Bối cảnh và vấn đề nghiên cứu

Trong bối cảnh bùng nổ của kỷ nguyên kỹ thuật số và thương mại điện tử (E-commerce), dữ liệu phát sinh từ các giao dịch trực tuyến ngày càng gia tăng về quy mô và độ phức tạp. Hoạt động giao nhận và quản lý chuỗi cung ứng đóng vai trò then chốt trong việc duy trì năng lực cạnh tranh của các doanh nghiệp bán lẻ trực tuyến. Việc nắm bắt kịp thời các thông số vận hành như thời gian giao hàng, địa điểm kho bãi, chi phí sản phẩm, mức chiết khấu và hành vi tương tác của khách hàng là cơ sở thiết yếu để các nhà quản lý đưa ra quyết định tối ưu hóa vận tải, giảm thiểu độ trễ đơn hàng và nâng cao mức độ thỏa mãn của người tiêu dùng.

Đề tài "Dự báo dữ liệu E-Commerce Shipping Data" được nhóm nghiên cứu thực hiện nhằm giải quyết các nhiệm vụ khoa học và thực tiễn cụ thể:

  1. Tổng hợp cơ sở lý thuyết về quy trình phân tích khoa học dữ liệu, các kỹ thuật khai phá dữ liệu trên bảng tính Excel và phần mềm khai phá dữ liệu trực quan Orange.
  2. Thực hiện tiền xử lý, khám phá và thống kê mô tả cấu trúc của tập dữ liệu vận chuyển thương mại điện tử bao gồm 10.999 bản ghi quan sát.
  3. Xây dựng, huấn luyện và so sánh hiệu năng của các mô hình phân lớp học máy (Machine Learning) nhằm xác định các yếu tố chi phối việc giao hàng đúng hạn hay trễ hạn.
  4. Triển khai mô hình phân lớp tối ưu để thực hiện thử nghiệm dự báo tình trạng giao hàng trên tập mẫu 100 bản ghi dữ liệu cụ thể.

Đối tượng nghiên cứu của đồ án là tập dữ liệu vận chuyển thương mại điện tử E-Commerce Shipping Data với 12 thuộc tính đo lường các khía cạnh vận hành logistics, hành vi mua sắm và phản hồi từ khách hàng. Phạm vi nghiên cứu tập trung vào việc áp dụng các công cụ phân tích thống kê mô tả, tối ưu hóa tuyến tính, mô hình hóa phân lớp có giám sát (Supervised Learning) và phân cụm không giám sát (Unsupervised Learning) trong khuôn khổ học phần Khoa học dữ liệu.

Cơ sở lý thuyết và phương pháp

Khung lý thuyết của đề tài được xây dựng dựa trên sự giao thoa của ba lĩnh vực: Thống kê toán học (Mathematical Statistics), Công nghệ thông tin/Máy học (Machine Learning) và Tri thức nghiệp vụ logistics thương mại điện tử. Quy trình phân tích khoa học dữ liệu chuẩn được nhóm tác giả tuân thủ qua 5 giai đoạn: Đặt vấn đề và thu thập dữ liệu; Tiền xử lý dữ liệu; Chuyển đổi dữ liệu; Phân tích dữ liệu; Trình bày kết quả phân tích.

Phương pháp nghiên cứu thực nghiệm và phân tích định lượng được triển khai thông qua hai nền tảng công nghệ chính:

  • Công cụ Microsoft Excel: Ứng dụng các hàm và tiện ích nâng cao phục vụ khai phá dữ liệu bao gồm công cụ thống kê mô tả (Descriptive Statistics), tổng hợp nhóm (Subtotal), hợp nhất dữ liệu từ nhiều bảng nguồn (Consolidate), phân tích đa chiều (Pivot Table), phân tích dự báo chuỗi thời gian (Moving Average, Exponential Smoothing), phân tích hồi quy tuyến tính (Regression), và mô hình hóa bài toán quy hoạch tuyến tính tối ưu hóa lợi nhuận thông qua công cụ giải thuật toán Solver.
  • Phần mềm khai phá dữ liệu Orange (Orange Data Mining): Xây dựng quy trình luồng công việc (Workflows) kết nối các khối chức năng (Widgets) thuộc các nhóm:
    • Nhóm Data: Khai thác tệp tin (File), truy xuất tập dữ liệu mẫu (Datasets), hiển thị bảng dữ liệu (Data Table), tạo dữ liệu trực quan (Paint Data), phân tách tập dữ liệu (Data Sampler), và tiền xử lý chuẩn hóa (Preprocess).
    • Nhóm Visualize: Trực quan hóa cấu trúc phân nhánh (Tree Viewer) và phân tích tương quan hai chiều (Scatter Plot).
    • Nhóm Model: Thiết lập thuật toán Cây quyết định (Tree), Máy vectơ hỗ trợ (SVM - Support Vector Machine), và Hồi quy Logistic (Logistic Regression).
    • Nhóm Evaluate: Kiểm định và so sánh mô hình (Test and Score), dự báo nhãn mới (Predictions), và phân tích ma trận nhầm lẫn (Confusion Matrix).
    • Nhóm Unsupervised: Phân tích khoảng cách (Distance) và giải thuật phân cụm phân hoạch (k-means).

Phương pháp đánh giá mô hình phân lớp được thực hiện thông qua kỹ thuật kiểm định chéo K-fold Cross Validation ($k = 5$) kết hợp phân tách mẫu ngẫu nhiên (Random Sampling với tỷ lệ 66% cho tập huấn luyện). Các chỉ số định lượng dùng để đánh giá gồm diện tích dưới đường cong ROC (AUC - Area Under the Curve), Ma trận nhầm lẫn (Confusion Matrix), Sai lầm loại 1 (False Positive) và Sai lầm loại 2 (False Negative).

Nguồn dữ liệu thực nghiệm được trích xuất từ bộ dữ liệu E-Commerce Shipping Data gồm 10.999 dòng quan sát, cấu trúc hoàn chỉnh, không có giá trị khuyết thiếu (No missing data), phục vụ việc phân tách thành tập huấn luyện (Training set: 7.700 dòng, chiếm 70%) và tập dự báo (Forecast set: 3.300 dòng, chiếm 30%).

Nội dung chính theo từng chương

Chương 1: Giới thiệu về Khoa học Dữ liệu và Giới thiệu Đề tài

Chương mở đầu hệ thống hóa các khái niệm nền tảng về dữ liệu và khoa học dữ liệu. Dữ liệu được định nghĩa là tập hợp các thông tin, sự kiện hoặc hiện tượng được thu thập, lưu trữ dưới dạng số, ký tự, hình ảnh hoặc âm thanh để xử lý trên máy tính. Khoa học dữ liệu được tiếp cận như một ngành khoa học liên ngành đảm nhận nhiệm vụ quản trị, phân tích và trích xuất tri thức hành động từ dữ liệu nhằm hỗ trợ ra quyết định.

Tác giả tóm tắt tiến trình lịch sử phát triển của ngành qua các mốc thời gian tiêu biểu: bài báo năm 1962 của John W. Tukey ("The Future of Data Analysis"); định nghĩa của Peter Naur năm 1974 trong công trình "Concise Survey of Computer Methods"; sự thành lập Hiệp hội Quốc tế về Máy tính thống kê (IASC) năm 1977; hội thảo Khám phá kiến thức trong Cơ sở dữ liệu (KDD) năm 1989 do Gregory Piatetsky-Shapiro khởi xướng; bài thuyết trình "Statistics = Data Science?" năm 1997 của Chien-Fu Jeff Wu tại Đại học Michigan; công bố của William S. Cleveland năm 2001; thuật ngữ "Nhà khoa học dữ liệu" do DJ Patil và Jeff Hammerbacher định danh năm 2008 tại LinkedIn và Facebook; ấn phẩm năm 2012 của Harvard Business Review; các sáng kiến của IEEE năm 2013-2014 và việc ra đời Tạp chí Quốc tế về Khoa học Dữ liệu và Phân tích của Springer năm 2015.

Chương 1 cũng điểm qua các ứng dụng thực tế của khoa học dữ liệu tại các doanh nghiệp như Amazon, Netflix, Uber, Grab, Google Maps, Spotify, IBM Watson và Facebook, từ đó dẫn nhập vào tính cấp thiết của việc nghiên cứu dữ liệu vận chuyển hàng hóa thương mại điện tử.

Chương 2: Tổng quan về Chương trình Sử dụng và Các Phương pháp Sử dụng

Chương 2 trình bày chi tiết cơ sở lý thuyết và các thao tác kỹ thuật trên hai công cụ phân tích chính:

  1. Ứng dụng khai phá dữ liệu trên Excel:

    • Thống kê mô tả (Descriptive Statistics): Hướng dẫn trích xuất các đại lượng đo lường xu hướng trung tâm và độ biến thiên (Mean, Standard Deviation, Min, Max, Confidence Level for Mean) thông qua ví dụ dữ liệu bán điện thoại Samsung Galaxy S23 trong tháng 3 của cửa hàng ABC.
    • Subtotal, Consolidate và Pivot Table: Phân tích nhóm số liệu doanh số nhân viên, tổng hợp doanh thu từ 3 chi nhánh cửa hàng ABC và mô hình hóa dữ liệu đa chiều.
    • Dự báo chuỗi thời gian và hồi quy: Thiết lập kỹ thuật trung bình trượt (Moving Average), san bằng mũ (Exponential Smoothing), và hồi quy tuyến tính (Regression) xác định hệ số $R^2$.
    • Mô hình tối ưu hóa tuyến tính: Xây dựng bài toán sản xuất nông nghiệp với hàm mục tiêu cực đại hóa lợi nhuận: $P = 18x_1 + 21x_2 \to \max$, trong đó $x_1$ là sản lượng lúa gạo và $x_2$ là sản lượng lúa mì (tấn). Hệ ràng buộc kỹ thuật gồm:
      • Diện tích đất: $2x_1 + 3x_2 \le 50$
      • Nước tưới: $6x_1 + 4x_2 \le 90$
      • Lao động: $15x_1 + 12x_2 \le 250$
      • Ràng buộc không âm: $x_1, x_2 \ge 0$ Thao tác giải nghiệm và xuất báo cáo Answer, Sensitivity, Limits bằng công cụ Solver.

  2. Cơ chế hoạt động của phần mềm Orange: Mô tả nguyên lý xây dựng luồng dữ liệu (Workflows) từ việc nạp dữ liệu (File, Datasets), tiền xử lý (Preprocess, Data Sampler), hiển thị trực quan (Tree Viewer, Scatter Plot), huấn luyện mô hình (Tree, SVM, Logistic Regression), kiểm thử (Test and Score, Confusion Matrix) đến phân cụm (k-means).

  3. Lý thuyết phân lớp và phân cụm dữ liệu:

    • Phân lớp dữ liệu (Classification): Phân tích bản chất của quá trình học máy có giám sát; so sánh ưu - nhược điểm của thuật toán Cây quyết định (dễ hiểu, không cần chuẩn hóa dữ liệu nhưng chi phí xây dựng cao), Máy vectơ hỗ trợ SVM (tối đa hóa siêu phẳng phân cách, hiệu quả trong không gian nhiều chiều nhưng hạn chế khi số chiều lớn hơn số quan sát) và Hồi quy Logistic.
    • Độ đo đánh giá phân lớp: Phân tích các trạng thái khớp mô hình (Underfitting, Good Fitting, Overfitting) và các chỉ số định lượng: Ma trận nhầm lẫn, Accuracy, Precision, Recall, F1-score, đường cong ROC và diện tích AUC.
    • Phân cụm dữ liệu (Clustering): Phân tích giải thuật học không giám sát bao gồm phân cụm phân cấp (Hierarchical Clustering với chiến lược tích tụ Agnes và phân chia Diana; các phương pháp khoảng cách Single-link, Complete-link, Average-link) và phân cụm phân hoạch (Partitioning Clustering với thuật toán $k$-means qua quy trình 4 bước). Giới thiệu ba phương pháp đánh giá phân cụm: đánh giá ngoại vi (External validation), đánh giá nội bộ (Internal validation với Silhouette index, Dunn's index, DBI), và đánh giá tương đối (Relative validation).
Thuật toán Ưu điểm chính Nhược điểm chính
Cây quyết định (Tree) Dễ giải thích trực quan; không đòi hỏi chuẩn hóa dữ liệu; xử lý tốt khối lượng dữ liệu lớn trong thời gian ngắn. Chi phí tính toán xây dựng mô hình cao; khó xử lý khi dữ liệu phụ thuộc mạnh vào yếu tố thời gian.
Máy vectơ hỗ trợ (SVM) Tiết kiệm bộ nhớ trong quá trình kiểm định; linh hoạt với các hàm nhân (Kernel) tuyến tính và phi tuyến; xử lý tốt không gian nhiều chiều. Kém hiệu quả khi số chiều dữ liệu lớn hơn số dòng quan sát; không thể hiện trực tiếp bản chất xác suất của phân lớp.
Hồi quy Logistic Mô hình hóa trực tiếp xác suất phân lớp đầu ra dạng nhị phân; tốc độ tính toán nhanh; tham số điều chỉnh chi phí (C) rõ ràng. Khả năng biểu diễn các mối quan hệ phi tuyến phức tạp còn hạn chế nếu không có biến tương tác phù hợp.

Chương 3: Ứng dụng Phương pháp vào Bài toán Thực tế

Chương 3 là phần thực nghiệm trung tâm của đồ án, tiến hành trên bộ dữ liệu E-Commerce Shipping Data với 10.999 bản ghi và 12 thuộc tính:

Tên biến Mô tả thuộc tính Đơn vị / Kiểu giá trị
ID Mã định danh khách hàng Định danh
Warehouse block Khu vực kho lưu trữ hàng hóa của công ty Khối A, B, C, D, F
Mode of shipment Phương thức vận chuyển đơn hàng Đường thủy (Ship), Hàng không (Flight), Đường bộ (Road)
Customer care calls Số cuộc gọi liên hệ chăm sóc khách hàng/tra cứu thông tin Lần
Customer rating Đánh giá mức độ hài lòng của khách hàng Thang điểm từ 1 (Worst) đến 5 (Best)
Cost of the product Giá trị của sản phẩm được vận chuyển USD
Prior purchases Số lần khách hàng đã mua hàng trước đó Lần
Product importance Tầm quan trọng của sản phẩm Thấp (Low), Trung bình (Medium), Cao (High)
Gender Giới tính của khách hàng Nam, Nữ
Discount offered Mức chiết khấu / giảm giá áp dụng cho đơn hàng USD
Weight in gms Trọng lượng thực tế của kiện hàng Gam (g)
Reached on time Biến mục tiêu: tình trạng giao hàng đúng hạn 1: Không đạt đúng hạn; 0: Đạt đúng hạn

Thống kê mô tả toàn diện tập dữ liệu cho thấy các phân bố thực nghiệm sau:

Đặc trưng khảo sát Phân loại nhóm giá trị Số lượng (bản ghi) Tỷ lệ (%)
Loại kho bãi Kho A 1.833 16,7%
Kho B 1.833 16,7%
Kho C 1.833 16,7%
Kho D 1.834 16,7%
Kho F 3.666 33,3%
Phương thức giao hàng Đường thủy (Ship) 7.462 67,8%
Đường hàng không (Flight) 1.777 16,2%
Đường bộ (Road) 1.760 16,0%
Số cuộc gọi CSKH Dưới 4 lần 3.855 35,0%
Từ 4 đến 5 lần 5.885 53,5%
Từ 6 đến 7 lần 1.259 11,4%
Đánh giá khách hàng 1 sao 2.235 20,3%
2 sao 2.165 19,7%
3 sao 2.239 20,4%
4 sao 2.189 19,9%
5 sao 2.171 19,7%
Mức độ quan trọng sản phẩm Thấp (Low) 5.297 48,2%
Trung bình (Medium) 4.754 43,2%
Cao (High) 948 8,6%
Giá sản phẩm Dưới 100 USD 31 0,3%
Từ 100 USD đến 199 USD 4.583 41,7%
Từ 200 USD đến 299 USD 6.220 56,6%
Từ 300 USD trở lên 165 1,5%
Số lần mua trước đó Dưới 4 lần 6.554 59,6%
Từ 4 đến 7 lần 4.139 37,6%
Từ 8 đến 10 lần 306 2,8%
Giới tính Nữ 5.454 50,4%
Nam 5.545 49,6%
Mức khuyến mãi Dưới 25% 9.044 82,2%
Từ 25% đến 50% 1.222 11,1%
Từ 51% đến 65% 733 6,7%
Khối lượng đơn hàng Dưới 3.000 gam 4.144 37,7%
Từ 3.000 gam đến 5.000 gam 3.966 36,1%
Từ 5.001 gam đến 8.000 gam 2.889 26,3%

Quy trình phân lớp và dự báo được triển khai theo các bước:

  1. Phân chia dữ liệu: Sử dụng widget Data Sampler, trích xuất 70% dữ liệu gốc thành tập huấn luyện EShipping_Training.xlsx (7.700 mẫu) và 30% thành tập dự báo EShipping_Forecast.xlsx (3.300 mẫu).
  2. Huấn luyện và đánh giá: Đặt biến phụ thuộc mục tiêu là Reached on time. Sử dụng tiện ích Test and Score với cơ chế 5-fold Cross Validation và Random Sampling tỷ lệ huấn luyện 66%. Kết quả so sánh chỉ số diện tích dưới đường cong ROC (AUC) cho thấy:
    • Thuật toán Hồi quy Logistic: $\text{AUC} = 0,737$
    • Thuật toán Cây quyết định: $\text{AUC} = 0,645$
    • Thuật toán SVM: $\text{AUC} = 0,531$
  3. Phân tích Ma trận nhầm lẫn: Phương pháp Hồi quy Logistic được lựa chọn là mô hình tối ưu nhất nhờ cân bằng tốt nhất giữa hai loại sai số: tỷ lệ sai lầm loại 1 đạt 43,2% và tỷ lệ sai lầm loại 2 đạt 27,0%.
  4. Dự báo mẫu: Lược bỏ cột thuộc tính ID thông qua widget Select Columns, trích xuất mẫu thử nghiệm 100 bản ghi ngẫu nhiên từ tập EShipping_Forecast.xlsx qua Data Sampler (Fixed Sample Size = 100), nạp vào widget Predictions cùng mô hình Hồi quy Logistic đã huấn luyện và xuất kết quả ra bảng dữ liệu Data Table.

Chương 4: Đánh giá Kết quả của Mô hình

Chương 4 đúc kết các mặt đạt được và tồn tại của quá trình triển khai mô hình:

  • Ưu điểm: Tập dữ liệu sạch, có độ tin cậy cao và không bị khuyết thiếu, cho phép tối giản bước tiền xử lý; kết quả phân tích cung cấp thông tin định lượng thực tế hỗ trợ doanh nghiệp cải tiến quy trình đóng gói, vận chuyển, nâng cao tỷ lệ giao hàng đúng hẹn và củng cố lợi thế cạnh tranh.
  • Nhược điểm: Mô hình được lựa chọn (Hồi quy Logistic) dù có hiệu năng vượt trội hơn Cây quyết định và SVM trên tập dữ liệu này nhưng độ chính xác tổng thể vẫn chưa đạt mức tối ưu tuyệt đối. Kích thước dữ liệu lớn và tính chất phân tán của các biến hành vi khách hàng tạo ra sai số nhất định trong kết quả dự báo.

Kết quả và đóng góp

Nghiên cứu đạt được các kết quả định lượng cụ thể dựa trên việc phân tích 10.999 giao dịch vận chuyển:

  • Bức tranh thực trạng vận hành logistics: Kho F là địa điểm tập kết hàng hóa lớn nhất (chiếm 33,3% tổng khối lượng lưu kho); phương thức giao hàng bằng đường thủy chiếm tỷ trọng áp đảo (67,8%), trong khi đường hàng không (16,2%) và đường bộ (16,0%) chiếm tỷ lệ tương đương. Phần lớn khách hàng phát sinh từ 4 đến 5 cuộc gọi chăm sóc khách hàng (53,5%) và các đơn hàng chủ yếu có mức chiết khấu dưới 25% (82,2%).
  • Xác định mô hình phân lớp tối ưu: So sánh định lượng giữa 3 giải thuật học máy cho thấy Hồi quy Logistic đạt chỉ số $\text{AUC} = 0,737$, vượt trội so với Cây quyết định ($\text{AUC} = 0,645$) và Máy vectơ hỗ trợ ($\text{AUC} = 0,531$). Mô hình này kiểm soát sai lầm loại 1 ở mức 43,2% và sai lầm loại 2 ở mức 27,0%.
  • Hoàn thành thử nghiệm dự báo: Xây dựng thành công luồng làm việc tự động hóa trên Orange, loại bỏ nhiễu định danh và thực hiện dự báo xác suất giao hàng đúng hạn trên tập 100 bản ghi dữ liệu độc lập.
  • Giải pháp đề xuất cho doanh nghiệp: Doanh nghiệp cần dựa trên các chỉ báo về khối lượng đơn hàng, mức chiết khấu và phương thức vận chuyển để điều phối nguồn lực kho bãi (đặc biệt tại kho F), tái cấu trúc quy trình vận tải đường thủy nhằm kiểm soát độ trễ giao hàng, đồng thời tối ưu hóa kịch bản chăm sóc khách hàng đối với các nhóm đơn hàng có nguy cơ trễ hẹn.

Hạn chế và hướng nghiên cứu tiếp

Bên cạnh các kết quả đạt được, đồ án tồn tại một số hạn chế theo phạm vi nghiên cứu được tác giả chỉ rõ:

  • Độ chính xác tổng thể của mô hình phân lớp Hồi quy Logistic vẫn còn giới hạn, chưa đạt mức dự báo lý tưởng cho toàn bộ các kịch bản thực tế.
  • Khối lượng dữ liệu quan sát lớn và có tính biến thiên phức tạp ở các thuộc tính chiết khấu và trọng lượng dẫn đến tỷ lệ sai số dự báo còn tồn tại (sai lầm loại 1 là 43,2% và sai lầm loại 2 là 27,0%).
  • Đồ án chưa kết hợp các thuật toán học máy nâng cao dạng tập hợp (Ensemble Learning) hoặc mạng nơ-ron nhân tạo để cải thiện chỉ số AUC.

Hướng nghiên cứu tiếp theo được nhóm tác giả xác định bao gồm:

  • Mở rộng ứng dụng tập dữ liệu để phân tích sâu mối liên hệ giữa thời gian giao hàng với mức độ hài lòng của khách hàng (Customer rating), chi phí sản phẩm và tần suất mua hàng lặp lại (Prior purchases).
  • Thử nghiệm các thuật toán học máy phức tạp hơn để nâng cao độ chính xác dự báo tình trạng đơn hàng đúng hạn.
  • Xây dựng các mô hình định giá và chiến lược giảm giá linh hoạt dựa trên dữ liệu nhằm vừa thu hút khách hàng mới, vừa bảo đảm hiệu quả vận hành chuỗi cung ứng.

Giá trị tham khảo

Báo cáo đồ án là tài liệu tham khảo thiết thực cho sinh viên các chuyên ngành Hệ thống thông tin quản lý, Khoa học dữ liệu, Thương mại điện tử, Logistics và Quản trị chuỗi cung ứng. Tài liệu có giá trị tham khảo cao ở các khía cạnh:

  • Cung cấp tài liệu hướng dẫn từng bước (Step-by-step) về việc sử dụng các công cụ khai phá dữ liệu trên Microsoft Excel (từ Descriptive Statistics, Subtotal, Consolidate, Pivot Table đến Solver tối ưu hóa tuyến tính).
  • Minh họa chi tiết cách thiết lập luồng xử lý dữ liệu (Workflow) trực quan trên phần mềm mã nguồn mở Orange, bao gồm các thao tác nạp dữ liệu, phân tách mẫu huấn luyện - kiểm định, đánh giá mô hình bằng AUC và Ma trận nhầm lẫn, cũng như cách xuất kết quả dự báo ra bảng dữ liệu.
  • Làm tài liệu mẫu về cấu trúc trình bày một đồ án học phần khoa học dữ liệu ứng dụng chuẩn mực từ khâu tổng quan lý thuyết đến phân tích định lượng trên bộ dữ liệu thực tế.

Câu hỏi thường gặp

1. Bộ dữ liệu E-Commerce Shipping Data trong đồ án có quy mô như thế nào và có cần xử lý dữ liệu khuyết thiếu không?
Bộ dữ liệu gồm 10.999 bản ghi quan sát và 12 thuộc tính (gồm các biến định danh, phân loại và số trị). Do tập dữ liệu hoàn chỉnh và không có giá trị bị thiếu (No missing data), nhóm nghiên cứu không cần sử dụng các công cụ xử lý dữ liệu khuyết thiếu trong bước tiền xử lý mà có thể nạp trực tiếp vào luồng phân tích.

2. Hiệu năng của các thuật toán phân lớp được so sánh như thế nào trong đồ án?
Hiệu năng được kiểm định qua công cụ Test and Score với 5-fold Cross Validation và Random Sampling (66% tập huấn luyện). Kết quả chỉ số diện tích dưới đường cong ROC (AUC) đạt được lần lượt là: Hồi quy Logistic đạt 0,737; Cây quyết định (Tree) đạt 0,645; Máy vectơ hỗ trợ (SVM) đạt 0,531. Do đó, Hồi quy Logistic là mô hình có hiệu năng cao nhất.

3. Tại sao biến ID bị loại bỏ trước khi đưa vào dự báo trên tập dữ liệu mới?
Trong quy trình thực hiện tại Chương 3, nhóm nghiên cứu đã sử dụng công cụ Select Columns để lược bỏ thuộc tính ID vì đây là biến định danh khách hàng thuần túy, không mang giá trị đặc trưng thống kê hay tính quy luật để mô hình học máy phân lớp và dự báo kết quả giao hàng.

4. Mô hình tối ưu hóa tuyến tính trên Excel tại Chương 2 giải quyết bài toán gì với các tham số nào?
Mô hình giải quyết bài toán tối đa hóa lợi nhuận trồng trọt hai loại cây: lúa gạo ($x_1$) và lúa mì ($x_2$) với hàm mục tiêu $P = 18x_1 + 21x_2 \to \max$. Các ràng buộc bao gồm: đất đai $2x_1 + 3x_2 \le 50$, nước tưới $6x_1 + 4x_2 \le 90$, lao động $15x_1 + 12x_2 \le 250$ và điều kiện không âm $x_1, x_2 \ge 0$. Nghiệm tối ưu được giải thông qua tiện ích Solver.

Kết luận

Đồ án "Khám Phá Khoa Học Dữ Liệu: Phương Pháp và Ứng Dụng Thực Tế" đã hoàn thành việc hệ thống hóa phương pháp luận khoa học dữ liệu và ứng dụng thành công các công cụ Microsoft Excel cùng phần mềm Orange vào phân tích thực nghiệm chuỗi cung ứng thương mại điện tử. Thông qua việc khảo sát 10.999 bản ghi thuộc bộ dữ liệu E-Commerce Shipping Data, nghiên cứu đã chỉ ra các đặc trưng phân bố vận tải chính và xác định mô hình Hồi quy Logistic ($\text{AUC} = 0,737$) là giải thuật tối ưu nhất để phân lớp và dự báo tình trạng giao hàng đúng hạn. Kết quả của đồ án cung cấp cơ sở dữ liệu định lượng hữu ích cho các nhà quản lý logistics trong việc nâng cao chất lượng dịch vụ giao nhận và tối ưu hóa hiệu quả vận hành doanh nghiệp.