gặp tần số bằng 0.

Chương kết thúc bằng việc trình bày chi tiết cơ sở toán học của các thước đo đánh giá mô hình phân lớp gồm đường cong ROC, chỉ số AUC và ma trận nhầm lẫn (Confusion Matrix).

Chương 2: Xây dựng mô hình phân lớp dữ liệu với phần mềm KNIME

Chương 2 mở đầu bằng phần giới thiệu toàn diện về nền tảng KNIME (Konstanz Information Miner). Phần mềm được nhen nhóm phát triển từ tháng 1 năm 2004 bởi nhóm kỹ sư tại Đại học Konstanz dưới sự dẫn dắt của Michael Berthold, ban đầu ứng dụng trong nghiên cứu dược phẩm. Phiên bản chính thức đầu tiên phát hành năm 2006, đến năm 2012 đã đạt hơn 15.000 người dùng thường xuyên. Hệ sinh thái KNIME gồm hai sản phẩm chính: KNIME Analytics Platform (mã nguồn mở, phục vụ làm sạch, tích hợp và xây dựng quy trình phân tích) và KNIME Server (nền tảng doanh nghiệp phục vụ triển khai, quản lý quy trình tự động và cộng tác). Giao diện làm việc của KNIME bao gồm 7 phân vùng chức năng: KNIME Explorer, Workflow Coach, Node Repository, Outline, Description, Node Monitor và Console. Tác giả chỉ ra ưu điểm của KNIME là hỗ trợ hơn 1.000 module phân tích, xử lý đa dạng định dạng (XML, JSON, hình ảnh) thông qua thao tác trực quan không cần viết mã; song nhược điểm là khả năng trực quan hóa còn hạn chế, quản lý dữ liệu chưa thật chặt chẽ và đôi khi gặp trục trặc khi nhập, gộp các tệp lớn.

Trong phần tổng quan nghiên cứu, tác giả tổng hợp 3 công trình tiền nhiệm liên quan đến bài toán phân tích rủi ro tín dụng và cho vay:

  • Nghiên cứu của Zhiyong Li và cộng sự (2016) trên tập dữ liệu 140.605 khoản vay tín chấp tiêu dùng trực tuyến sử dụng hồi quy logistic đa biến, chỉ ra trả nợ sớm và vỡ nợ là hai yếu tố tác động lớn nhất đến khả năng sinh lời.
  • Nghiên cứu của Chang Han (2019) so sánh 4 mô hình (Random Forest, Logistic Regression, SVM, KNN) trong dự đoán khả năng hoàn trả khoản vay, kết luận Random Forest đạt độ chính xác cao nhất và Logistic Regression đạt chỉ số AUC cao nhất.
  • Nghiên cứu của Li-Hua Li và cộng sự (2021) trên nền tảng cho vay P2P giai đoạn 2018 sử dụng Random Forest, Logistic Regression, KNN và mạng MLP; kết quả cho thấy Logistic Regression đạt độ chính xác cao nhất (0,95) và Random Forest đạt AUC cao nhất (0,94), đồng thời xác định thuộc tính "số tiền thanh toán cuối cùng" (last_payment_amount) là biến quan trọng nhất.

Phần thực nghiệm trên KNIME được triển khai trên bộ dữ liệu thẻ tín dụng gồm 18 trường thông tin:

Tên biến Ý nghĩa nghiệp vụ trong bộ dữ liệu
CUST_ID Mã định danh thẻ tín dụng của khách hàng
BALANCE Số dư tài khoản khả dụng để mua hàng
BALANCE_FREQUENCY Tần suất cập nhật số dư (thang điểm từ 0 đến 1)
PURCHASES Tổng số tiền mua hàng được thanh toán
ONEOFF_PURCHASES Số tiền mua hàng tối đa trong một lần giao dịch
INSTALLMENTS_PURCHASES Số tiền mua hàng thực hiện theo hình thức trả góp
CASH_ADVANCE Tiền mặt do người dùng rút/trả trước
PURCHASES_FREQUENCY Tần suất thực hiện mua hàng (thang điểm từ 0 đến 1)
ONE_PURCHASES_FREQUENCY Tần suất mua hàng trả thẳng trong một lần
PURCHASES_INSTALLMENTS_FREQUENCY Tần suất mua hàng trả góp
CASH_ADVANCE_FREQUENCY Tần suất rút tiền mặt
CASH_ADVANCE_TRX Số lượng giao dịch rút tiền mặt
PURCHASE_TRX Số lượng giao dịch mua hàng
CREDIT_LIMIT Hạn mức thẻ tín dụng được cấp cho người dùng
PAYMENTS Tổng số tiền thanh toán khách hàng đã thực hiện
MINIMUM_PAYMENTS Số tiền thanh toán tối thiểu khách hàng đã thực hiện
PRC_FULL_PAYMENT Tỷ lệ phần trăm thanh toán toàn bộ dư nợ
TENURE Thời hạn sử dụng dịch vụ thẻ tín dụng của khách hàng

Tác giả xác định hai thuộc tính quan trọng nhất cho việc phân nhóm khách hàng là PAYMENTS và PURCHASES. Quy trình xây dựng workflow trên KNIME diễn ra như sau:

  • Khám phá dữ liệu: Sử dụng node Statistics để kiểm tra phân phối dữ liệu và phát hiện trường MINIMUM_PAYMENTS có giá trị bị khuyết. Tiếp đó, sử dụng node Linear Correlation để phân tích tương quan giữa các biến; kết quả cho thấy hệ số tương quan giữa các cặp biến không cao, do đó dữ liệu không gặp phải hiện tượng đa cộng tuyến nghiêm trọng.
  • Phân chia tập dữ liệu: Bộ dữ liệu được phân chia ngẫu nhiên thành hai phần theo tỷ lệ 70% dành cho huấn luyện (training data) và 30% dành cho kiểm thử (testing data) nhằm đảm bảo sự cân bằng về phương sai trong đánh giá mô hình.
  • Tiền xử lý dữ liệu: Tác giả nhấn mạnh tiền xử lý chiếm tới 80% thời gian của một dự án học máy. Dữ liệu khuyết thiếu tại cột MINIMUM_PAYMENTS được xử lý bằng phương pháp thay thế bằng giá trị trung bình (Mean Imputation). Sau đó, sử dụng node Normalization để chuẩn hóa các biến số về cùng miền giá trị $[0, 1]$ theo phương pháp Min-Max.
  • Phân cụm và đánh giá: Mặc dù tên đề tài là phân lớp dữ liệu, trong phần triển khai thực nghiệm tác giả đã áp dụng thuật toán phân cụm K-Means nhằm giải quyết bài toán phân nhóm khách hàng thẻ tín dụng. Số cụm tối ưu được xác định là $k = 3$. Sau khi thực hiện gom cụm, mô hình được kiểm tra thông qua chỉ số trung bình Silhouette, biểu đồ phân bố 3 cụm và tiến hành xuất nhãn phân cụm ra tệp định dạng CSV.

Chương 3: Kết luận và khuyến nghị

Chương 3 tổng kết các kết quả đạt được từ việc nghiên cứu lý thuyết phân lớp, phân cụm dữ liệu và thực hành triển khai luồng công việc trên phần mềm KNIME. Dựa trên kết quả phân chia khách hàng thành 3 nhóm riêng biệt, tác giả khuyến nghị ngân hàng cần thiết lập các chính sách tiếp thị và chăm sóc khách hàng cá nhân hóa, đồng thời quản lý chặt chẽ hạn mức và hành vi rút tiền mặt nhằm hạn chế rủi ro nợ xấu và tối ưu hóa doanh số từ thẻ tín dụng.

Kết quả và đóng góp

Khóa luận đạt được các kết quả thực nghiệm và đóng góp cụ thể sau:

Giai đoạn triển khai Kỹ thuật / Công cụ trên KNIME Kết quả cụ thể được ghi nhận
Kiểm định tương quan Node Linear Correlation Hệ số tương quan giữa các biến nằm trong giới hạn cho phép; không xuất hiện hiện tượng đa cộng tuyến.
Xử lý khuyết thiếu Node xử lý missing value Điền giá trị khuyết thiếu cho trường MINIMUM_PAYMENTS (kiểu dữ liệu Double) bằng giá trị trung bình của cột.
Chuẩn hóa dữ liệu Node Normalization Đưa toàn bộ các trường biến thiên về thang đo đồng nhất trong đoạn $[0, 1]$ bằng phương pháp Min-Max.
Phân chia dữ liệu Node phân vùng mẫu Phân chia ngẫu nhiên bộ dữ liệu thành tập huấn luyện (70%) và tập kiểm thử (30%).
Triển khai mô hình Node K-Means và đo lường Silhouette Xác định và gán nhãn thành công tập khách hàng vào 3 cụm hành vi tối ưu ($k = 3$), xuất kết quả ra file CSV.

Đóng góp của khóa luận:

  • Về mặt phương pháp: Khóa luận chứng minh tính ứng dụng của quy trình phân tích dữ liệu trực quan (Visual Data Science Workflow) trên nền tảng KNIME Analytics Platform. Tác giả cho thấy người dùng không nhất thiết phải có kỹ năng lập trình chuyên sâu bằng Python hay R vẫn có thể thực hiện đầy đủ các bước từ tiền xử lý, kiểm tra tương quan, chuẩn hóa dữ liệu đến huấn luyện mô hình học máy.
  • Về mặt thực tiễn nghiệp vụ: Cung cấp quy trình phân nhóm khách hàng sử dụng thẻ tín dụng dựa trên hai đặc trưng chi tiêu nòng cốt (PAYMENTS và PURCHASES), tạo cơ sở dữ liệu phân khúc giúp bộ phận marketing ngân hàng thiết kế các thông điệp tiếp cận phù hợp cho từng nhóm hành vi.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của nghiên cứu:

  • Bộ dữ liệu thực nghiệm là dữ liệu mô phỏng thu thập từ Kaggle, chưa phản ánh đầy đủ các yếu tố đặc thù về kinh tế, văn hóa tiêu dùng và quy định tín dụng tại các ngân hàng thương mại thực tế ở Việt Nam.
  • Khóa luận tồn tại sự chưa nhất quán giữa tiêu đề đề tài (Phân lớp dữ liệu - Classification) và phần thực nghiệm kỹ thuật ở Chương 2 (sử dụng thuật toán phân cụm K-Means - Clustering); khóa luận chưa triển khai thực nghiệm so sánh thực tế 4 mô hình phân lớp có giám sát (Cây quyết định, Rừng ngẫu nhiên, Hồi quy Logistic, Naïve Bayes) trên cùng bộ dữ liệu.
  • Công cụ KNIME bộc lộ một số nhược điểm được tác giả ghi nhận như khả năng trực quan hóa còn hạn chế, quản lý dữ liệu chưa chặt chẽ và dễ phát sinh lỗi khi nạp, gộp các nguồn dữ liệu có dung lượng lớn.

Hướng nghiên cứu tiếp:

  • Áp dụng quy trình phân tích trên dữ liệu giao dịch thực tế của một ngân hàng thương mại tại Việt Nam.
  • Triển khai thử nghiệm đầy đủ các mô hình phân loại có giám sát và so sánh hiệu năng thông qua ma trận nhầm lẫn và diện tích dưới đường cong ROC (AUC-ROC).
  • Mở rộng nghiên cứu sang các mô hình học sâu (Deep Learning), mạng nơ-ron tích chập (CNN) và mô hình chuỗi thời gian (ARIMA) trong dự báo rủi ro tín dụng theo định hướng của các công trình tiền nhiệm.

Giá trị tham khảo

Khóa luận là tài liệu tham khảo hữu ích cho sinh viên các chuyên ngành Kinh tế số, Phân tích dữ liệu lớn trong kinh tế và kinh doanh, Hệ thống thông tin quản lý và Marketing định lượng.

Giá trị tham khảo nổi bật của công trình:

  • Cung cấp hướng dẫn trực quan, có hệ thống về cách xây dựng một luồng công việc (workflow) hoàn chỉnh trên phần mềm KNIME, từ các thao tác nạp dữ liệu, kiểm tra thống kê mô tả bằng node Statistics, kiểm tra đa cộng tuyến qua Linear Correlation, xử lý dữ liệu khuyết thiếu đến chuẩn hóa tỷ lệ qua node Normalization.
  • Cung cấp phần hệ thống hóa lý thuyết cô đọng, rõ ràng về cơ chế vận hành, ưu - nhược điểm của 4 thuật toán phân loại kinh điển (Decision Tree, Random Forest, Logistic Regression, Naïve Bayes) cùng các công thức tính toán chỉ số đo lường hiệu năng mô hình (Accuracy, Precision, Recall, F1-score, AUC-ROC).

Câu hỏi thường gặp

  1. Tại sao nghiên cứu lại nhấn mạnh vai trò của khai phá dữ liệu trong lĩnh vực ngân hàng thương mại? Theo tác giả, trên 70% vốn hoạt động của các ngân hàng thương mại hiện nay được huy động trực tiếp từ khách hàng. Trong bối cảnh cạnh tranh gay gắt, việc ứng dụng khai phá dữ liệu vào hệ thống quản trị quan hệ khách hàng (CRM) giúp phân nhóm khách hàng, phát hiện sớm các dấu hiệu thay đổi hành vi giao dịch và dự đoán ý định rời bỏ, từ đó hỗ trợ ban lãnh đạo ban hành chính sách giữ chân khách hàng kịp thời.

  2. Bộ dữ liệu thực nghiệm trong khóa luận gồm bao nhiêu biến và những biến nào được xác định là quan trọng nhất? Bộ dữ liệu gồm 18 trường thông tin phản ánh nhân khẩu học và thói quen sử dụng thẻ tín dụng của khách hàng. Trong đó, hai thuộc tính được tác giả đánh giá là có giá trị cao nhất và được chọn làm trọng tâm để phân khúc khách hàng là PAYMENTS (tổng số tiền thanh toán đã thực hiện) và PURCHASES (tổng số tiền mua hàng được thanh toán).

  3. Quá trình tiền xử lý dữ liệu trên KNIME đã giải quyết giá trị khuyết thiếu và chuẩn hóa dữ liệu ra sao? Tác giả phát hiện trường MINIMUM_PAYMENTS có giá trị bị thiếu và tiến hành thay thế các ô trống bằng giá trị trung bình của chính cột đó (Mean Imputation). Để giải quyết sự khác biệt về đơn vị đo lường và thang đo giữa các biến, tác giả sử dụng node Normalization để đưa tất cả các biến về đoạn giá trị $[0, 1]$ theo phương pháp Min-Max.

  4. Tỷ lệ phân chia tập dữ liệu huấn luyện và kiểm thử được chọn là bao nhiêu và vì sao? Dữ liệu được phân chia theo tỷ lệ 70% cho tập huấn luyện (training data) và 30% cho tập kiểm thử (testing data). Tác giả giải thích rằng tỷ lệ này giúp đảm bảo sự cân bằng thống kê, tránh hiện tượng phương sai quá cao trong việc ước tính tham số mô hình cũng như phương sai trong đánh giá hiệu suất mô hình trên dữ liệu mới.

  5. Có sự khác biệt nào giữa định hướng đề tài và nội dung triển khai thực nghiệm không? Có. Đề tài mang tên "Phân lớp dữ liệu với phần mềm Knime" và dành toàn bộ nửa sau của Chương 1 để trình bày 4 thuật toán phân loại có giám sát (Decision Tree, Random Forest, Logistic Regression, Naïve Bayes). Tuy nhiên, trong phần thực nghiệm ở Chương 2, tác giả lại áp dụng thuật toán phân cụm không giám sát K-Means với mục tiêu phân tách tập dữ liệu thành 3 cụm tối ưu ($k = 3$) và đánh giá qua chỉ số Silhouette.

Kết luận

Khóa luận tốt nghiệp của tác giả Trần Vũ Ngọc Linh đã hệ thống hóa toàn diện cơ sở lý thuyết về quy trình khai phá dữ liệu KDD, các mô hình học máy phân lớp phổ biến và phương pháp đo lường hiệu năng mô hình. Công trình đã ứng dụng thành công nền tảng mã nguồn mở KNIME để thiết lập quy trình phân tích trực quan từ tiền xử lý, chuẩn hóa đến phân cụm dữ liệu khách hàng thẻ tín dụng thành 3 nhóm hành vi riêng biệt. Mặc dù còn hạn chế về việc sử dụng tập dữ liệu mô phỏng và có sự sai lệch giữa lý thuyết phân lớp với thực nghiệm phân cụm, khóa luận vẫn là tài liệu tham khảo có giá trị thực hành cao đối với người học bước đầu tiếp cận khoa học dữ liệu no-code.