Bối cảnh và vấn đề nghiên cứu

Trong bối cảnh cạnh tranh ngày càng gia tăng trong lĩnh vực tài chính - ngân hàng, việc thu hút và duy trì tập khách hàng hiện hữu đóng vai trò quyết định đến sự tồn tại và phát triển của mỗi ngân hàng thương mại. Hoạt động chăm sóc khách hàng truyền thống thông qua các hình thức như gọi điện thoại tiếp thị, gửi tin nhắn SMS hay thư điện tử đại trà đang bộc lộ nhiều bất cập khi dễ gây cảm giác phiền phức và tạo phản ứng tiêu cực đối với những khách hàng không có nhu cầu thực sự. Đứng trước sự phát triển của cuộc Cách mạng công nghiệp lần thứ tư, xu hướng tiếp thị chuyển dịch sang việc liên kết cộng đồng doanh nghiệp để xây dựng hệ sinh thái chăm sóc khách hàng đa dạng, thay vì các giải pháp đơn lẻ. Theo nhận định từ cán bộ nghiệp vụ VietinBank, việc phân khúc khách hàng hiệu quả giúp 20% nhóm khách hàng tiềm năng mang lại 80% thị phần, quy mô sản phẩm dịch vụ và lợi nhuận cho chi nhánh.

Nhằm triển khai định hướng này, Ngân hàng TMCP Công thương Việt Nam (VietinBank) đã đưa vào vận hành chương trình Khách hàng thân thiết (VietinBank Loyalty) từ ngày 25/09/2017, cho phép khách hàng tích lũy điểm thưởng khi sử dụng sản phẩm dịch vụ bán lẻ và đổi lấy các phần quà dưới dạng e-Voucher thuộc nhiều lĩnh vực (ẩm thực, thời trang, du lịch, giải trí, viễn thông) thông qua liên kết với các đối tác như Big C, Grab Taxi, CGV, Viettel, Vinaphone, Mobifone. Tuy nhiên, bài toán đặt ra cho ngân hàng là làm thế nào để phân loại và dự đoán chính xác nhu cầu, sở thích của từng nhóm đối tượng khách hàng dựa trên dữ liệu đổi quà, từ đó xây dựng các chiến lược liên minh đối tác và tiếp thị đúng mục tiêu.

Xuất phát từ yêu cầu thực tiễn đó, khóa luận tập trung giải quyết các mục tiêu và nhiệm vụ nghiên cứu cụ thể:

  1. Nghiên cứu giải pháp nâng cao chất lượng công tác chăm sóc khách hàng thông qua các công cụ khai phá và phân tích dữ liệu khách hàng tham gia chương trình VietinBank Loyalty.
  2. Đánh giá thực trạng chất lượng dữ liệu tại ngân hàng, ứng dụng Hệ thống Quản trị chất lượng dữ liệu (Data Quality System - DQS) nhằm tiền xử lý, chuẩn hóa nguồn dữ liệu đầu vào.
  3. Ứng dụng các thuật toán khai phá dữ liệu nhằm trích xuất quy luật hành vi, dự đoán xu hướng lựa chọn sản phẩm dịch vụ của khách hàng, tạo cơ sở cho việc lựa chọn đối tác liên kết phù hợp.

Đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Dữ liệu khách hàng tham gia chương trình Khách hàng thân thiết của VietinBank.
  • Phạm vi không gian: Ngân hàng TMCP Công thương Việt Nam (VietinBank).
  • Phạm vi thời gian: Thu thập số liệu để nghiên cứu, phân tích và đánh giá phương pháp xử lý chất lượng dữ liệu tại VietinBank trong giai đoạn 2016 – 2017.

Cơ sở lý thuyết và phương pháp

Khóa luận được xây dựng dựa trên sự kết hợp giữa lý thuyết quản trị dữ liệu, lý thuyết chăm sóc khách hàng ngành ngân hàng và các phương pháp khai phá dữ liệu phân lớp:

  • Khung lý thuyết và mô hình quản trị:
    • Đặc thù dịch vụ ngân hàng và chăm sóc khách hàng: Phân tích các đặc tính cơ bản của sản phẩm dịch vụ ngân hàng (tính vô hình, tính không thể chia cắt, tính không ổn định và tính không lưu trữ được). Hoạt động chăm sóc khách hàng được phân loại theo ba nhóm yếu tố: các hoạt động tạo sự thuận tiện, yếu tố con người và các chương trình tri ân gia tăng giá trị.
    • Mô hình Quản trị dữ liệu (Data Governance): Khung quản trị gồm 9 thành phần, trong đó trọng tâm được tác giả phân tích là phân hệ Quản trị chất lượng dữ liệu (Data Quality Management - DQM). Các tiêu chuẩn chất lượng dữ liệu bao gồm: tính chính xác (accuracy), tính hiện hành (currency/timeliness), tính toàn vẹn (completeness) và tính nhất quán (consistency).
    • Quy tắc dữ liệu (Data Rules): Hệ thống các quy tắc do bộ phận nghiệp vụ định nghĩa dựa trên văn bản pháp lý và quy trình nội bộ nhằm đối chứng dữ liệu trích xuất từ hệ thống xử lý giao dịch.
  • Phương pháp khai phá dữ liệu và thuật toán phân lớp:
    • Thuật toán Cây quyết định ID3 (Iterative Dichotomiser 3): Dựa trên lý thuyết của Quinlan (1986), xây dựng cây theo phương thức từ trên xuống (top-down). Thuật toán sử dụng độ đo Entropy để đo tính thuần nhất của dữ liệu và chỉ số Thông tin thu được (Information Gain) để lựa chọn thuộc tính phân tách tối ưu tại mỗi nút.
    • Thuật toán Naive Bayes (NBC): Dựa trên Định lý xác suất Bayes và giả định độc lập có điều kiện giữa các biến đặc trưng (conditional independence assumption). Mô hình áp dụng quy tắc quyết định xác suất hậu nghiệm cực đại (Maximum A Posteriori - MAP) để gán nhãn phân lớp cho đối tượng dữ liệu.
  • Phương pháp nghiên cứu và công cụ thực hiện:
    • Phương pháp nghiên cứu lý thuyết: Thu thập, phân tích và tổng hợp các tài liệu chuyên ngành về hệ thống thông tin quản lý, tiền xử lý dữ liệu và kỹ thuật máy học trong ngân hàng.
    • Phương pháp thực tế: Khảo sát quy trình thu thập dữ liệu giao dịch hàng ngày (TPS), luồng trích xuất - chuyển đổi - nạp (ETL) vào kho dữ liệu doanh nghiệp (EDW), và cơ chế rà soát lỗi tự động của hệ thống DQS.
    • Công cụ thực nghiệm: Sử dụng phần mềm khai phá dữ liệu RapidMiner để xây dựng mô hình huấn luyện, kiểm thử và trực quan hóa cây quyết định cũng như bảng phân phối xác suất.
  • Nguồn dữ liệu: Bộ dữ liệu phục vụ nghiên cứu gồm 350 bản ghi thông tin khách hàng tham gia chương trình VietinBank Loyalty với các trường thông tin: Số thứ tự, Mã CIF, Họ tên, Ngày sinh, Địa chỉ, Nghề nghiệp, Số điện thoại, Tình trạng khách hàng, Thu nhập và Sản phẩm đổi quà.

Nội dung chính theo từng chương

Chương I: Tổng quan về hoạt động chăm sóc khách hàng tại VietinBank

Chương này trình bày cơ sở lý luận về khách hàng và vai trò của công tác chăm sóc khách hàng đối với hoạt động kinh doanh ngân hàng thương mại, đồng thời phân tích bức tranh thực tiễn tại VietinBank cùng các đối thủ cạnh tranh trên thị trường:

  • Kết quả kinh doanh và vai trò của phân khúc bán lẻ: Báo cáo ghi nhận năm 2016, dư nợ bán lẻ của VietinBank tăng 35% so với năm 2015, huy động vốn tăng 21,2%, doanh thu bán lẻ chiếm xấp xỉ 30% tổng doanh thu và tổng doanh thu bán lẻ năm 2016 tăng 84% so với năm 2014. Lợi nhuận trước thuế đạt 9.206 tỷ đồng (hoàn thành 105% kế hoạch), các chỉ số sinh lời ROE và ROA lần lượt đạt 12% và 1%. Dẫn chứng tại các chi nhánh như Chi nhánh Nghệ An (lợi nhuận năm 2016 đạt 130 tỷ đồng, nguồn vốn huy động đạt gần 7.000 tỷ đồng, dư nợ bán lẻ tăng 30%) và Chi nhánh Cẩm Phả (đến tháng 9/2015 nguồn vốn huy động đạt 4.232 tỷ đồng, tiền gửi dân cư chiếm 85%) khẳng định định hướng lấy khách hàng làm trung tâm.
  • Thực trạng các kênh chăm sóc khách hàng: Phân tích hoạt động của Contact Center VietinBank với số lượng cuộc gọi đến năm 2013 tăng 340% so với 2012, năm 2014 tăng 157,8% so với 2013; các cuộc gọi ra tiếp thị và khảo sát năm 2013 tăng 329%, năm 2014 tăng 116%; tỷ lệ khách hàng đánh giá dịch vụ đạt chất lượng tốt đạt trên 84%.
  • Hạn chế và áp lực cạnh tranh: Thống kê trên mạng xã hội vào Quý 2/2017 cho thấy có gần 890.000 lượt thảo luận về các ngân hàng thương mại, trong đó hơn 5.000 người dùng phản ánh thái độ không hài lòng và hơn 250 khách hàng lâu năm sẵn sàng chuyển đổi thương hiệu do các hình thức tiếp thị đại trà gây phiền hà.
  • Khảo sát các chương trình liên kết ngân hàng - doanh nghiệp: Khóa luận khảo cứu các chương trình ưu đãi của Vietcombank (kết hợp Samsung Pay hoàn tiền 200.000 VNĐ cho 8.500 khách hàng và tặng điện thoại Galaxy Note 8), BIDV (chương trình "Chào hè 2018" liên kết Vietnam Airlines ưu đãi vé máy bay), VPBank (liên kết Thế Giới Di Động trả góp 0% kỳ hạn 6 tháng).
  • Chương trình VietinBank Loyalty: Giới thiệu cơ chế tích điểm đổi quà áp dụng cho chủ thẻ tín dụng quốc tế Visa/MasterCard/JCB từ 25/09/2017 qua ứng dụng VietinBank iPay với quà tặng e-Voucher thuộc các lĩnh vực ẩm thực, thời trang, giải trí, du lịch. Tác giả chỉ ra thách thức cần cá nhân hóa ưu đãi thay vì áp dụng đồng loạt.

Chương II: Phân tích dữ liệu bài toán khách hàng thân thiết tại VietinBank

Chương II tập trung mổ xẻ thực trạng chất lượng dữ liệu nghiệp vụ tại VietinBank, kiến trúc hệ thống DQS và quy trình tiền xử lý dữ liệu cho chương trình Loyalty:

  • Thực trạng lỗi dữ liệu: Lỗi dữ liệu phát sinh do quá trình nhập liệu thủ công tại các hệ thống xử lý giao dịch (TPS) như INCAS, phân hệ Thẻ, LOS, Ebanking. Các lỗi phổ biến gồm: thiếu trường thông tin, một khách hàng có nhiều số CIF hoặc một CIF gán cho nhiều khách hàng, thông tin sai định dạng, dữ liệu lịch sử không còn giá trị giao dịch. Thống kê năm 2016 cho thấy tồn lỗi tại 4 phân hệ nghiệp vụ tăng từ 1.018 lỗi ở đầu năm lên mức đỉnh điểm trong tháng 5 và tháng 6 (lượng lỗi tăng thêm 112.000 bản ghi).
  • Kiến trúc và chức năng của DQS: Được Phòng Quản lý Chi nhánh và Thông tin (QLCN&TT) triển khai từ năm 2012. Hệ thống thực hiện 4 kỹ thuật tiền xử lý: làm sạch dữ liệu (data cleaning), tích hợp dữ liệu (data integration), biến đổi dữ liệu (data transformation) và thu giảm dữ liệu (data reduction). Tính đến tháng 4/2016, VietinBank đã xây dựng gần 100 quy tắc DQS trên 5 phân hệ: Thông tin khách hàng (CIF), Tiền vay (Loan), Tiền gửi (Deposit), Chuyển tiền và Thẻ. DQS cung cấp gần 20 báo cáo tự động mỗi ngày và hỗ trợ cơ chế loại trừ lỗi ngoại lệ nghiệp vụ.
  • Quy trình vận hành DQS trong chương trình Loyalty:
    1. Ban ngày, cán bộ tác nghiệp nhập liệu giao dịch vào hệ thống TPS.
    2. Cuối ngày, dữ liệu được trích xuất (ETL) chuyển vào kho dữ liệu doanh nghiệp (EDW).
    3. DQS tự động chạy đối chiếu các quy tắc dữ liệu để phát hiện bản ghi vi phạm và lưu vào kho dữ liệu không đạt chất lượng.
    4. Đầu ngày hôm sau, hệ thống gửi báo cáo cảnh báo đến cán bộ tác nghiệp để chuẩn hóa; nếu quá hạn xử lý sẽ tự động chuyển tiếp lên cấp quản lý cao hơn.
  • Kết quả xử lý: Sau hơn 2 năm vận hành, DQS đã phát hiện và làm sạch hơn 3 triệu mẫu dữ liệu không đạt chuẩn. Tập dữ liệu 350 bản ghi của chương trình VietinBank Loyalty được rà soát, bổ sung các trường khuyết thiếu và làm sạch hoàn toàn trước khi đưa vào phân tích.

Chương III: Ứng dụng khai phá dữ liệu nâng cao hiệu quả chăm sóc khách hàng của VietinBank

Chương III trình bày bài toán phân lớp dữ liệu và thực nghiệm xây dựng mô hình dự báo bằng hai thuật toán máy học trên phần mềm RapidMiner:

  • Mô tả bài toán phân lớp: Dữ liệu đầu vào gồm 350 bản ghi khách hàng sau khi tiền xử lý. Để phục vụ việc đưa vào phần mềm RapidMiner, tác giả thực hiện loại bỏ các trường định danh cá nhân không mang giá trị quy luật gồm: Họ tên, Số CIF, Số điện thoại. Các thuộc tính đưa vào mô hình gồm: Địa chỉ (tỉnh/thành), Giới tính, Độ tuổi, Thu nhập, Nghề nghiệp, Tình trạng khách hàng (mới/cũ) và biến phân lớp mục tiêu là Sản phẩm đổi quà (loại quà tặng e-Voucher mà khách hàng lựa chọn).
  • Xây dựng mô hình với thuật toán ID3:
    • Sử dụng công thức tính Entropy của tập mẫu $S$ và độ lợi thông tin $Gain(S, A)$ để phân nhánh cây quyết định theo hướng tiếp cận từ trên xuống.
    • RapidMiner trích xuất cây quyết định hoàn chỉnh gồm 6 nhánh chính, phân hóa rõ rệt theo các mức thu nhập của khách hàng: nhóm thu nhập cao, nhóm thu nhập trung bình và nhóm thu nhập thấp. Các tập luật cây quyết định phản ánh chi tiết mối liên hệ giữa nghề nghiệp, độ tuổi và loại hình quà tặng được ưa chuộng.
  • Xây dựng mô hình với thuật toán Naive Bayes:
    • Tính toán xác suất tiền định $P(C_i)$ của từng nhóm sản phẩm đổi quà và các phân phối xác suất có điều kiện $P(F_k|C_i)$ đối với từng biến đặc trưng nhân khẩu học.
    • Áp dụng hàm phân lớp phân loại đối tượng mới vào nhóm quà tặng có giá trị xác suất hậu nghiệm lớn nhất theo công thức: $$\text{Classify}(f_1, \dots, f_n) = \arg\max_{c} P(C = c) \prod_{i=1}^{n} P(F_i = f_i | C = c)$$
    • Mô hình tạo ra bảng phân phối xác suất chi tiết cho các thuộc tính, làm căn cứ gán nhãn dự đoán cho tập dữ liệu khách hàng tiềm năng mới.
  • Đánh giá mô hình: Phân tích khả năng phân loại của hai thuật toán đối với việc nhận diện sở thích khách hàng, từ đó cung cấp căn cứ để VietinBank thiết kế các gói đối tác liên minh phù hợp với từng phân khúc.

Kết quả và đóng góp

Khóa luận đã tổng hợp các số liệu thực tế về công tác quản trị chất lượng dữ liệu và phân tích khai phá khách hàng tại VietinBank, thể hiện qua bảng số liệu sau:

Chỉ tiêu / Thành phần nghiên cứu Dữ kiện / Số liệu ghi nhận trong khóa luận
Quy mô tập dữ liệu thực nghiệm 350 bản ghi khách hàng tham gia chương trình VietinBank Loyalty
Các thuộc tính loại bỏ trước khi khai phá Họ tên, Số CIF, Số điện thoại (loại bỏ để bảo mật và tối ưu phân lớp)
Các thuộc tính phân tích chính Địa chỉ, Giới tính, Độ tuổi, Thu nhập, Nghề nghiệp, Tình trạng khách hàng, Sản phẩm đổi quà
Số lượng quy tắc DQS đã thiết lập Gần 100 quy tắc nghiệp vụ chuẩn hóa dữ liệu (tính đến tháng 4/2016)
Phân hệ nghiệp vụ áp dụng DQS 5 phân hệ: Thông tin khách hàng (CIF), Tiền vay (Loan), Tiền gửi (Deposit), Chuyển tiền, Thẻ
Kết quả làm sạch dữ liệu toàn hàng Xử lý và làm sạch hơn 3 triệu mẫu dữ liệu lỗi sau hơn 2 năm vận hành DQS
Số lượng báo cáo chất lượng dữ liệu Gần 20 báo cáo chi tiết và tổng hợp được DQS phát hành tự động hàng ngày
Công cụ và thuật toán khai phá Phần mềm RapidMiner; hai thuật toán phân lớp ID3 (Cây quyết định) và Naive Bayes

Giải pháp và kiến nghị của tác giả:

  1. Kiến nghị về quản trị dữ liệu: Tiếp tục mở rộng các bộ quy tắc chuẩn hóa dữ liệu trên hệ thống DQS cho các phân hệ giao dịch mới, duy trì cơ chế giám sát và trách nhiệm giải trình của cán bộ tác nghiệp tại các chi nhánh để hạn chế dữ liệu lỗi từ nguồn TPS.
  2. Kiến nghị về liên minh đối tác chăm sóc khách hàng: Dựa trên các luật trích xuất từ mô hình ID3 và bảng xác suất Naive Bayes, ngân hàng cần chủ động thiết lập quan hệ đối tác với các nhóm doanh nghiệp tương ứng:
    • Nhóm khách hàng có thu nhập cao/trung niên: Ưu tiên liên kết với đối tác khách sạn, khu nghỉ dưỡng, dịch vụ bảo hiểm và bán vé máy bay.
    • Nhóm khách hàng trẻ tuổi/thu nhập trung bình và thấp: Mở rộng voucher giảm giá tại các hệ thống siêu thị (Big C), dịch vụ gọi xe (Grab Taxi), chuỗi rạp chiếu phim (CGV) và nạp tiền điện thoại (Viettel, Vinaphone, Mobifone).
  3. Đóng góp của khóa luận: Tác giả đã hệ thống hóa quy trình liên kết từ khâu quản trị chất lượng dữ liệu gốc (thông qua DQS) đến khâu phân tích khai phá tri thức (bằng RapidMiner) trên bài toán chăm sóc khách hàng thực tế tại VietinBank, khắc phục nhược điểm chăm sóc dàn trải của các phương thức truyền thống.

Hạn chế và hướng nghiên cứu tiếp

  • Hạn chế của đề tài:
    • Dữ liệu thực nghiệm của chương trình VietinBank Loyalty dừng lại ở quy mô mẫu 350 bản ghi do hạn chế trong việc tiếp cận dữ liệu bảo mật ngân hàng.
    • Dữ liệu thu thập chưa đảm bảo tính liên tục theo chuỗi thời gian dài; một số trường dữ liệu ban đầu còn khuyết thiếu phải xử lý làm sạch.
    • Phạm vi nghiên cứu mới chỉ tập trung so sánh hai thuật toán phân lớp cơ bản (ID3 và Naive Bayes), chưa triển khai thử nghiệm trên các giải thuật nâng cao như C4.5, Rừng ngẫu nhiên (Random Forest) hay Mạng nơ-ron nhân tạo.
  • Hướng nghiên cứu tiếp theo:
    • Mở rộng tập dữ liệu thực nghiệm với quy mô toàn bộ khách hàng sử dụng thẻ quốc tế và khách hàng tham gia Ebanking của VietinBank.
    • Nghiên cứu ứng dụng khai phá dữ liệu chuỗi theo thời gian (sequential/temporal patterns) và khai phá luật kết hợp (association rules) để phân tích hành vi tiêu dùng chéo giữa các dịch vụ ngân hàng và đối tác liên kết.

Giá trị tham khảo

Khóa luận có giá trị tham khảo thiết thực cho các đối tượng và mục đích học thuật sau:

  • Sinh viên và học viên chuyên ngành Hệ thống thông tin quản lý, Khoa học dữ liệu: Tài liệu minh họa cụ thể về quy trình triển khai quản trị chất lượng dữ liệu (DQM) và ứng dụng phần mềm RapidMiner để giải quyết bài toán nghiệp vụ kinh doanh thực tế.
  • Sinh viên và nhà nghiên cứu ngành Tài chính - Ngân hàng, Marketing dịch vụ: Cung cấp tài liệu tham khảo về mô hình xây dựng chương trình khách hàng thân thiết (Loyalty Program) và xu hướng liên minh ngân hàng - doanh nghiệp trong kỷ nguyên số.
  • Nội dung giá trị nhất: Phần phân tích kiến trúc, quy trình vận hành và cơ chế gửi báo cáo tự động của Hệ thống Quản trị chất lượng dữ liệu (DQS) tại Chương II, cùng các bước chuẩn bị dữ liệu, gán nhãn và cấu hình thuật toán ID3, Naive Bayes tại Chương III.

Câu hỏi thường gặp

1. Hệ thống Quản trị chất lượng dữ liệu (DQS) tại VietinBank vận hành theo quy trình nào?
DQS vận hành theo 4 bước khép kín: (1) Cán bộ tác nghiệp nhập liệu vào hệ thống giao dịch TPS; (2) Cuối ngày, dữ liệu được trích xuất (ETL) nạp vào kho dữ liệu doanh nghiệp EDW; (3) DQS tự động chạy tập quy tắc dữ liệu nghiệp vụ để phát hiện bản ghi lỗi và chuyển vào kho dữ liệu không đạt chất lượng; (4) Đầu ngày làm việc tiếp theo, hệ thống tự động gửi báo cáo cảnh báo đến cán bộ nghiệp vụ để thực hiện chuẩn hóa dữ liệu.

2. Tập dữ liệu thực nghiệm trong chương trình VietinBank Loyalty gồm bao nhiêu bản ghi và những trường nào bị loại bỏ khi phân tích?
Tập dữ liệu đầu vào gồm 350 bản ghi thông tin khách hàng đổi điểm lấy quà tặng. Khi đưa vào thực nghiệm trên phần mềm RapidMiner, tác giả đã loại bỏ ba trường thông tin định danh cá nhân không phục vụ cho việc phân lớp là: Họ tên, Số CIF và Số điện thoại.

3. Chương trình VietinBank Loyalty được triển khai từ thời gian nào và áp dụng cho nhóm khách hàng nào?
Chương trình VietinBank Loyalty được VietinBank chính thức triển khai từ ngày 25/09/2017, áp dụng cho tất cả khách hàng là chủ thẻ Tín dụng quốc tế Visa/MasterCard/JCB của ngân hàng với cơ chế đổi điểm tích lũy lấy e-Voucher quà tặng qua VietinBank iPay.

4. DQS đã xử lý được bao nhiêu lỗi và thiết lập bao nhiêu quy tắc dữ liệu tại VietinBank?
Tính đến tháng 4/2016, VietinBank đã xây dựng gần 100 quy tắc chuẩn hóa dữ liệu trên 5 phân hệ nghiệp vụ chính (CIF, Loan, Deposit, Chuyển tiền, Thẻ). Sau hơn 2 năm vận hành, hệ thống DQS do Phòng QLCN&TT quản lý đã phát hiện và làm sạch hơn 3 triệu mẫu dữ liệu lỗi trong toàn hệ thống.

5. Cơ sở để thuật toán ID3 và Naive Bayes phân lớp khách hàng đổi quà là gì?
Thuật toán ID3 sử dụng độ đo Entropy và Information Gain để chọn thuộc tính có độ lợi thông tin lớn nhất làm nút phân nhánh cây quyết định theo các mức thu nhập và nghề nghiệp. Thuật toán Naive Bayes dựa trên việc tính toán xác suất tiền định và xác suất có điều kiện của các thuộc tính (địa chỉ, độ tuổi, thu nhập, tình trạng khách hàng) để dự đoán nhóm sản phẩm quà tặng có xác suất hậu nghiệm (MAP) cao nhất.


Kết luận

Khóa luận của tác giả Nguyễn Thị Hà Anh đã giải quyết trọn vẹn bài toán nâng cao hiệu quả chăm sóc khách hàng tại VietinBank bằng việc kết hợp giữa công tác quản trị chất lượng dữ liệu và kỹ thuật khai phá tri thức. Thông qua hệ thống DQS, ngân hàng chuẩn hóa thành công nguồn dữ liệu giao dịch phức tạp, tạo tiền đề cho việc ứng dụng các thuật toán ID3 và Naive Bayes trên RapidMiner để dự báo chính xác nhu cầu quà tặng của khách hàng trong chương trình Loyalty. Kết quả nghiên cứu là cơ sở khoa học và thực tiễn quan trọng giúp ngân hàng hoạch định chiến lược liên minh đối tác bán lẻ phù hợp, tối ưu hóa chi phí chăm sóc và gia tăng mức độ gắn kết của khách hàng.