Luận Văn Tốt Nghiệp Chuyên Ngành Hệ Thống Thông Tin

Khóa luận tốt nghiệp nghiên cứu tốt nghiệp hệ thống thông tin considering google trend as an external data for retail sales, vận dụng lý thuyết vào thực tế, đề xuất giải pháp cụ

• Tác giả: Bach Hong Thai
• Người hướng dẫn: Dr. Cao Thi Nhan
• Trường học: Vietnam National University Ho Chi Minh City University of Information Technology
• Chuyên ngành: Bachelor of Engineering in Information Systems
• Đề tài: Luận Văn Tốt Nghiệp Chuyên Ngành Hệ Thống Thông Tin Tại Trường Đại Học Công Nghệ Thông Tin
• Loại tài liệu: thesis
• Năm xuất bản: 2021
• Địa điểm: Ho Chi Minh City

Mục lục chi tiết

• 1. CHƯƠNG 1: PROBLEM STATEMENT
• 1.1. Introduction
• 1.2. Aim and Objectives
• 1.3. Outline
• 2. CHƯƠNG 2: LITERATURE REVIEW AND THEORICAL BACKGROUND
• 2.1. Time-series Techniques
• 2.2. Machine Learning Modeling
• 2.2.1. Deep Learning Approach
• 2.2.2. Artificial Neural Networks
• 2.3. Combining Statistical and Machine Learning Modeling
• 3. CHƯƠNG 3: METHODS AND DATASET
• 4. CHƯƠNG 4: EXPERIMENTS
• 5. CHƯƠNG 5: CONCLUSIONS

Tóm tắt

I. Tổng Quan Về Luận Văn Tốt Nghiệp Chuyên Ngành Hệ Thống Thông Tin

Luận văn tốt nghiệp chuyên ngành hệ thống thông tin là một phần quan trọng trong chương trình đào tạo tại Trường Đại Học Công Nghệ Thông Tin. Đây là cơ hội để sinh viên áp dụng kiến thức đã học vào thực tiễn, đồng thời phát triển kỹ năng nghiên cứu và phân tích. Luận văn không chỉ giúp sinh viên củng cố kiến thức mà còn là bước đệm cho sự nghiệp tương lai.

1.1. Ý Nghĩa Của Luận Văn Tốt Nghiệp

Luận văn tốt nghiệp giúp sinh viên thể hiện khả năng nghiên cứu và ứng dụng kiến thức. Nó cũng là cơ hội để sinh viên phát triển kỹ năng viết và trình bày, điều này rất quan trọng trong môi trường làm việc.

1.2. Cấu Trúc Cơ Bản Của Luận Văn

Một luận văn tốt nghiệp thường bao gồm các phần như: giới thiệu, tổng quan tài liệu, phương pháp nghiên cứu, kết quả và thảo luận, kết luận. Mỗi phần đều có vai trò quan trọng trong việc trình bày nội dung nghiên cứu.

II. Những Thách Thức Khi Viết Luận Văn Tốt Nghiệp Hệ Thống Thông Tin

Viết luận văn tốt nghiệp không phải là điều dễ dàng. Sinh viên thường gặp phải nhiều thách thức như chọn đề tài, thu thập dữ liệu, và phân tích kết quả. Những khó khăn này có thể ảnh hưởng đến chất lượng của luận văn.

2.1. Lựa Chọn Đề Tài Phù Hợp

Việc chọn đề tài là bước đầu tiên và quan trọng nhất. Đề tài cần phải phù hợp với sở thích và khả năng của sinh viên, đồng thời có tính thực tiễn cao để đảm bảo tính khả thi trong nghiên cứu.

2.2. Khó Khăn Trong Việc Thu Thập Dữ Liệu

Thu thập dữ liệu là một trong những thách thức lớn. Sinh viên cần phải tìm kiếm nguồn dữ liệu đáng tin cậy và phù hợp với đề tài nghiên cứu của mình.

III. Phương Pháp Viết Luận Văn Tốt Nghiệp Hệ Thống Thông Tin Hiệu Quả

Để viết một luận văn tốt nghiệp hiệu quả, sinh viên cần áp dụng các phương pháp nghiên cứu khoa học. Việc này không chỉ giúp tổ chức nội dung mà còn nâng cao chất lượng của luận văn.

3.1. Phương Pháp Nghiên Cứu Tài Liệu

Nghiên cứu tài liệu là bước quan trọng để hiểu rõ về đề tài. Sinh viên cần tìm hiểu các tài liệu liên quan để xây dựng cơ sở lý thuyết cho luận văn.

3.2. Phân Tích Dữ Liệu

Phân tích dữ liệu là bước cần thiết để rút ra kết luận từ nghiên cứu. Sinh viên có thể sử dụng các công cụ phân tích dữ liệu hiện đại để hỗ trợ cho quá trình này.

IV. Ứng Dụng Thực Tiễn Của Luận Văn Tốt Nghiệp Hệ Thống Thông Tin

Luận văn tốt nghiệp không chỉ là một bài tập học thuật mà còn có thể được ứng dụng trong thực tiễn. Nhiều sinh viên đã áp dụng kết quả nghiên cứu của mình vào các dự án thực tế tại doanh nghiệp.

4.1. Kết Quả Nghiên Cứu Được Ứng Dụng

Nhiều luận văn đã đưa ra các giải pháp công nghệ mới, giúp cải thiện quy trình làm việc trong các doanh nghiệp. Điều này chứng tỏ giá trị thực tiễn của nghiên cứu.

4.2. Tác Động Đến Ngành Công Nghệ Thông Tin

Các nghiên cứu từ luận văn tốt nghiệp có thể góp phần vào sự phát triển của ngành công nghệ thông tin, từ đó tạo ra những cơ hội mới cho sinh viên trong tương lai.

V. Kết Luận Về Luận Văn Tốt Nghiệp Chuyên Ngành Hệ Thống Thông Tin

Luận văn tốt nghiệp là một phần không thể thiếu trong quá trình học tập tại Trường Đại Học Công Nghệ Thông Tin. Nó không chỉ giúp sinh viên củng cố kiến thức mà còn mở ra nhiều cơ hội nghề nghiệp trong tương lai.

5.1. Tương Lai Của Ngành Hệ Thống Thông Tin

Ngành hệ thống thông tin đang phát triển mạnh mẽ, và nhu cầu về nhân lực có trình độ cao ngày càng tăng. Luận văn tốt nghiệp sẽ là một lợi thế lớn cho sinh viên khi tìm kiếm việc làm.

5.2. Khuyến Khích Sinh Viên Nghiên Cứu

Sinh viên nên được khuyến khích tham gia vào các nghiên cứu và dự án thực tế để nâng cao kỹ năng và kiến thức của mình. Điều này sẽ giúp họ tự tin hơn khi bước vào thị trường lao động.

Nội dung chính

Tổng quan nghiên cứu

Thị trường thương mại điện tử toàn cầu và Việt Nam đã trải qua giai đoạn bùng nổ mạnh mẽ, đặc biệt khi các biện pháp giãn cách xã hội theo Chỉ thị 16 được áp dụng nhằm hạn chế sự lây lan của dịch bệnh. Báo cáo Chỉ số Thương mại điện tử Việt Nam cho thấy tốc độ tăng trưởng trung bình của ngành trong giai đoạn 2016-2019 đạt khoảng 30%, đưa quy mô bán lẻ trực tuyến từ 4 tỷ USD năm 2015 lên 11,5 tỷ USD vào năm 2019. Đến năm 2020, theo báo cáo kinh tế số Đông Nam Á của Google, thị trường thương mại điện tử Việt Nam tiếp tục tăng trưởng 16% và vượt mốc 14 tỷ USD. Sự chuyển dịch mạnh mẽ từ phương thức mua sắm truyền thống sang các sàn trực tuyến đặt ra thách thức lớn cho các doanh nghiệp trong việc quản trị chuỗi cung ứng và dự báo nhu cầu tiêu dùng.

Vấn đề cốt lõi đặt ra là làm thế nào để hạn chế tình trạng đứt gãy nguồn cung hoặc tồn kho dư thừa khi hành vi khách hàng biến động liên tục. Các phương pháp dự báo chuỗi thời gian truyền thống chủ yếu dựa trên lịch sử giao dịch nội bộ, vốn phản ứng chậm trước các xu hướng tiêu dùng mới. Trong khi đó, Google chiếm tới 90,95% thị phần công cụ tìm kiếm tại Việt Nam và hơn 91% trên toàn cầu. Hơn nữa, lưu lượng tìm kiếm trực tuyến tạo ra tới 65% các phiên giao dịch thương mại điện tử trên thế giới. Nhận thấy giá trị thực tiễn từ hành vi tra cứu trực tuyến, nghiên cứu này được thực hiện nhằm xây dựng khung phương pháp luận kết hợp chỉ số tìm kiếm Google Trends với dữ liệu bán hàng lịch sử để nâng cao độ chính xác trong dự báo doanh số bán lẻ trực tuyến.

Phạm vi nghiên cứu tập trung vào việc thử nghiệm và so sánh hiệu năng của hai thuật toán học máy tiên tiến là Extreme Gradient Boosting (XGBoost) và Mạng nơ-ron hồi quy với bộ nhớ ngắn hạn dài (LSTM) trên ba bộ dữ liệu thực tế tại Việt Nam, Brazil và Hoa Kỳ. Nghiên cứu mang lại ý nghĩa thiết thực cho việc tối ưu hóa quản lý tồn kho và hoạch định chiến lược kinh doanh thông qua các thước đo định lượng cụ thể.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng lý thuyết dự báo chuỗi thời gian và các mô hình học máy hiện đại. Mô hình thống kê cổ điển ARIMA (Auto-Regressive Integrated Moving Average) biểu diễn giá trị hiện tại qua các thành phần tự hồi quy (AR) và trung bình trượt (MA), song còn hạn chế khi xử lý các mối quan hệ phi tuyến phức tạp hoặc dữ liệu đa biến ngoại sinh.

Để giải quyết bài toán này, nghiên cứu áp dụng thuật toán XGBoost – một kỹ thuật học có giám sát dựa trên cấu trúc cây quyết định kết hợp tăng cường độ dốc (Gradient Tree Boosting). XGBoost tối ưu hóa hàm mục tiêu bậc hai thông qua khai triển Taylor, giúp cân bằng giữa độ chính xác dự báo và việc kiểm soát hiện tượng quá khớp (overfitting) nhờ các tham số hiệu chỉnh chặt chẽ.

Bên cạnh đó, mô hình học sâu Long Short-Term Memory (LSTM) thuộc nhóm mạng nơ-ron hồi quy (RNN) được triển khai nhằm nắm bắt các phụ thuộc dài hạn trong dữ liệu chuỗi thời gian mà không bị hiện tượng triệt tiêu độ dốc (vanishing gradient). Kiến trúc LSTM bao gồm ba cổng điều khiển: cổng quên (forget gate) loại bỏ thông tin dư thừa, cổng vào (input gate) tiếp nhận dữ liệu mới, và cổng ra (output gate) trích xuất trạng thái ẩn. Lý thuyết hành vi người tiêu dùng kỹ thuật số cũng được tích hợp để giải thích mối liên hệ giữa tần suất truy vấn từ khóa trên Google Trends và quyết định mua hàng thực tế tại cấp độ danh mục sản phẩm.

Phương pháp nghiên cứu

Nghiên cứu sử dụng nguồn dữ liệu đa dạng từ ba bộ dữ liệu bán lẻ thực tế:

1. Dữ liệu Becungshop: Tập dữ liệu thực tế gồm 475.865 giao dịch của 12 danh mục sản phẩm thời trang trẻ em tại Thành phố Hồ Chí Minh, thu thập trong 354 tuần từ ngày 04/01/2015 đến ngày 17/10/2021.
2. Dữ liệu thương mại điện tử Olist Brazil: Gồm 99.441 đơn hàng từ năm 2016 đến 2018 trên sàn thương mại điện tử đa ngành tại Brazil, tập trung phân tích tại bang Sao Paulo với 77 tuần huấn luyện và 32 tuần kiểm thử.
3. Dữ liệu Breakfast at the Frat của Dunnhumby: Bao gồm 525.000 dòng dữ liệu giao dịch chi tiết qua 156 tuần tại các chuỗi bán lẻ, tích hợp thông tin về giá bán, giá cơ sở, và các chương trình khuyến mãi.

Phương pháp chọn mẫu có chủ đích (purposive sampling) được áp dụng để lựa chọn các danh mục sản phẩm có lượng giao dịch lớn nhất, đảm bảo tính liên tục của chuỗi thời gian và loại bỏ các nhóm hàng có dữ liệu ngắt quãng. Quy trình tiền xử lý bao gồm việc làm sạch dữ liệu, loại bỏ giá trị ngoại lai (chiếm dưới 0,5%), kỹ thuật trích xuất đặc trưng trễ (lag features từ 1 đến 4 tuần) và tính toán giá trị trung bình trượt (rolling means).

Nghiên cứu áp dụng phương pháp kiểm định chéo chuỗi thời gian (Time-series Cross-Validation) với các chu kỳ 4 tuần tương ứng 10 phân vùng (folds) cho Becungshop và 7 phân vùng cho Olist. Quá trình tối ưu hóa siêu tham số sử dụng thư viện Hyperopt cho XGBoost và thuật toán tìm kiếm ngẫu nhiên kết hợp dừng sớm (Early Stopping) trên tập xác thực cho LSTM. Độ chính xác của các mô hình được đo lường toàn diện qua 4 chỉ số: Sai số toàn phương trung bình căn bậc hai (RMSE), Sai số tuyệt đối phần trăm trung bình (MAPE), Sai số tuyệt đối phần trăm có trọng số (WAPE), và Hệ số xác định (R-squared).

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Kết quả thực nghiệm trên các bộ dữ liệu cho thấy việc tích hợp chỉ số tìm kiếm Google Trends mang lại sự cải thiện tích cực cho hiệu năng dự báo của cả hai mô hình XGBoost và LSTM so với khi chỉ sử dụng dữ liệu lịch sử bán hàng đơn thuần.

Thứ nhất, trên bộ dữ liệu Becungshop, với danh mục "Đồ bộ bé gái" (chiếm 87.175 giao dịch) và "Đồ bộ bé trai" (chiếm 60.429 giao dịch), việc bổ sung các từ khóa tìm kiếm liên quan giúp mô hình XGBoost giảm đáng kể chỉ số sai số WAPE so với mô hình cơ sở. Các đặc trưng trễ 1 tuần và 2 tuần của Google Trends thể hiện mức độ đóng góp quan trọng vào quá trình phân tách các nhánh cây quyết định.

Thứ hai, trên bộ dữ liệu Olist Brazil, đối với các danh mục có khối lượng giao dịch lớn như "bed_bath_table" (11.822 giao dịch) và "sports_leisure" (8.943 giao dịch), việc kết hợp chỉ số tìm kiếm địa phương hóa giúp mô hình LSTM giảm sai số RMSE từ khoảng 3% đến 6% trên tập kiểm thử 32 tuần. Hệ số xác định R-squared duy trì giá trị dương ổn định, chứng minh mô hình nắm bắt tốt xu hướng biến động thực tế.

Thứ ba, các thử nghiệm mở rộng trên bộ dữ liệu Breakfast at the Frat chỉ ra rằng việc kết hợp đồng thời lịch sử bán hàng, dữ liệu khuyến mãi (promotion, display) và chỉ số tìm kiếm mang lại độ chính xác dự báo vượt trội so với việc chỉ sử dụng từng nguồn dữ liệu riêng lẻ, giúp giảm thiểu hiện tượng trễ pha trong các đợt biến động mua sắm cao điểm.

Thảo luận kết quả

Dữ liệu nghiên cứu có thể được trực quan hóa hiệu quả thông qua các đồ thị chuỗi thời gian so sánh giữa đường thực tế và đường dự báo theo từng tuần, kết hợp biểu đồ cột thể hiện mức độ quan trọng của đặc trưng (Feature Importance). Các biểu đồ này chứng minh rằng các từ khóa tìm kiếm phản ánh ý định mua hàng trước thời điểm phát sinh đơn hàng từ 1 đến 2 tuần, đóng vai trò như một chỉ báo sớm đáng tin cậy.

Nguyên nhân chính dẫn đến sự cải thiện hiệu năng là do dữ liệu tìm kiếm nắm bắt được các xung lực quan tâm tức thời của người tiêu dùng mà dữ liệu nội bộ chưa kịp ghi nhận. Tuy nhiên, mức độ cải thiện không đồng đều giữa các danh mục sản phẩm. Những mặt hàng mang tính thời trang, giải trí có mức độ tương quan với Google Trends cao hơn rõ rệt so với các mặt hàng tiêu dùng thiết yếu hoặc các nhóm hàng có tần suất mua sắm ngắt quãng.

Phát hiện này hoàn toàn tương đồng với các nghiên cứu trước đây của Boone trong ngành thực phẩm trực tuyến và Robin trên thị trường bán lẻ Pháp. Điểm đóng góp nổi bật của luận văn là đã kiểm chứng thành công tính ứng dụng của phương pháp này trên dữ liệu thương mại điện tử thực tế tại Việt Nam, mở ra hướng tiếp cận chi phí thấp nhưng hiệu quả cao cho các doanh nghiệp bán lẻ trực tuyến.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu thực nghiệm, bốn giải pháp trọng tâm được đề xuất nhằm nâng cao năng lực dự báo cho các doanh nghiệp thương mại điện tử:

1. Xây dựng hệ thống tự động thu thập và tích hợp dữ liệu Google Trends vào mô hình kinh doanh

   • Hành động: Thiết lập các luồng trích xuất dữ liệu tự động (ETL pipelines) kết nối từ khóa tìm kiếm theo danh mục sản phẩm vào kho dữ liệu doanh nghiệp.
   • Target metric: Giảm sai số dự báo nhu cầu bán hàng WAPE từ 5% đến 8% trong các kỳ kinh doanh cao điểm.
   • Timeline: Thực hiện trong vòng 3 đến 6 tháng.
   • Chủ thể thực hiện: Đội ngũ Kỹ sư Dữ liệu và Chuyên viên Phân tích Hệ thống Thông tin.

2. Triển khai kiến trúc dự báo lai ghép kết hợp thuật toán XGBoost và mạng LSTM

   • Hành động: Ứng dụng XGBoost cho các danh mục sản phẩm có dữ liệu dạng bảng rõ ràng kết hợp biến khuyến mãi, và sử dụng LSTM cho các chuỗi thời gian có tính quy luật dài hạn phức tạp.
   • Target metric: Nâng cao chỉ số hệ số xác định R-squared lên trên mức 0,80 trên toàn bộ các danh mục hàng bán chạy.
   • Timeline: Hoàn thành triển khai trong 4 tháng.
   • Chủ thể thực hiện: Nhóm Khoa học Dữ liệu và Kỹ sư Học máy.

3. Chuẩn hóa quy trình kỹ thuật đặc trưng và xử lý dữ liệu ngắt quãng

   • Hành động: Áp dụng kỹ thuật trích xuất đặc trưng trễ (lag features 1-4 tuần), trung bình trượt và kỹ thuật làm mịn dữ liệu để xử lý triệt để các khoảng thời gian không phát sinh đơn hàng.
   • Target metric: Duy trì tỷ lệ ngoại lai và sai lệch dữ liệu dưới 0,5% trước khi đưa vào huấn luyện mô hình.
   • Timeline: Thực hiện định kỳ hàng tháng, bắt đầu ngay trong tháng đầu tiên.
   • Chủ thể thực hiện: Bộ phận Vận hành Dữ liệu và Đảm bảo Chất lượng.

4. Tích hợp kết quả dự báo thời gian thực vào quy trình quản trị chuỗi cung ứng và kho bãi

   • Hành động: Kết nối đầu ra của mô hình dự báo với hệ thống hoạch định tài nguyên doanh nghiệp (ERP) để tự động hóa việc đặt hàng và phân bổ hàng tồn kho.
   • Target metric: Cắt giảm 10% đến 15% chi phí lưu kho và hạn chế tối đa tình trạng thiếu hụt hàng hóa cục bộ.
   • Timeline: Triển khai thí điểm trong 6 tháng và nhân rộng trong 12 tháng.
   • Chủ thể thực hiện: Ban Giám đốc Vận hành và Quản lý Chuỗi Cung ứng.

Đối tượng nên tham khảo luận văn

1. Ban Điều hành và Giám đốc Chuỗi cung ứng tại các Doanh nghiệp Thương mại điện tử: Giúp tối ưu hóa bài toán quản trị tồn kho, giảm thiểu rủi ro đứt gãy nguồn hàng trong các đợt biến động thị trường thông qua việc ứng dụng công cụ chỉ báo sớm từ dữ liệu tìm kiếm.
2. Kỹ sư Dữ liệu và Chuyên viên Machine Learning: Cung cấp khung phương pháp luận chi tiết, quy trình tiền xử lý chuỗi thời gian, phương pháp tinh chỉnh siêu tham số bằng Hyperopt và cách xây dựng kiến trúc mạng LSTM cho dữ liệu chuỗi 3 chiều.
3. Nghiên cứu sinh và Học viên Cao học ngành Hệ thống thông tin, Khoa học dữ liệu: Đóng vai trò là tài liệu tham khảo học thuật giá trị về phương pháp kiểm định chéo theo thời gian (Time-series Cross-Validation) và kỹ thuật kết hợp dữ liệu ngoại sinh trong mô hình hóa hồi quy.
4. Chuyên gia Tối ưu hóa Tìm kiếm (SEO) và Digital Marketing: Cung cấp góc nhìn định lượng về giá trị thực tế của lượng tìm kiếm trực tuyến đối với doanh thu bán lẻ, hỗ trợ việc lựa chọn từ khóa chiến lược gắn liền với chuyển đổi đơn hàng.

Câu hỏi thường gặp

1. Dữ liệu Google Trends đóng vai trò gì trong việc cải thiện độ chính xác dự báo doanh số bán lẻ?
Dữ liệu Google Trends hoạt động như một nguồn thông tin ngoại sinh phản ánh sự quan tâm tức thời và xu hướng tiêu dùng tiềm năng. Khi kết hợp với lịch sử bán hàng qua các đặc trưng trễ 1-2 tuần, mô hình có thể phát hiện sớm các đợt tăng vọt nhu cầu, giúp giảm sai số RMSE và WAPE rõ rệt so với các mô hình đơn biến truyền thống.

2. Tại sao nghiên cứu lựa chọn thuật toán XGBoost và LSTM thay vì các mô hình thống kê như ARIMA?
Mô hình ARIMA gặp nhiều khó khăn trong việc xử lý các mối quan hệ phi tuyến phức tạp và tiếp nhận nhiều biến số đầu vào cùng lúc. Ngược lại, XGBoost khai thác hiệu quả các đặc trưng phi tuyến dạng bảng, trong khi LSTM lưu trữ được các phụ thuộc thời gian dài hạn qua các cổng nhớ, mang lại khả năng thích ứng vượt trội trên các tập dữ liệu quy mô lớn.

3. Làm thế nào để xử lý các ngày không có giao dịch hoặc dữ liệu bán hàng ngắt quãng?
Trong nghiên cứu, đối với các ngày không có giao dịch tại các tập dữ liệu thực tế, các giá trị thiếu được điền bằng 0 sau khi kiểm tra tính hợp lệ. Đồng thời, khi tính toán chỉ số MAPE, một đại lượng điều chỉnh nhỏ khoảng 1e-6 được cộng vào mẫu số nhằm triệt tiêu hoàn toàn lỗi chia cho 0, giúp phép đo sai số duy trì tính ổn định.

4. Quy trình tạo đặc trưng trễ (lag features) từ dữ liệu tìm kiếm được thực hiện như thế nào?
Nghiên cứu trích xuất các giá trị tìm kiếm lịch sử từ các tuần trước đó (t-1, t-2) kết hợp với các giá trị trung bình trượt hình học qua 2 tuần và 4 tuần. Các biến này được chuẩn hóa và xếp chồng cùng với lịch sử đơn hàng để tạo thành ma trận đầu vào hoàn chỉnh cho mô hình học máy.

5. Kết quả nghiên cứu có thể áp dụng cho các doanh nghiệp thương mại điện tử quy mô vừa và nhỏ không?
Hoàn toàn khả thi. Do Google Trends là nguồn dữ liệu mở hoàn toàn miễn phí và các thuật toán XGBoost, LSTM đều được hỗ trợ bởi các thư viện mã nguồn mở như Python, Scikit-learn, TensorFlow, các doanh nghiệp vừa và nhỏ có thể dễ dàng triển khai với chi phí hạ tầng công nghệ tối thiểu.

Kết luận

• Nghiên cứu đã xây dựng thành công khung phương pháp luận hoàn chỉnh tích hợp chỉ số tìm kiếm Google Trends vào bài toán dự báo chuỗi thời gian trong ngành thương mại điện tử.
• Thực nghiệm diện rộng trên ba bộ dữ liệu đa dạng (Becungshop, Olist Brazil, Breakfast at the Frat) chứng minh tính hiệu quả vượt trội của hai mô hình XGBoost và LSTM trong việc nâng cao độ chính xác dự báo.
• Việc bổ sung các đặc trưng trễ từ dữ liệu tìm kiếm giúp giảm thiểu đáng kể sai số dự báo tại các danh mục hàng hóa có nhu cầu biến động mạnh theo xu hướng thị trường.
• Nghiên cứu cung cấp cơ sở khoa học và thực tiễn vững chắc cho các nhà quản trị trong việc liên kết dữ liệu hành vi tìm kiếm trực tuyến với quy trình hoạch định tồn kho và vận hành bán lẻ.
• Các hướng phát triển tiếp theo trong vòng 6 đến 12 tháng tới bao gồm việc mở rộng tích hợp dữ liệu thời tiết, mạng xã hội và tối ưu hóa mô hình đa nhiệm nhằm thích ứng linh hoạt với thị trường kinh doanh số. Doanh nghiệp và nhà nghiên cứu nên nhanh chóng thử nghiệm khung mô hình này để tối ưu hóa hiệu quả chuỗi cung ứng của mình.

Trích đoạn nội dung tài liệu

VIETNAM NATIONAL UNIVERSITY HOCHIMINH CITY UNIVERSITY OF INFORMATION TECHNOLOGY ADVANCED PROGRAM IN INFORMATION SYSTEMS BACH HONG THAI - 17521311 DUONG LE THANH BINH - 17520279 BACHELOR OF ENGINEERING IN INFORMATION SYSTEMS THESIS ADVISOR CAO THI NHAN HO CHI MINH CITY, 2021 Assessment Committee The Assessment Committee is established under the Decision. by Rector of the University of Information Technology. ACKNOWLEDGMENTS We would like to express our sincere gratitude to our thesis director Dr. Cao Thi Nhan for her valuable time, outstanding guidance, insightful reviews, and valuable advice.

Without her commitment to our success, this work would not have been possible. She is a constant source of motivation and helps us sharpen our skills which were extremely useful when we worked on our thesis. In my innermost, we have a deep respect for her. In addition to expressing our gratitude to our supervisor, we are simultaneously grateful to my university, especially the Faculty of Information Systems.

Furthermore, we would like to show our appreciation to all teachers who have taught us for 4 years at The University of Information Technology. They set their heart on teaching their students, including us. Therefore, we really hold them in high esteem. TABLE OF CONTENTS ce Chaptrl PROBLEM STATEMENT.- G1 x1 90 ng nh ng nghe 1 1.2 Alm and ObJ€CfIV€S.

2 Chapter2 LITERATURE REVIEW AND THEORICAL BACKGROUND.1 Time-serles TechniQUe€S.--- -s + vn ng ng nưệt 3 2.- Ă HS HH kg 3 2.2 Machine Learning Modeling. Combining Statistical and Machine Learning Modeling .- cece ce «sàn HH, 10 24 Accuracy EVvaÏuatiOn.- xxx kg Hệ, 10 2.1 Scale Dependent MetrICS.- 55-5 Sc SE sseeeeeerseeeree 12 2.2 Percentage Error IMetTICS.c se rey 12 Chapter3 METHODS AND DATASEÏT. --- 5 - SH HH gieo 14 “nu.1 Extreme Gradient BOOSfINE.2 Long Short-Term MeImOrVy.2 Dataset and Data Integration.1 Be Cung Dafase(. Ăn HH HH kg tre, 26 3.2 Brazilian E-commerce by Olist Dafaset.3 Breakfast at the Frat Dafaset.4 Google Trends Search Index Data.5 Combining Google Trends Data with Real Data.

Experimental Machine Configuration .---- «<< «<< x+ss++ 52 Chapter4 EXPERIMENTTS.- -Ặ- SẶ HH HH HH HH ưệt 33 4.1 Breakfast at the Flat DafaSeT.2 Brazilian E-commerce DafaSe(.-- cv HH kh 67 ChapterS5 CONCLUSIONS2. HH TH HH kh 73 11 LIST OF FIGURES ce Figure 2.1 A bascic neural n€fWOTK. -- - - + + +13 vi srirereerrere 6 Figure 2.2 Time series forecast Error ÌMefTICS.1 Concept flow đ1aØTA.2 Layer of LSTM adapted from [27] .3 Structure of LSTM retrieved from [28] .4 Sale history of top 4 products categories in Becungshop.5 Time-series Cross- Validation of Becungshop dataset.6 The schema of Brazilian e-commerce by Olist Dataset.7 Distribution of order status in Brazilian e-commerce.8 Number purchases of customer in Brazilian e-commetce.9 Product orders in each state in Brazilian e-commerce.10 Map of product orders in each state in Brazilian e-commerce .11 Transaction count of each product category in Brazilian .12 Total payment value of each product category in Brazilian.13 Time-series Cross-Validation of Brazilian e-commerce dataset .14 The schema of Breakfast at Flat Dataset .15 The description of Product Lookup table in Breakfast at Flat.16 The description of Transaction Data table in Breakfast at Flat .17 The description of Store Lookup table in Breakfast at Flat.18 Store distribution at each state in Breakfast at Flat.19 Product categories distribution in Breakfast at Flat.20 Sale history of bag snacks at store in Breakfast at Flat.21 Sale history of cold cereal at store in Breakfast at Flat .22 Sale history of frozen pizza at store in Breakfast at Flat.23 Sale History of oral hygiene at store in Breakfast at Flat.24 Time-series Cross-Validation of Breakfast at Flat dataset .25 Google Trends’ user interface .1 Visualization in Ohio - Kell Frosted Flakes - XGBoost model.2 Feature importance of Kell frosted flakes at 2011-07-16.3 Visualization in Texas - Kell Frosted Flakes - LSTM model.4 Visualization of sports leisure - XGBoost model — Brazilian .5 Visualization of telephony - XGBoost model — Brazilian.6 Feature importance of telephony - 2018-05-20 — XGBoost.7 Visualization of sports leisure - LSTM model — Brazilian.8 Visualization of ‘Dam váy bé gai’ — XGBoost - Becungshop.9 Feature Importance of “Dam vay bé gái” at 2021-03-21 .