Tổng quan nghiên cứu

Ngành viễn thông Việt Nam đã trải qua sự phát triển mạnh mẽ trong gần 30 năm qua, với số lượng thuê bao di động đạt khoảng 128 triệu vào năm 2017, tương đương hơn 128 thuê bao trên 100 dân. Tuy nhiên, thị trường viễn thông hiện nay đối mặt với sự cạnh tranh gay gắt giữa các nhà mạng như VNPT, Viettel, MobiFone, FPT, và các nhà cung cấp nhỏ hơn. Điều này dẫn đến hiện tượng khách hàng dễ dàng chuyển mạng, gây thách thức lớn cho các doanh nghiệp trong việc giữ chân khách hàng và duy trì doanh thu. Doanh thu dịch vụ thoại và SMS có xu hướng giảm, trong khi lưu lượng dữ liệu tăng từ khoảng 31 triệu thuê bao năm 2015 lên 47 triệu thuê bao năm 2017, nhưng doanh thu từ dịch vụ data vẫn chưa bù đắp được sự sụt giảm này.

Trước bối cảnh đó, việc dự báo khách hàng có nguy cơ chuyển mạng trở thành nhiệm vụ quan trọng nhằm giúp doanh nghiệp viễn thông như VNPT Bình Định xây dựng các chiến lược giữ chân khách hàng hiệu quả. Mục tiêu nghiên cứu của luận văn là phát triển mô hình dự báo khách hàng chuyển mạng dựa trên việc kết hợp hai thuật toán học máy kinh điển: K-means và SVM. Phạm vi nghiên cứu tập trung vào dữ liệu khách hàng thuê bao trả trước tại VNPT Bình Định trong giai đoạn gần đây, với mục tiêu dự báo khả năng chuyển mạng khi khách hàng không phát sinh cước trong vòng 30 ngày.

Nghiên cứu có ý nghĩa thiết thực trong việc nâng cao hiệu quả khai thác dữ liệu khách hàng, giúp doanh nghiệp tối ưu hóa các chính sách chăm sóc và giữ chân khách hàng, từ đó góp phần tăng doanh thu và cải thiện chất lượng dịch vụ trong thị trường viễn thông cạnh tranh hiện nay.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai lý thuyết và mô hình chính trong lĩnh vực học máy:

  1. Thuật toán K-means: Thuật toán phân cụm không giám sát, phân chia tập dữ liệu thành k nhóm sao cho các phần tử trong cùng một cụm có độ tương tự cao hơn so với các phần tử ở các cụm khác. K-means sử dụng khoảng cách Euclide để đo độ gần nhau và lặp lại quá trình gán cụm và cập nhật trọng tâm cụm cho đến khi hội tụ. Ưu điểm của K-means là đơn giản, hiệu quả với dữ liệu lớn, nhưng nhạy cảm với nhiễu và phụ thuộc vào số cụm k được chọn trước.

  2. Thuật toán SVM (Support Vector Machine): Thuật toán phân lớp có giám sát, tìm siêu phẳng phân tách tối ưu giữa hai lớp dữ liệu sao cho khoảng cách biên (margin) giữa siêu phẳng và các điểm dữ liệu gần nhất là lớn nhất. SVM có khả năng tổng quát hóa tốt, phù hợp với các bài toán phân lớp nhị phân và đa lớp, đặc biệt hiệu quả với dữ liệu có độ phức tạp cao. Tuy nhiên, SVM có thể gặp khó khăn khi xử lý dữ liệu lớn do chi phí tính toán cao.

Ba khái niệm chính được sử dụng trong nghiên cứu gồm: phân cụm dữ liệu, phân lớp dữ liệu, và vòng đời thuê bao viễn thông (gồm các giai đoạn kích hoạt, hoạt động bình thường, khóa một chiều, khóa hai chiều). Việc kết hợp K-means và SVM nhằm tận dụng ưu điểm phân cụm để giảm kích thước dữ liệu đầu vào cho SVM, từ đó nâng cao hiệu quả và độ chính xác của mô hình dự báo.

Phương pháp nghiên cứu

Nguồn dữ liệu nghiên cứu là bộ cơ sở dữ liệu khách hàng thuê bao trả trước tại VNPT Bình Định, bao gồm các thuộc tính như độ tuổi, hành vi sử dụng dịch vụ, tần suất phát sinh cước, và các thông tin liên quan đến vòng đời thuê bao. Dữ liệu được thu thập và xử lý trong khoảng thời gian gần đây, đảm bảo tính đại diện và cập nhật.

Phương pháp phân tích gồm các bước chính:

  • Tiền xử lý dữ liệu: Loại bỏ nhiễu, xử lý dữ liệu thiếu, chuẩn hóa các thuộc tính để phù hợp với thuật toán K-means và SVM.
  • Phân cụm K-means: Áp dụng thuật toán K-means để phân nhóm khách hàng thành các cụm đặc trưng dựa trên các thuộc tính hành vi và nhân khẩu học.
  • Lựa chọn mẫu đại diện: Chọn các mẫu gần trọng tâm cụm làm đại diện cho từng nhóm để giảm kích thước dữ liệu đầu vào.
  • Huấn luyện mô hình SVM: Sử dụng các mẫu đại diện để huấn luyện mô hình phân lớp SVM nhằm dự báo khả năng chuyển mạng của khách hàng.
  • Đánh giá mô hình: Sử dụng phương pháp kiểm tra chéo k-fold để đánh giá độ chính xác, độ nhạy và độ đặc hiệu của mô hình.

Cỡ mẫu nghiên cứu khoảng vài chục nghìn khách hàng, được chọn ngẫu nhiên từ tổng số thuê bao trả trước tại VNPT Bình Định. Phương pháp chọn mẫu đảm bảo tính ngẫu nhiên và đại diện cho toàn bộ tập dữ liệu. Quá trình nghiên cứu kéo dài trong vòng 6 tháng, từ thu thập dữ liệu đến hoàn thiện mô hình và đánh giá kết quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Phân cụm khách hàng bằng K-means: Thuật toán K-means được áp dụng với k = 4 cụm, phân chia khách hàng thành các nhóm có đặc điểm hành vi và giá trị ARPU khác nhau. Cụ thể, nhóm khách hàng có ARPU cao chiếm khoảng 20%, nhóm trung bình chiếm 50%, và nhóm có ARPU thấp chiếm 30%. Việc phân cụm giúp giảm thiểu dữ liệu đầu vào cho SVM, tiết kiệm khoảng 40% thời gian huấn luyện so với sử dụng toàn bộ dữ liệu.

  2. Hiệu quả mô hình SVM kết hợp K-means: Mô hình kết hợp đạt độ chính xác dự báo chuyển mạng lên đến 87%, cao hơn khoảng 10% so với mô hình SVM đơn lẻ. Độ nhạy (recall) đạt 85%, cho thấy khả năng phát hiện khách hàng có nguy cơ chuyển mạng tốt. Độ đặc hiệu (specificity) đạt 88%, giảm thiểu sai sót trong dự báo khách hàng trung thành.

  3. Thời gian huấn luyện giảm đáng kể: Nhờ sử dụng K-means để chọn mẫu đại diện, thời gian huấn luyện mô hình SVM giảm khoảng 35%, giúp mô hình có thể áp dụng thực tiễn với dữ liệu lớn và cập nhật thường xuyên.

  4. Tác động của các thuộc tính khách hàng: Các thuộc tính như tần suất phát sinh cước, thời gian sử dụng dịch vụ, và mức độ tương tác với các chương trình khuyến mãi có ảnh hưởng lớn đến khả năng chuyển mạng. Khách hàng có tần suất phát sinh cước thấp trong 30 ngày gần nhất có nguy cơ chuyển mạng cao hơn 60% so với nhóm còn lại.

Thảo luận kết quả

Kết quả nghiên cứu cho thấy việc kết hợp thuật toán K-means và SVM là một giải pháp hiệu quả trong dự báo khách hàng chuyển mạng tại VNPT Bình Định. Phân cụm giúp giảm kích thước dữ liệu đầu vào, đồng thời làm nổi bật các nhóm khách hàng có đặc điểm tương đồng, từ đó nâng cao độ chính xác của mô hình phân lớp SVM. So với các nghiên cứu trước đây chỉ sử dụng mô hình đơn lẻ như SVM hoặc hồi quy logistic, mô hình kết hợp này cải thiện đáng kể hiệu suất dự báo.

Nguyên nhân chính của sự cải thiện này là do K-means giúp loại bỏ các điểm dữ liệu nhiễu và chọn ra các mẫu đại diện tiêu biểu, giảm thiểu sự phức tạp và tính ngẫu nhiên trong quá trình huấn luyện SVM. Điều này phù hợp với đặc điểm dữ liệu viễn thông có khối lượng lớn và đa dạng về thuộc tính.

Kết quả cũng phản ánh thực trạng thị trường viễn thông Việt Nam, nơi khách hàng có xu hướng chuyển mạng do cạnh tranh về giá và chất lượng dịch vụ. Việc dự báo chính xác khách hàng có nguy cơ chuyển mạng giúp doanh nghiệp chủ động xây dựng các chính sách chăm sóc, khuyến mãi phù hợp, từ đó nâng cao mức độ trung thành và giá trị khách hàng.

Dữ liệu có thể được trình bày qua biểu đồ phân bố các cụm khách hàng, bảng so sánh độ chính xác và thời gian huấn luyện giữa các mô hình, giúp minh họa rõ ràng hiệu quả của phương pháp kết hợp.

Đề xuất và khuyến nghị

  1. Triển khai mô hình dự báo kết hợp K-means và SVM trong hệ thống quản lý khách hàng: Động từ hành động là "áp dụng", mục tiêu là nâng cao độ chính xác dự báo chuyển mạng lên trên 85%, thời gian thực hiện trong vòng 3 tháng, chủ thể thực hiện là phòng công nghệ thông tin và phòng chăm sóc khách hàng VNPT Bình Định.

  2. Xây dựng hệ thống cảnh báo sớm khách hàng có nguy cơ chuyển mạng: Động từ hành động là "phát triển", mục tiêu giảm tỷ lệ khách hàng rời mạng ít nhất 10% trong 6 tháng, chủ thể thực hiện là bộ phận phân tích dữ liệu và marketing.

  3. Tối ưu hóa chính sách chăm sóc khách hàng dựa trên phân cụm hành vi: Động từ hành động là "điều chỉnh", mục tiêu tăng mức độ trung thành khách hàng nhóm ARPU cao lên 15% trong 1 năm, chủ thể thực hiện là phòng kinh doanh và chăm sóc khách hàng.

  4. Đào tạo nhân viên và nâng cao nhận thức về ứng dụng học máy trong quản lý khách hàng: Động từ hành động là "tổ chức", mục tiêu nâng cao năng lực sử dụng công nghệ mới cho 100% nhân viên liên quan trong 6 tháng, chủ thể thực hiện là phòng nhân sự và đào tạo.

Các giải pháp trên cần được phối hợp đồng bộ, có sự giám sát và đánh giá định kỳ để đảm bảo hiệu quả và khả năng thích ứng với sự biến động của thị trường viễn thông.

Đối tượng nên tham khảo luận văn

  1. Các nhà quản lý doanh nghiệp viễn thông: Giúp hiểu rõ về ứng dụng học máy trong dự báo khách hàng chuyển mạng, từ đó xây dựng chiến lược giữ chân khách hàng hiệu quả.

  2. Chuyên viên phân tích dữ liệu và khoa học dữ liệu: Cung cấp phương pháp kết hợp thuật toán K-means và SVM trong xử lý dữ liệu lớn, nâng cao kỹ năng xây dựng mô hình dự báo.

  3. Giảng viên và sinh viên ngành Khoa học máy tính, Công nghệ thông tin: Là tài liệu tham khảo thực tiễn về ứng dụng học máy trong lĩnh vực viễn thông, hỗ trợ nghiên cứu và học tập chuyên sâu.

  4. Các nhà phát triển phần mềm và kỹ sư hệ thống: Hướng dẫn cách triển khai mô hình học máy vào hệ thống quản lý khách hàng, tối ưu hóa hiệu suất và độ chính xác dự báo.

Mỗi nhóm đối tượng có thể áp dụng kết quả nghiên cứu vào thực tiễn công việc, từ việc phát triển sản phẩm, nâng cao chất lượng dịch vụ đến đào tạo và nghiên cứu khoa học.

Câu hỏi thường gặp

  1. Tại sao cần kết hợp K-means và SVM thay vì chỉ dùng một thuật toán?
    Kết hợp K-means và SVM giúp tận dụng ưu điểm phân cụm để giảm kích thước và nhiễu dữ liệu, từ đó nâng cao hiệu quả và độ chính xác của mô hình SVM, đặc biệt với dữ liệu lớn và phức tạp như trong viễn thông.

  2. Mô hình dự báo có thể áp dụng cho các nhà mạng khác ngoài VNPT không?
    Có thể áp dụng, tuy nhiên cần điều chỉnh tham số và tiền xử lý dữ liệu phù hợp với đặc điểm dữ liệu và thị trường của từng nhà mạng để đạt hiệu quả tối ưu.

  3. Dữ liệu nào là quan trọng nhất trong việc dự báo khách hàng chuyển mạng?
    Các thuộc tính như tần suất phát sinh cước, thời gian sử dụng dịch vụ, mức độ tương tác với chương trình khuyến mãi và giá trị ARPU được xác định là có ảnh hưởng lớn đến khả năng chuyển mạng.

  4. Mô hình có thể dự báo chính xác trong bao lâu trước khi khách hàng chuyển mạng?
    Mô hình dự báo khi khách hàng không phát sinh cước trong vòng 30 ngày, tức là có thể cảnh báo sớm trước khi khách hàng thực sự rời mạng, giúp doanh nghiệp có thời gian tác động kịp thời.

  5. Làm thế nào để cải thiện thêm độ chính xác của mô hình?
    Có thể cải thiện bằng cách bổ sung thêm các thuộc tính dữ liệu mới, áp dụng kỹ thuật chọn đặc trưng, thử nghiệm các thuật toán học máy khác hoặc kết hợp thêm các mô hình ensemble để tăng tính ổn định và chính xác.

Kết luận

  • Luận văn đã xây dựng thành công mô hình dự báo khách hàng chuyển mạng tại VNPT Bình Định bằng cách kết hợp thuật toán K-means và SVM, đạt độ chính xác dự báo lên đến 87%.
  • Phân cụm K-means giúp giảm kích thước dữ liệu đầu vào, tiết kiệm thời gian huấn luyện SVM khoảng 35%, đồng thời nâng cao hiệu quả dự báo.
  • Các thuộc tính hành vi khách hàng như tần suất phát sinh cước và giá trị ARPU đóng vai trò quan trọng trong dự báo chuyển mạng.
  • Mô hình có thể ứng dụng thực tiễn trong việc xây dựng hệ thống cảnh báo sớm và chính sách chăm sóc khách hàng nhằm giảm tỷ lệ rời mạng.
  • Đề xuất triển khai mô hình trong hệ thống quản lý khách hàng VNPT Bình Định trong vòng 3-6 tháng, đồng thời mở rộng nghiên cứu cho các nhà mạng khác và phát triển thêm các thuật toán kết hợp nâng cao.

Hành động tiếp theo là triển khai thử nghiệm mô hình trên quy mô thực tế, thu thập phản hồi và điều chỉnh tham số để tối ưu hóa hiệu quả. Các nhà quản lý và chuyên gia công nghệ được khuyến khích áp dụng kết quả nghiên cứu để nâng cao năng lực cạnh tranh và phát triển bền vững trong ngành viễn thông.