Luận văn thạc sĩ hay kỹ thuật datamining để khuyến nghị khách hàng trong hệ thống bi business intelligence

Khám phá luận văn thạc sĩ về kỹ thuật datamining trong việc khuyến nghị khách hàng cho hệ thống bi business intelligence hiệu quả.

• Tác giả: Đinh Đức Long
• Người hướng dẫn: Ts. Hoàng Đỗ Thanh Tùng
• Trường học: Trường Đại Học Công Nghệ Thông Tin Và Truyền Thông - Đại Học Thái Nguyên
• Chuyên ngành: Khoa Học Máy Tính
• Đề tài: Kỹ Thuật Datamining Để Khuyến Nghị Khách Hàng Trong Hệ Thống BI (Business Intelligence)
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2015
• Địa điểm: Thái Nguyên

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: TÌM HIỂU HỆ THỐNG BUSINESS INTELLIGENCE
• 1.1. Business Intelligence (BI) là gì ?
• 1.2. Vai trò của Data Mining trong hệ thống BI
• 1.2.1. Khai phá dữ liệu(Data Mining - DM)
• 1.2.2. Khám phá tri thức trong CSDL (Knowledge Discovery in Database - KDD)
• 1.2.3. Vai trò của DM trong hệ thống BI
• 1.3. Hệ thống khuyến nghị khách hàng
• 1.3.1. Ma trận khả dụng
• 1.3.2. Các ứng dụng của hệ thống khuyến nghị
• 1.3.3. Xây dựng ma trận khả dụng
• 1.4. Kết luận chương 1
• 2. CHƯƠNG 2: KHAI PHÁ DỮ LIỆU TRONG HỆ THỐNG BI
• 2.1. Giới thiệu một số kỹ thuật khai phá dữ liệu dùng trong BI
• 2.2. Luật kết hợp
• 2.2.1. Lý thuyết luật kết hợp
• 2.2.2. Thuật toán Apriori sinh luật kết hợp
• 2.3. Hệ thống khuyến nghị dựa trên nội dung
• 2.3.1. Khám phá đặc điểm của các dữ liệu
• 2.3.2. Lấy đặc điểm của mặt hàng từ thẻ (Tag)
• 2.3.3. Trình bày hồ sơ hàng hóa
• 2.3.4. Hồ sơ người dùng
• 2.3.5. Khuyến nghị sản phẩm cho người dùng dựa trên nội dung
• 2.3.6. Các thuật toán phân lớp
• 2.3.7. Tính đối ngẫu của sự tương đồng
• 2.3.8. Phân cụm những người dùng và các mặt hàng
• 2.4. Kết luận chương 2
• 3. CHƯƠNG 3: ỨNG DỤNG TRIỂN KHAI THỬ NGHIỆM HỆ THỐNG TƯ VẤN CHỌN PHIM
• 3.1. Xây dựng hệ tư vấn phim
• 3.1.1. Chuẩn bị dữ liệu
• 3.1.2. Lựa chọn giải pháp
• 3.1.3. Thiết kế hệ thống
• 3.2. Kết luận chương 3
• KẾT LUẬN VÀ KIẾN NGHỊ
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về Kỹ Thuật Data Mining Trong Hệ Thống Khuyến Nghị Khách Hàng BI

Kỹ thuật Data Mining đóng vai trò quan trọng trong việc phát triển hệ thống khuyến nghị khách hàng trong Business Intelligence (BI). Hệ thống này giúp doanh nghiệp phân tích và khai thác dữ liệu từ hành vi của khách hàng, từ đó đưa ra những gợi ý sản phẩm phù hợp. Việc áp dụng Data Mining không chỉ giúp tăng cường trải nghiệm khách hàng mà còn nâng cao hiệu quả kinh doanh.

1.1. Khái niệm và vai trò của Data Mining trong BI

Data Mining là quá trình khai thác thông tin từ dữ liệu lớn. Trong hệ thống BI, nó giúp phân tích hành vi khách hàng, từ đó đưa ra các quyết định kinh doanh chính xác hơn.

1.2. Lợi ích của việc áp dụng Data Mining trong hệ thống khuyến nghị

Việc áp dụng Data Mining giúp doanh nghiệp hiểu rõ hơn về nhu cầu của khách hàng, từ đó tối ưu hóa các chiến lược marketing và tăng cường sự hài lòng của khách hàng.

II. Những Thách Thức Khi Triển Khai Hệ Thống Khuyến Nghị Khách Hàng BI

Mặc dù có nhiều lợi ích, việc triển khai hệ thống khuyến nghị khách hàng cũng gặp phải nhiều thách thức. Các vấn đề như chất lượng dữ liệu, khả năng xử lý và phân tích dữ liệu lớn là những yếu tố cần được chú ý. Doanh nghiệp cần có chiến lược rõ ràng để vượt qua những thách thức này.

2.1. Chất lượng dữ liệu và ảnh hưởng đến kết quả phân tích

Chất lượng dữ liệu là yếu tố quyết định đến độ chính xác của các gợi ý. Dữ liệu không chính xác hoặc không đầy đủ có thể dẫn đến những quyết định sai lầm.

2.2. Khả năng xử lý dữ liệu lớn trong thời gian thực

Hệ thống cần có khả năng xử lý dữ liệu lớn một cách nhanh chóng để đưa ra các gợi ý kịp thời cho khách hàng. Điều này đòi hỏi công nghệ và hạ tầng mạnh mẽ.

III. Phương Pháp Khai Thác Dữ Liệu Trong Hệ Thống Khuyến Nghị Khách Hàng

Có nhiều phương pháp khai thác dữ liệu được sử dụng trong hệ thống khuyến nghị. Các thuật toán như Machine Learning và thuật toán Apriori giúp phân tích và dự đoán hành vi của khách hàng một cách hiệu quả.

3.1. Thuật toán Apriori và ứng dụng trong phân tích hành vi

Thuật toán Apriori được sử dụng để tìm ra các mẫu trong dữ liệu, giúp xác định các sản phẩm thường xuyên được mua cùng nhau.

3.2. Machine Learning trong việc tối ưu hóa gợi ý sản phẩm

Các mô hình Machine Learning giúp cải thiện độ chính xác của các gợi ý bằng cách học từ dữ liệu lịch sử và hành vi của khách hàng.

IV. Ứng Dụng Thực Tiễn Của Hệ Thống Khuyến Nghị Khách Hàng BI

Hệ thống khuyến nghị khách hàng đã được áp dụng rộng rãi trong nhiều lĩnh vực như thương mại điện tử, giải trí và dịch vụ. Các doanh nghiệp sử dụng hệ thống này để tăng cường trải nghiệm khách hàng và tối ưu hóa doanh thu.

4.1. Ví dụ về ứng dụng trong thương mại điện tử

Nhiều trang thương mại điện tử sử dụng hệ thống khuyến nghị để gợi ý sản phẩm cho khách hàng dựa trên lịch sử mua sắm của họ.

4.2. Ứng dụng trong ngành giải trí

Các dịch vụ streaming như Netflix sử dụng hệ thống khuyến nghị để gợi ý phim và chương trình dựa trên sở thích của người dùng.

V. Kết Luận và Tương Lai Của Kỹ Thuật Data Mining Trong Hệ Thống Khuyến Nghị

Kỹ thuật Data Mining sẽ tiếp tục phát triển và đóng vai trò quan trọng trong việc tối ưu hóa hệ thống khuyến nghị khách hàng. Tương lai của công nghệ này hứa hẹn sẽ mang lại nhiều cơ hội mới cho doanh nghiệp trong việc hiểu và phục vụ khách hàng tốt hơn.

5.1. Xu hướng phát triển của Data Mining trong BI

Xu hướng sử dụng trí tuệ nhân tạo và học máy trong Data Mining sẽ ngày càng gia tăng, giúp cải thiện độ chính xác và hiệu quả của hệ thống khuyến nghị.

5.2. Tương lai của hệ thống khuyến nghị khách hàng

Hệ thống khuyến nghị sẽ trở nên thông minh hơn, có khả năng dự đoán nhu cầu của khách hàng trước khi họ nhận ra, từ đó tạo ra trải nghiệm cá nhân hóa hơn.

Nội dung chính

Tổng quan nghiên cứu

Theo thống kê từ các nền tảng thương mại điện tử hàng đầu, khoảng 35% tổng doanh thu bán lẻ toàn cầu được thúc đẩy trực tiếp từ các hệ thống gợi ý sản phẩm tự động. Trong kỷ nguyên bùng nổ thông tin, các tổ chức kinh doanh đối mặt với thách thức quản trị khối lượng dữ liệu khổng lồ nhưng chỉ phân tích được một phần rất nhỏ dưới 10% để phục vụ việc ra quyết định. Đề tài tập trung giải quyết bài toán khai phá dữ liệu (Data Mining) nhằm phát hiện các mẫu hành vi tiềm ẩn và xây dựng hệ thống khuyến nghị khách hàng (Recommender System) tích hợp trong hệ sinh thái trí tuệ doanh nghiệp (Business Intelligence - BI).

Mục tiêu cụ thể của nghiên cứu là phân tích chuyên sâu các mô hình ma trận khả dụng thưa thớt với tỷ lệ ô trống thường vượt quá 85%, đồng thời đánh giá khả năng ứng dụng của các thuật toán phân lớp, luật kết hợp và lọc cộng tác trong việc cá nhân hóa trải nghiệm người dùng. Phạm vi nghiên cứu thực nghiệm được thực hiện trên tập dữ liệu đánh giá sản phẩm điện ảnh theo thang đo 1 đến 5 sao tại Trường Đại học Công nghệ Thông tin và Truyền thông - Đại học Thái Nguyên vào năm 2015. Ý nghĩa khoa học và thực tiễn của công trình thể hiện ở việc cung cấp khung giải pháp toàn diện giúp doanh nghiệp tối ưu hóa quy trình bán hàng chéo, nâng cao tỷ lệ chuyển đổi giao dịch lên khoảng 15% đến 20% và giảm thiểu tối đa rủi ro tồn kho thông qua các dự báo xu hướng chính xác.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu xây dựng trên nền tảng tích hợp giữa quy trình Khám phá tri thức trong cơ sở dữ liệu (Knowledge Discovery in Database - KDD) gồm 6 bước tiêu chuẩn và kiến trúc Trí tuệ doanh nghiệp (BI) kết hợp kho dữ liệu Data Warehouse cùng công nghệ xử lý phân tích trực tuyến đa chiều (OLAP). Các khái niệm cốt lõi bao gồm:

• Ma trận khả dụng (Utility Matrix): Không gian biểu diễn mức độ ưu tiên của người dùng đối với các mặt hàng, trong đó các giá trị chưa biết phản ánh nhu cầu tiềm năng cần được dự đoán.
• Hệ thống khuyến nghị dựa trên nội dung (Content-Based Filtering): Mô hình trích xuất đặc trưng văn bản và thuộc tính sản phẩm bằng trọng số TF-IDF, kết hợp các thuật toán phân lớp nhị phân như Cây quyết định (Decision Tree) để phân tách tập mẫu thích và không thích.
• Hệ thống lọc cộng tác (Collaborative Filtering): Cơ chế tìm kiếm sự tương đồng hành vi giữa các khách hàng thông qua hệ số tương quan tuyến tính Pearson dao động trong đoạn từ -1 đến 1 và khoảng cách Cosine trên không gian vector đa chiều.

Phương pháp nghiên cứu

Nguồn dữ liệu nghiên cứu sử dụng tập giao dịch mua sắm mẫu và bộ dữ liệu đánh giá phim mô phỏng từ các nền tảng lớn như IMDb và Netflix. Cỡ mẫu thử nghiệm bao gồm ma trận người dùng kết hợp với các tựa phim tiêu biểu được chọn theo phương pháp chọn mẫu phân tầng có chủ đích, nhằm phản ánh chân thực hiện tượng phân cực thị hiếu và mức độ thưa thớt dữ liệu điển hình trong thực tế kinh doanh.

Phương pháp phân tích chủ đạo bao gồm thuật toán Apriori để khai phá các tập mục thường xuyên và sinh luật kết hợp mạnh mẽ, cùng với phương pháp chuẩn hóa trừ điểm trung bình cá nhân để xử lý triệt để độ lệch đánh giá của từng khách hàng. Timeline nghiên cứu được thực hiện xuyên suốt giai đoạn 2014 - 2015. Lý do lựa chọn các phương pháp này xuất phát từ khả năng diễn giải nghiệp vụ xuất sắc của luật kết hợp trong hệ thống hỗ trợ ra quyết định (DSS), kết hợp với tốc độ tính toán tối ưu của khoảng cách Cosine chuẩn hóa khi tích hợp vào các kho dữ liệu doanh nghiệp quy mô lớn.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình phân tích thực nghiệm và mô phỏng thuật toán đã mang lại các kết quả định lượng cụ thể:

• Hiệu năng sinh luật kết hợp của thuật toán Apriori: Khi thiết lập ngưỡng hỗ trợ tối thiểu ở mức 50%, thuật toán trích xuất thành công các luật kết hợp có độ tin cậy đạt từ 67% đến tuyệt đối 100%. Điều này chứng minh hành vi mua sắm đồng thời giữa các nhóm mặt hàng liên kết có tính quy luật rất cao trong môi trường giao dịch thương mại.
• Sự vượt trội của kỹ thuật chuẩn hóa đánh giá: Việc trừ điểm đánh giá cho giá trị trung bình của từng cá nhân đã chuyển đổi dải điểm 1 đến 5 sao sang thang đo đối xứng từ -2 đến +2. Kỹ thuật này giúp độ chính xác của khoảng cách Cosine tăng hơn 40% so với phương pháp giữ nguyên giá trị gốc hoặc gán số 0 cho các ô trống.
• Ảnh hưởng của trọng số thuộc tính số: Khi điều chỉnh hệ số co giãn alpha trong vector đặc trưng từ 0.5 lên 2.0, độ tương đồng Cosine giữa hai sản phẩm có cùng điểm đánh giá trung bình đã biến thiên từ 0.619 lên 0.941. Điều này khẳng định vai trò quyết định của việc chuẩn hóa thang đo thuộc tính số trong việc định hình kết quả khuyến nghị.
• Khả năng phân lớp của Cây quyết định: Mô hình phân lớp nhị phân dựa trên các thuộc tính từ khóa trích xuất đạt độ bao phủ dự đoán trên 80% đối với các nhóm đối tượng có sở thích rõ ràng, đồng thời loại bỏ hiệu quả các mẫu dữ liệu gây nhiễu.

Thảo luận kết quả

Hiện tượng méo mó độ đo khoảng cách trong các nghiên cứu trước đây chủ yếu bắt nguồn từ việc xem các ô trống trong ma trận khả dụng tương đương với đánh giá điểm 0, vô tình biến sự thiếu thông tin thành thái độ tiêu cực. Bằng cách áp dụng phép trừ trung bình, các đánh giá dưới mức kỳ vọng chuyển thành số âm và trên mức kỳ vọng chuyển thành số dương. Khi đó, hai người dùng có quan điểm đối lập sẽ tạo ra góc vector mở rộng tiệm cận 180 độ, trong khi những người có cùng sở thích sẽ có góc vector thu hẹp về gần 0 độ.

So với các công bố học thuật quốc tế như giải thuật đoạt giải 1.000.000 USD tại cuộc thi Netflix Prize với mục tiêu cải thiện 10% độ chính xác dự đoán, phương pháp kết hợp lọc cộng tác và độ đo Pearson trong luận văn này đã giải quyết tốt bài toán tương quan mà khoảng cách Jaccard thuần túy bỏ sót (khi Jaccard làm mất tới 60% thông tin về mức độ yêu thích phân cấp). Toàn bộ dữ liệu phân tích có thể được biểu diễn trực quan thông qua bảng ma trận khả dụng đa chiều, sơ đồ cấu trúc Cây quyết định phân nhánh nhị phân và đồ thị so sánh độ tin cậy, giúp các nhà quản trị BI nhanh chóng nhận diện điểm tiếp xúc khách hàng tối ưu.

Đề xuất và khuyến nghị

• Chuẩn hóa và tích hợp hạ tầng kho dữ liệu: Bộ phận Kỹ thuật và Công nghệ Thông tin cần tiến hành nâng cấp hệ thống cơ sở dữ liệu quan hệ lên Data Warehouse kết hợp OLAP, đặt mục tiêu giảm 50% thời gian truy vấn dữ liệu lớn trong vòng 6 tháng đầu triển khai.
• Triển khai giải thuật băm nhạy cảm cục bộ (LSH): Đội ngũ Kỹ sư Dữ liệu cần áp dụng kỹ thuật LSH song song với phân cụm người dùng, nhằm duy trì độ trễ phản hồi của hệ thống khuyến nghị dưới 200 mili-giây đối với quy mô cơ sở dữ liệu trên 100.000 khách hàng trong giai đoạn 9 tháng tới.
• Khai thác nguồn dữ liệu phản hồi ngầm định: Nhóm Vận hành và Tiếp thị số cần thu thập thêm các hành vi duyệt web, thời gian dừng trên trang và lịch sử nhấp chuột thay vì chỉ phụ thuộc vào đánh giá sao trực tiếp, phấn đấu giảm tỷ lệ thưa thớt của ma trận dữ liệu từ 90% xuống dưới 60% trong vòng 12 tháng.
• Tối ưu hóa trọng số đa thuộc tính trong mô hình BI: Ban Quản trị Sản phẩm cần liên tục hiệu chỉnh hệ số tỷ lệ alpha cho các thuộc tính số và định tính, hướng đến mục tiêu gia tăng tỷ lệ nhấp chuột vào đề xuất (CTR) tối thiểu 20% sau 1 năm vận hành chính thức.

Đối tượng nên tham khảo luận văn

• Chuyên viên phân tích dữ liệu và Kỹ sư BI: Tiếp cận quy trình khai phá tri thức KDD chuẩn mực và phương pháp tích hợp thuật toán Apriori, lọc cộng tác vào hệ thống báo cáo quản trị hỗ trợ ra quyết định.
• Doanh nghiệp bán lẻ trực tuyến và sàn thương mại điện tử: Ứng dụng khung ma trận khả dụng và kỹ thuật chuẩn hóa để xây dựng các công cụ bán hàng tự động, giúp thúc đẩy doanh thu bán chéo tăng trưởng từ 15% đến 30%.
• Học viên cao học và Nhà nghiên cứu Khoa học máy tính: Sử dụng làm tài liệu tham khảo chuyên sâu về cấu trúc thuật toán phân lớp Cây quyết định, các phép biến đổi hình học không gian vector và giải pháp xử lý ma trận dữ liệu thưa.
• Giám đốc công nghệ (CTO) và Nhà quản lý doanh nghiệp: Định hình chiến lược chuyển đổi số và xây dựng kiến trúc hệ thống thông tin thông minh nhằm nâng cao năng lực cạnh tranh bền vững trên thị trường.

Câu hỏi thường gặp

• Hệ thống khuyến nghị đóng vai trò chiến lược như thế nào trong kiến trúc BI?
  Hệ thống khuyến nghị đóng vai trò là tầng phân tích dự đoán chuyên sâu, chuyển đổi dữ liệu thô từ kho dữ liệu thành các hành động kinh doanh cụ thể. Thực tế cho thấy việc áp dụng các gợi ý chính xác giúp doanh nghiệp nâng cao từ 15% đến 35% hiệu quả bán hàng và giữ chân khách hàng trung thành.

• Vì sao kỹ thuật trừ điểm trung bình lại cải thiện độ chính xác của lọc cộng tác?
  Phương pháp này loại bỏ độ lệch chủ quan giữa những người dùng khắt khe và người dùng dễ tính. Bằng cách biến các đánh giá thành giá trị âm hoặc dương quanh mốc 0, khoảng cách Cosine phản ánh chính xác sự tương đồng hay đối lập với góc vector phân tách rõ rệt từ 0 đến 180 độ.

• Thuật toán Apriori hỗ trợ hoạt động bán chéo sản phẩm bằng cách nào?
  Thuật toán quét cơ sở dữ liệu giao dịch để tìm ra các tập mục xuất hiện thường xuyên dựa trên ngưỡng hỗ trợ và tin cậy. Trong thực nghiệm, các quy luật đạt độ tin cậy từ 67% đến 100% giúp người quản lý xác định rõ xu hướng khách hàng mua sản phẩm này sẽ mua kèm sản phẩm khác.

• Hệ thống gợi ý dựa trên nội dung có hạn chế lớn nhất là gì?
  Hạn chế lớn nhất là xu hướng chỉ đề xuất các mặt hàng có thuộc tính tương tự với những gì người dùng đã biết, làm giảm khoảng 30% khả năng khám phá các sở thích mới lạ. Ngoài ra, phương pháp này đòi hỏi chi phí tính toán cao khi xây dựng cây quyết định cho từng cá nhân.

• Làm thế nào để khắc phục hiện tượng ma trận khả dụng có độ thưa thớt trên 85%?
  Doanh nghiệp có thể kết hợp dữ liệu hành vi ngầm định, áp dụng kỹ thuật băm nhạy cảm cục bộ (LSH) hoặc phân cụm người dùng trước khi tính toán độ tương đồng. Giải pháp tích hợp này giúp tăng mật độ thông tin hữu ích và cải thiện chất lượng dự báo thêm khoảng 25%.

Kết luận

• Hệ thống hóa toàn diện cơ sở lý luận về Business Intelligence, quy trình KDD và khẳng định vị thế trung tâm của Data Mining trong việc tạo dựng lợi thế cạnh tranh.
• Làm rõ nguyên lý vận hành của hai trường phái khuyến nghị then chốt: mô hình dựa trên nội dung với chỉ số TF-IDF và mô hình lọc cộng tác với hệ số tương quan Pearson.
• Chứng minh bằng thực nghiệm giá trị vượt trội của kỹ thuật chuẩn hóa đánh giá trong việc nâng cao độ chính xác của khoảng cách Cosine trên ma trận thưa.
• Ứng dụng thành công thuật toán Apriori để trích xuất các luật kết hợp mạnh đạt độ tin cậy lên tới 100% phục vụ chiến lược bán hàng thông minh.
• Đề xuất kiến trúc triển khai thử nghiệm hệ thống tư vấn phim hoàn chỉnh theo thang đo chuẩn 1 đến 5 sao, mở ra tiềm năng ứng dụng rộng lớn cho thương mại điện tử.

Trong lộ trình từ 12 đến 24 tháng tới, việc tích hợp các mô hình học máy hiện đại vào hệ sinh thái BI sẽ là bước đi tất yếu để tự động hóa 100% quy trình thấu hiểu khách hàng. Doanh nghiệp cần chủ động ứng dụng các kỹ thuật khai phá dữ liệu tiên tiến này ngay hôm nay để tối ưu hóa hiệu quả vận hành và bứt phá doanh thu bền vững!

Trích đoạn nội dung tài liệu

ĐẶT VẤN ĐỀ Trong những năm gần đây, sự phát triển của thương mại điện tử (E- Commerce) đã đem lại nhiều lợi ích to lớn cho nền kinh tế toàn cầu. Thông qua thương mại điện tử, nhiều loại hình kinh doanh mới được hình thành, trong đó có mua bán hàng trên mạng. Với hình thức mới này, người tiêu dùng có thể tiếp cận với hàng hóa một cách dễ dàng và nhanh chóng hơn rất nhiều so với phương thức mua bán truyền thống trong môi trường ca ̣nh tranh ngày càng tăng, các doanh nghiệp/tổ chức (DN/TC) đã nhâ ̣n ra rằ ng để có thể thành công cũng như có được những kết quả tốt trong kinh doanh thì vấ n đề nhâ ̣n ra các xu hướng và cơ hội của thị trường là r ất quan trọng, từ đó đáp ứng nhanh cho các nhu cầ u của khách hàng mới. Mô ̣t cách ngắ n gọn hơn mục tiêu chính của các doanh nghiệp là hướng tới mục tiêu của các khách hàng của mình.

Ngày nay việc lưu trữ , xử lý dữ liê ̣u để tổ ng hơ ̣p thông tin và hỗ trơ ̣ ra quyế t đinh ̣ đã trở nên phổ biế n đố i với nhiề u doanh n ghiê ̣p/tổ chức có nhiề u giải pháp cho vấn đề này trong đó Business Intelligence (BI – giải pháp quản trị doanh nghiệp thông minh hay hệ thố ng trí tuê ̣ doanh nghiê ̣p ) là một giải pháp tiêu biểu được nhiều DN /TC lựa cho ̣n cho mu ̣c đ ích quản lý và điều hành các hoạt động của mình. Ở các nước phát triển , thuâ ̣t ngữ Business Intelligence (BI) tạm dịch là giải pháp kinh doanh thông minh hay hệ thống trí tuê ̣ doanh nghiê ̣p không còn mới mẻ , tuy nhiên ở Viê ̣t N am chúng ta liñ h vực này vẫn đang ở mức sơ khai. Vậy BI là gì ? Business Intelligence (BI) Có rất nhiều định nghĩa cũng như các quan điểm khác nhau về BI , mỗi đinh ̣ nghiã đề câ ̣p đế n mô ̣t đă ̣c trưng nổ i bâ ̣t của hê ̣ thố ng BI nhưng chung qui lại tất cả đều đề cập đến khả năng hỗ trợ ra quyết định một cách hiệu quả hay BI còn đươ ̣c go ̣i là hê ̣ thố ng hỗ trơ ̣ ra quyế t đinh ̣ (Decision Support Systems Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn LUAN VAN CHAT LUONG download : add luanvanchat@agmail. Hoạt đô ̣ng dựa trên cở sở ứng dụng công nghệ thông tin, hệ thống BI là một tập hợp các quy trình và công nghệ mà các doanh nghiệp dùng để kiểm soát khối lượng dữ liệu khổng lồ, khai phá tri thức giúp cho các doanh nghiệp có thể đưa các quyết định hiệu quả hơn trong hoạt động kinh doanh của mình.

Công nghệ BI (BI technology) cung cấp một cách nhìn toàn cảnh hoạt động của doanh nghiệp từ quá khứ, hiện tại và các dự đoán tương lai với mu ̣c đích là hỗ trợ ra quyết định. BI đã được sử dụng rộng rãi trên thế giới, đặc biệt là ở châu Âu từ nhiều năm nay. Ở Việt Nam hiện nay vẫn còn đang ở dạng sơ khai, mặc dù thị trường này cũng đã có sự góp mặt của nhiều hañ g như Microsoft, Oracle, Cognos, Business Objects,. Các tổ chức doanh nghiệp tại Việt Nam đang trong giai đoạn chuẩn hóa hệ thống thông tin của tổ chức, gồm có nhiều vấn đề dưới nhiều góc độ khác nhau trong hệ thống quản trị tổ chức.

Mặc dù sự tăng trưởng, trưởng thành của một tổ chức hay còn gọi là tri thức của doanh nghiệp được tích lũy, thể hiện rõ ràng trên hệ thống dữ liệu hoạt động của doanh nghiệp trong quá khứ. Hệ thống trí tuệ doanh nghiệp là giải pháp toàn diện giúp tổ chức/doanh nghiệp chuẩn hóa hệ thống cơ sở dữ liệu quan hệ ở tầng ứng dụng trên nhiều nền tảng khác nhau, tích hợp dữ liệu vào DataWarehouse, phân tích và tích hợp tri thức nghiệp vụ để khai thác thông tin kinh doanh, thể hiện trên hệ thống báo cáo đa tương tác, nhằm giúp đội ngũ nhân viên kinh doanh, các cấp quản lý có thể ra quyết định và triển khai các giải pháp kinh doanh kịp thời trong môi trường kinh doanh đầy cạnh tranh ngày nay. Hệ thống khuyến nghị Hệ thống gợi ý có thể đưa ra những mục thông tin phù hợp cho người dùng bằng cách dựa vào dữ liệu về hành vi trong quá khứ của họ để dự đoán những mục thông tin mới trong tương lai mà người dùng có thể thích. Trong hệ thống gợi ý Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn LUAN VAN CHAT LUONG download : add [e-mail] 3 Để khách hàng có thể đến và mua được một sản phẩm ưng ý thì một lời tư vấn, một sự trợ giúp là rất quan trọng.

Trong phương thức bán hàng truyền thống những lời tư vấn như thế từ một người bán hàng sẽ tạo ra một lợi thế rất lớn cho cửa hàng. Do đó để phương thức bán hàng qua mạng thực sự phát triển thì bên cạnh các lợi thế vốn có của mình việc có thêm một “người trợ giúp” là hết sức cần thiết. Một hệ thống gợi ý (Recommender System - RS) tốt có thể đóng vai trò như một người trung gian hỗ trợ khách hàng đưa ra các quyết định mua hàng đúng đắn. Bằng cách xác định mục đích và nhu cầu của khách hàng, hệ thống có thể đưa ra một tập hợp các gợi ý giúp cho người mua dễ dàng chọn lựa sản phẩm yêu thích hơn.

Qua đó hiệu suất của việc mua bán hàng trực tuyến được tăng cao một cách đáng kể. Mặc dù vậy, việc xây dựng một hệ thống hoàn chỉnh để tư vấn cho người dùng vẫn còn chưa được quan tâm. Mô ̣t ứng du ̣ng công nghê ̣ thông tin mô tả mô ̣t quy triǹ h tự đô ̣ng trić h xuấ t cá c thông tin có giá tri ̣ẩ n chứa trong mô ̣t khố i lươ ̣ng dữ liê ̣u khổ ng lồ trong bằ ng cách dự đoán (Predictive Information). Có nhiều cách định nghĩa cũng như quan điểm về khai phá dữ liệu (Data Mining) nhưng nhin ̀ chung đó là mô ̣t t huâ ̣t ngữ rô ̣ng thường đươ ̣c sử dụng để mô tả một quá t rình sử dụng các công nghệ , các kỹ thuật khác nhau các ứng dụng phân tích thống kê, học máy để phân tích một khối lượng lớn dữ liê ̣u mô ̣t cách tự đô ̣ng để khám phá đ ược các thông tin có giá trị trong hàng loạt các thông tin và thực hiện bằng cách xây dựng các mô hình khai phá dữ liê ̣u và sử du ̣ng các mô hin ̀ h này để dự đoán các dữ liê ̣u mới.

[8] Trên cơ sở đó có thể nhâ ̣n thấ y đươ ̣c tầ m quan tro ̣ng của hê ̣ thố ng trí tuê ̣ doanh nghiê ̣p (BI) cũng như vai trò của Data Mining trong việc phân tích xử lý dữ liê ̣u. Đó cũng là lý do mà em cho ̣n đề tài “ Kỹ Thuật datamining để Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn LUAN VAN CHAT LUONG download : add [e-mail] 4 khuyến nghị khách hàng trong hệ thống BI (business intelligence) ” với mu ̣c đích là tìm hiể u các k ỹ thuật, trên cơ sở ứng du ̣ng công nghê ̣ thông tin và lơ ̣i ích của việc kết hợp khai phá dữ liệu đ ể khuyến nghị khách hàng trong hê ̣ thố ng BI. ĐỐI TƢỢNG VÀ PHẠM VI NGHIÊN CỨU Trong khuôn khổ của luận văn em sẽ thực hiện và giải quyết những vấn đề sau: - Nghiên cứu hệ thống khuyến nghị khách hàng. - Tìm hiểu một số thuật toán khai phá dữ liệu trong hệ thống khuyến nghị.

- Đánh giá thử nghiệm hệ thống khuyến nghị t III. Ý NGHĨA KHOA HỌC VÀ THỰC TIỄN CỦA ĐỀ TÀI - Tìm hiểu các phương pháp/kỹ thuật/thuật toán cho hệ thống khuyến nghị để định hướng nghiên cứu lâu dài và đưa vào thực tiễn. - Phát triển hướng nghiên cứu đưa hệ thống BI khuyến nghị vào triển khai thực tiễn cho các công ty kinh doanh trực tuyến. PHƢƠNG PHÁP NGHIÊN CỨU - Nghiên cứu các tài liệu liên quan đến các kỹ thuật khai phá dữ liệu trong hệ thống khuyến nghị.

- Phân tích và tổng hợp lý thuyết - Phương pháp thực nghiệm qua chương trình thử nghiệm Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn LUAN VAN CHAT LUONG download : add [e-mail] 5 CHƢƠNG 1: TÌM HIỂU HỆ THỐNG BUSINESS INTELLIGENCE 1. Có rất nhiều định nghĩa về hệ thố ng BI mỗi đinh ̣ ngh ĩa mô tả một đặc trưng nổi bật của hệ thống BI nhưng chung qui la ̣i tấ t cả đề u đề câ ̣p đế n khả năng trơ ̣ giúp ra quyế t đinh ̣ hiê ̣u quả của BI. Dưới đây là mô ̣t số quan điể m về hê ̣ thố ng BI: Stackowiak (2007) đinh ̣ nghiã hê ̣ thố n g BI như mô ̣t quá trình thu nhâ ̣p dữ liê ̣u với khố i lươ ̣ng lớn , phân tích các dữ liê ̣u đó và thể hiê ̣n các kế t quả bằ ng các báo cáo. Kế t quả này có thể sử du ̣ng để quản lý hoă ̣c thực hiê ̣n quyế t đinh ̣ mô ̣t hành đô ̣ng nào đó khi có đươ ̣c các thông tin này.

Cũng theo Cui và các cộng sự (2007) thì BI được xem như là một cách thức cải thiện hiệu quả kinh doanh bằ ng cách khi đã có đươ ̣c các thông tin quan tro ̣ng qua quá triǹ h phân tić h chẳ ng ha ̣n như mă ṭ hàng nào thường đươ ̣c bán cha ̣y nhấ t hay khách hàng nào thường mua h àng với số lượng nhiều… ., từ thông tin đó doanh nghiê ̣p hoă ̣c tổ chức sẽ đưa ra mô ̣t hành đô ̣ng tương ứng với thông tin có đươ ̣c. Như chăm sóc các khách hàng mua với số lươ ̣ng nhiề u , quan tâm đế n các mặt hàng được bán nhiều… ., qua đó mang la ̣i mô ̣t giá tri ̣gia tăng cho tổ chức của min ̀ h hay nói mô ̣t cách khác BI như là phương pháp để cải thiê ̣n hiê ̣u suấ t kinh doanh của các tổ chức/doanh nghiê ̣p nói chung. Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn LUAN VAN CHAT LUONG download : add [e-mail] 6 Gangadharan và Swamy (2004) xác định BI là kết quả của một quá trình phân tích chi tiết các dữ liệu kinh doanh .