Tổng quan nghiên cứu

Ngành chăm sóc sắc đẹp tại Việt Nam đang phát triển mạnh mẽ với mức độ cạnh tranh cao, đặc biệt trong bối cảnh người tiêu dùng ngày càng dựa vào các công cụ tìm kiếm trực tuyến để lựa chọn sản phẩm. Theo khảo sát Customer Barometer của Google, 73% người dùng internet tìm hiểu thông tin trực tuyến về sản phẩm/dịch vụ trước khi mua, trong đó 93% sử dụng các công cụ tìm kiếm như Google. Việc nắm bắt xu hướng tìm kiếm sản phẩm trên Google không chỉ giúp các doanh nghiệp tối ưu hóa chiến lược tiếp thị mà còn hỗ trợ nhà đầu tư đánh giá tiềm năng thị trường.

Luận văn tập trung nghiên cứu dự đoán số liệu tìm kiếm các sản phẩm chăm sóc sắc đẹp trên Google, đặc biệt với bộ từ khóa "kem trị nám" thu thập từ 50 trang web hàng đầu trên Google Search tiếng Việt vào tháng 08/2023. Mục tiêu cụ thể là xác định các sản phẩm phổ biến, đánh giá mức độ quan tâm của khách hàng và dự đoán xu hướng tìm kiếm trong tương lai nhằm hỗ trợ các nhà quản lý kinh doanh, tiếp thị đưa ra quyết định chiến lược phù hợp. Nghiên cứu sử dụng các thuật toán học máy phổ biến để dự đoán số liệu tìm kiếm trong tương lai, từ đó cung cấp các khuyến nghị thiết thực cho doanh nghiệp trong ngành chăm sóc sắc đẹp.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên các lý thuyết và mô hình học máy trong lĩnh vực trí tuệ nhân tạo, tập trung vào các thuật toán hồi quy để dự đoán giá trị liên tục. Các mô hình chính bao gồm:

  • Hồi quy tuyến tính (Linear Regression): Bao gồm hồi quy tuyến tính đơn giản và hồi quy tuyến tính đa biến, mô hình hóa mối quan hệ tuyến tính giữa biến phụ thuộc và biến độc lập.
  • Cây quyết định (Decision Tree Regression): Mô hình phân tách dữ liệu thành các tập con dựa trên các đặc trưng, phù hợp với dữ liệu phi tuyến và dễ giải thích.
  • Rừng ngẫu nhiên (Random Forest Regression): Kết hợp nhiều cây quyết định để cải thiện độ chính xác và ổn định dự đoán, giảm thiểu hiện tượng overfitting.
  • Máy vectơ hỗ trợ hồi quy (Support Vector Regression - SVR): Tìm siêu phẳng tối ưu phân tách dữ liệu với khoảng cách biên lớn nhất, phù hợp với dữ liệu phức tạp.

Ngoài ra, nghiên cứu áp dụng các kỹ thuật xử lý ngôn ngữ tự nhiên (NLP) để tiền xử lý và trích xuất thông tin từ dữ liệu văn bản thu thập được, bao gồm chuyển đổi chữ thường, chuẩn hóa mã Unicode, loại bỏ URL, ký tự đặc biệt, số và khoảng trắng thừa. Các thuật ngữ chuyên ngành như RMSE (Root Mean Squared Error), MAE (Mean Absolute Error) được sử dụng để đánh giá hiệu suất mô hình.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là nội dung của 50 trang web được xếp hạng cao nhất trên Google Search tiếng Việt với từ khóa "kem trị nám" thu thập tháng 08/2023. Dữ liệu tìm kiếm quá khứ của các từ khóa sản phẩm được lấy từ công cụ lập kế hoạch từ khóa Google Ads, bao gồm số liệu tìm kiếm hàng tháng từ năm 2019 đến 2022.

Phương pháp phân tích gồm các bước:

  1. Thu thập dữ liệu: Sử dụng Python với các thư viện BeautifulSoup, NLTK, GoogleSearch để thu thập và xử lý dữ liệu văn bản.
  2. Tiền xử lý dữ liệu: Chuẩn hóa văn bản, loại bỏ nhiễu, trích xuất cụm từ khóa sản phẩm.
  3. Trực quan hóa thông tin: Sử dụng matplotlib để biểu diễn tần suất xuất hiện của các sản phẩm.
  4. Phân tích và dự đoán: Áp dụng các thuật toán học máy Linear Regression, Decision Tree Regression, Random Forest Regression, Support Vector Regression để dự đoán số liệu tìm kiếm tương lai.
  5. Đánh giá mô hình: Sử dụng các chỉ số RMSE, MAE và kiểm định chéo K-fold (n=3) để đánh giá hiệu suất mô hình.

Quá trình nghiên cứu được thực hiện trên môi trường Jupyter Notebook với cỡ mẫu dữ liệu gồm 50 trang web và số liệu tìm kiếm hàng tháng của 10 sản phẩm nổi bật trong ngành chăm sóc sắc đẹp.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Top 10 sản phẩm chăm sóc sắc đẹp phổ biến: Qua trích xuất và trực quan hóa, 10 sản phẩm được tìm kiếm nhiều nhất liên quan đến từ khóa "kem trị nám" gồm: Ol Cell, Ohui, Dongsung, Murad, Nacos, Yanhee, Eucerin, Transino, Laneige, Sakura. Ví dụ, Ol Cell chiếm tỉ lệ xuất hiện cao nhất với 25.5% trong tổng số dữ liệu thu thập.

  2. Số liệu tìm kiếm thực tế trên Google (2019-2022): Số liệu cho thấy sự biến động và xu hướng tăng trưởng khác nhau giữa các sản phẩm. Ví dụ, sản phẩm Sakura có số liệu tìm kiếm tăng từ 33,100 lượt/tháng năm 2019 lên đến 74,000 lượt/tháng năm 2021, trong khi Nacos duy trì mức tìm kiếm thấp hơn, khoảng 320-880 lượt/tháng.

  3. Hiệu suất các mô hình dự đoán: Qua đánh giá bằng RMSE và MAE, mô hình Random Forest Regression và Support Vector Regression cho kết quả dự đoán chính xác hơn so với Linear Regression và Decision Tree Regression. Ví dụ, với từ khóa Ol Cell, RMSE của Random Forest thấp hơn đáng kể so với Linear Regression (khoảng 90 so với 149 theo kiểm định chéo).

  4. Dự đoán số liệu tìm kiếm tương lai (2023-2024): Các mô hình học máy dự đoán xu hướng tăng nhẹ hoặc ổn định cho hầu hết sản phẩm, giúp doanh nghiệp có cơ sở để điều chỉnh chiến lược marketing. Biểu đồ so sánh dự đoán và thực tế cho thấy mô hình SVR và Random Forest có đường dự đoán gần với đường thực tế hơn, minh chứng cho độ tin cậy cao của các mô hình này.

Thảo luận kết quả

Nguyên nhân mô hình Random Forest và SVR cho kết quả tốt hơn là do khả năng xử lý dữ liệu phi tuyến và giảm thiểu overfitting nhờ kết hợp nhiều cây quyết định hoặc tối ưu hóa biên phân tách. Kết quả này phù hợp với các nghiên cứu trong ngành học máy, cho thấy các mô hình ensemble và kernel-based thường vượt trội trong các bài toán dự đoán phức tạp.

Việc sử dụng dữ liệu tìm kiếm Google làm nguồn thông tin phản ánh chính xác xu hướng tiêu dùng hiện đại, giúp doanh nghiệp và nhà đầu tư có cái nhìn thực tiễn và kịp thời. Các biểu đồ trực quan hóa số liệu tìm kiếm theo tháng và năm cung cấp công cụ hữu ích để theo dõi biến động thị trường.

Tuy nhiên, một số hạn chế như dữ liệu thu thập chỉ trong phạm vi 50 trang web và tập trung vào một bộ từ khóa có thể ảnh hưởng đến tính tổng quát của kết quả. Ngoài ra, các yếu tố bên ngoài như chiến dịch quảng cáo, sự kiện thị trường cũng có thể tác động đến số liệu tìm kiếm mà mô hình chưa thể dự đoán chính xác.

Đề xuất và khuyến nghị

  1. Tăng cường thu thập và mở rộng dữ liệu: Doanh nghiệp nên mở rộng phạm vi thu thập dữ liệu từ nhiều nguồn khác nhau và đa dạng hóa bộ từ khóa để nâng cao độ chính xác dự đoán, thực hiện trong vòng 6-12 tháng tới.

  2. Áp dụng mô hình Random Forest và SVR trong dự báo: Các nhà quản lý nên ưu tiên sử dụng các mô hình này để dự đoán xu hướng tìm kiếm sản phẩm, từ đó điều chỉnh chiến lược marketing phù hợp, áp dụng ngay trong các chiến dịch tiếp thị sắp tới.

  3. Phát triển hệ thống giám sát số liệu tìm kiếm tự động: Xây dựng ứng dụng hoặc dashboard theo dõi số liệu tìm kiếm theo thời gian thực, giúp phản ứng nhanh với biến động thị trường, triển khai trong 3-6 tháng.

  4. Tăng cường đào tạo và nâng cao năng lực phân tích dữ liệu: Đào tạo đội ngũ marketing và phân tích dữ liệu về các kỹ thuật học máy và xử lý ngôn ngữ tự nhiên để tận dụng tối đa nguồn dữ liệu lớn, thực hiện định kỳ hàng năm.

Đối tượng nên tham khảo luận văn

  1. Nhà quản lý kinh doanh và marketing trong ngành chăm sóc sắc đẹp: Giúp họ hiểu rõ xu hướng thị trường, lựa chọn sản phẩm tiềm năng và xây dựng chiến lược tiếp thị hiệu quả dựa trên dữ liệu thực tế.

  2. Nhà đầu tư và phân tích thị trường: Cung cấp công cụ đánh giá tiềm năng đầu tư vào các sản phẩm chăm sóc sắc đẹp thông qua dự đoán xu hướng tìm kiếm, giảm thiểu rủi ro đầu tư.

  3. Nhà nghiên cứu và sinh viên ngành công nghệ thông tin, học máy: Là tài liệu tham khảo về ứng dụng học máy trong xử lý dữ liệu phi cấu trúc và dự đoán xu hướng thị trường thực tế.

  4. Doanh nghiệp phát triển phần mềm và ứng dụng phân tích dữ liệu: Tham khảo mô hình và phương pháp để phát triển các giải pháp hỗ trợ doanh nghiệp trong lĩnh vực marketing và phân tích dữ liệu lớn.

Câu hỏi thường gặp

  1. Tại sao chọn Google Search làm nguồn dữ liệu chính?
    Google là công cụ tìm kiếm phổ biến nhất với hơn 90% thị phần tại Việt Nam, phản ánh chính xác hành vi tìm kiếm và xu hướng tiêu dùng của người dùng, giúp dự đoán thị trường hiệu quả.

  2. Các mô hình học máy nào phù hợp nhất cho dự đoán số liệu tìm kiếm?
    Nghiên cứu cho thấy Random Forest Regression và Support Vector Regression có hiệu suất tốt hơn về độ chính xác và ổn định so với Linear Regression và Decision Tree Regression.

  3. Làm thế nào để xử lý dữ liệu phi cấu trúc từ các trang web?
    Sử dụng kỹ thuật xử lý ngôn ngữ tự nhiên (NLP) như chuyển đổi chữ thường, loại bỏ URL, ký tự đặc biệt, stopwords và trích xuất cụm từ khóa để chuẩn hóa và trích xuất thông tin có ý nghĩa.

  4. Dự đoán số liệu tìm kiếm có thể giúp doanh nghiệp như thế nào?
    Giúp doanh nghiệp nắm bắt xu hướng thị trường, điều chỉnh chiến lược marketing, tối ưu hóa chi phí quảng cáo và tăng khả năng cạnh tranh trên thị trường.

  5. Có thể áp dụng phương pháp này cho các ngành hàng khác không?
    Có, phương pháp trích xuất dữ liệu và dự đoán số liệu tìm kiếm có thể áp dụng cho nhiều ngành hàng khác như thực phẩm, điện tử, thời trang,... nhằm hỗ trợ phân tích thị trường và dự báo xu hướng.

Kết luận

  • Thu thập và xử lý dữ liệu tìm kiếm Google giúp xác định chính xác các sản phẩm chăm sóc sắc đẹp phổ biến và xu hướng thị trường.
  • Áp dụng các mô hình học máy như Random Forest và SVR cho kết quả dự đoán số liệu tìm kiếm tương lai với độ chính xác cao.
  • Kết quả nghiên cứu hỗ trợ doanh nghiệp và nhà đầu tư trong việc xây dựng chiến lược kinh doanh và marketing hiệu quả.
  • Nghiên cứu mở ra hướng phát triển ứng dụng học máy trong phân tích dữ liệu phi cấu trúc và dự báo thị trường.
  • Các bước tiếp theo bao gồm mở rộng dữ liệu, phát triển hệ thống giám sát tự động và đào tạo nhân lực chuyên môn để nâng cao hiệu quả ứng dụng.

Hãy áp dụng các kết quả và khuyến nghị từ nghiên cứu này để nâng cao năng lực cạnh tranh và phát triển bền vững trong ngành chăm sóc sắc đẹp.