Luận văn: Xây dựng mô hình dự đoán khách hàng tiềm năng trong mạng di động

Luận văn xây dựng mô hình dự đoán khách hàng tiềm năng sử dụng các gói cước di động. Nghiên cứu ứng dụng các thuật toán khai phá dữ liệu hiệu quả.

• Tác giả: Doan Văn Tâm
• Người hướng dẫn: PTS. Trần Trọng Hiểu
• Trường học: Trường Đại học Công nghệ - Đại học Quốc gia Hà Nội
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Xây dựng mô hình dự đoán khách hàng tiềm năng cho các gói cước trong mạng di động
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2019
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CẢM ƠN
• LỜI CAM ĐOAN
• DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT
• DANH MỤC HÌNH VẼ
• DANH MỤC BẢNG
• 1. Chương 1: Giới thiệu khai phá dữ liệu trong lĩnh vực viễn thông
• 1.1. Giới thiệu
• 1.2. Khai phá dữ liệu trong lĩnh vực viễn thông
• 1.3. Nhóm bài toán về quản lý trải nghiệm khách hàng
• 1.4. Lựa chọn bài toán
• 2. Chương 2: Bài toán dự đoán khách hàng tiềm năng
• 2.1. Phát biểu bài toán dự đoán khách hàng tiềm năng
• 2.2. Phương pháp cây quyết định
• 2.3. Phương pháp SVM
• 2.4. Phương pháp kNN
• 2.5. Phương pháp ghép nối các mô hình học máy
• 2.6. Phương pháp đánh giá
• 3. Chương 3: Mô hình đề xuất
• 3.1. Mô hình đề xuất
• 3.2. Tập dữ liệu và tiền xử lý dữ liệu
• 3.3. Tiền xử lý và trích xuất đặc trưng
• 4. Chương 4: Thực nghiệm và đánh giá
• 4.1. Môi trường và các công cụ thực nghiệm
• 4.2. Kịch bản thực nghiệm
• 4.3. Kết quả thực nghiệm và đánh giá
• KẾT LUẬN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tầm quan trọng của mô hình dự đoán khách hàng viễn thông

Trong bối cảnh thị trường viễn thông Việt Nam đã đạt đến mức bão hòa, cuộc cạnh tranh giữa các nhà mạng không còn tập trung vào việc phát triển thuê bao mới mà chuyển sang giữ chân khách hàng hiện hữu và tối ưu hóa doanh thu. Việc xây dựng mô hình dự đoán khách hàng tiềm năng cho các gói cước đã trở thành một chiến lược sống còn. Các nhà mạng lớn như Viettel, MobiFone, VinaPhone đều sở hữu kho big data trong viễn thông khổng lồ, chứa đựng những tri thức quý giá về hành vi thuê bao di động. Việc áp dụng các kỹ thuật khai phá dữ liệu (data mining) và machine learning trong viễn thông cho phép các doanh nghiệp chuyển từ phương pháp marketing đại trà sang marketing mục tiêu, giúp tiết kiệm chi phí và tăng hiệu quả đáng kể. Thay vì quảng cáo tràn lan, một mô hình dự đoán hiệu quả sẽ xác định chính xác nhóm khách hàng có khả năng cao sẽ đăng ký một gói cước cụ thể. Điều này không chỉ giúp tăng doanh thu từ các gói cước mà còn cải thiện trải nghiệm khách hàng, tránh làm phiền những người không có nhu cầu, từ đó nâng cao lòng trung thành và giảm thiểu tỷ lệ dự đoán khách hàng rời mạng (customer churn prediction). Luận văn của tác giả Đoàn Văn Tâm tập trung vào việc giải quyết bài toán này, nhấn mạnh vai trò của khoa học dữ liệu (data science) trong việc biến dữ liệu thô thành các quyết định kinh doanh thông minh và kịp thời.

1.1. Bối cảnh cạnh tranh và sự bão hòa của thị trường di động

Thị trường dịch vụ di động tại Việt Nam đã bước vào giai đoạn cạnh tranh gay gắt, nơi chất lượng dịch vụ và chăm sóc khách hàng trở thành yếu tố quyết định. Theo tài liệu nghiên cứu, các nhà mạng không còn có thể dễ dàng thu hút thuê bao mới. Thay vào đó, họ phải tập trung vào việc khai thác giá trị từ lượng khách hàng hiện có. Thách thức lớn nhất là làm sao để khuyến khích khách hàng tăng mức sử dụng dịch vụ và đăng ký các gói cước có giá trị cao hơn. Đây là lúc vai trò của phân tích dữ liệu viễn thông trở nên cực kỳ quan trọng. Việc hiểu rõ hành vi thuê bao di động, từ thói quen gọi điện, nhắn tin đến việc sử dụng data, giúp nhà mạng thiết kế những sản phẩm phù hợp. Một hệ gợi ý gói cước thông minh, dựa trên phân tích dữ liệu, sẽ mang lại lợi thế cạnh tranh vượt trội, giúp doanh nghiệp không chỉ giữ chân khách hàng mà còn tối ưu hóa customer lifetime value (CLV).

1.2. Khai phá dữ liệu Chìa khóa vàng để thấu hiểu khách hàng

Các nhà mạng viễn thông sở hữu một tài sản vô giá: dữ liệu người dùng. Dữ liệu này bao gồm thông tin nhân khẩu học, lịch sử cuộc gọi (CDR), thói quen sử dụng dịch vụ giá trị gia tăng (VAS), và dữ liệu tiêu dùng hàng tháng. Khai phá dữ liệu là quá trình trích xuất những thông tin hữu ích và các mẫu tiềm ẩn từ khối dữ liệu khổng lồ này. Luận văn gốc đã chỉ ra rằng việc ứng dụng data mining vào kinh doanh giúp các nhà mạng đưa ra quyết định hiệu quả. Các bài toán phổ biến bao gồm phân khúc khách hàng, dự đoán khách hàng rời mạng, và đặc biệt là dự đoán hành vi khách hàng liên quan đến việc mua sắm gói cước. Bằng cách phân tích các mẫu hành vi trong quá khứ, nhà mạng có thể xây dựng các mô hình dự báo với độ chính xác (accuracy) cao, từ đó triển khai các chiến dịch marketing trúng đích, mang lại hiệu quả kinh tế rõ rệt.

II. Bài toán dự đoán khách hàng tiềm năng Thách thức cốt lõi

Việc xây dựng mô hình dự đoán khách hàng tiềm năng là một bài toán phân loại phức tạp trong lĩnh vực khoa học dữ liệu. Mục tiêu chính là từ một tập dữ liệu lớn về thông tin và hành vi của thuê bao, xây dựng một mô hình có khả năng gán nhãn cho mỗi khách hàng với gói cước mà họ có khả năng đăng ký nhất. Bài toán này đối mặt với nhiều thách thức. Thứ nhất là khối lượng dữ liệu khổng lồ và đa dạng, đòi hỏi các kỹ thuật tiền xử lý dữ liệu và feature engineering phức tạp để có thể trích xuất được những đặc trưng có ý nghĩa. Thứ hai, dữ liệu viễn thông thường bị mất cân bằng nghiêm trọng, tức là số lượng khách hàng đăng ký một gói cước cụ thể thường rất nhỏ so với tổng số thuê bao. Điều này có thể làm cho mô hình học máy bị thiên vị, dự đoán kém hiệu quả đối với các lớp thiểu số. Luận văn đã lựa chọn hướng tiếp cận dựa trên thuật toán phân lớp thay vì luật liên kết, vì nó cho phép phân tích sâu hơn vào các đặc điểm chi tiết của từng thuê bao, từ đó đưa ra dự đoán chính xác hơn. Việc giải quyết thành công bài toán này sẽ là nền tảng cho các chiến dịch marketing mục tiêu hiệu quả, giúp nhà mạng tiếp cận đúng người, đúng thời điểm.

2.1. Phát biểu bài toán Từ dữ liệu thô đến chân dung khách hàng

Bài toán được phát biểu một cách chính thức như sau: Đầu vào là tập hợp thông tin của khách hàng, bao gồm dữ liệu nhân khẩu học (nếu có) và dữ liệu hành vi sử dụng dịch vụ trong một khoảng thời gian nhất định (ví dụ: 6 tháng). Các dữ liệu hành vi này bao gồm tổng tiêu dùng hàng tháng, tiêu dùng cho thoại, SMS, data, VAS, và cả thông tin về vị trí phát sinh cước. Đầu ra của bài toán là một mô hình có khả năng dự đoán gói cước phù hợp nhất cho một thuê bao bất kỳ chưa đăng ký gói cước đó. Về bản chất, đây là một bài toán phân loại đa lớp, mỗi lớp tương ứng với một gói cước. Việc giải quyết bài toán đòi hỏi một quy trình chuẩn của khoa học dữ liệu, bắt đầu từ thu thập, làm sạch dữ liệu, trích xuất đặc trưng, huấn luyện mô hình và cuối cùng là đánh giá mô hình (model evaluation).

2.2. Vấn đề mất cân bằng dữ liệu và lựa chọn hướng tiếp cận

Một trong những thách thức lớn nhất được đề cập trong tài liệu gốc là sự mất cân bằng của tập dữ liệu. Trong tổng số 163 gói cước, có đến 153 gói có số lượng thuê bao đăng ký rất thấp. Nếu đưa tất cả vào mô hình, các thuật toán phân lớp sẽ có xu hướng bỏ qua các lớp thiểu số này và chỉ tập trung dự đoán các lớp đa số, dẫn đến kết quả thực tiễn không cao. Để giải quyết, nghiên cứu đã tiến hành loại bỏ các gói cước có số lượng đăng ký thấp, chỉ giữ lại 10 nhóm gói cước phổ biến nhất với 31,122 mẫu dữ liệu. Hướng tiếp cận này giúp mô hình tập trung học các mẫu đặc trưng rõ ràng hơn. Luận văn cũng khẳng định việc sử dụng phương pháp phân loại là phù hợp hơn so với luật liên kết, vì nó có khả năng khai thác sâu các đặc trưng về hành vi thuê bao di động thay vì chỉ dựa trên sự tương quan giữa các dịch vụ.

III. Hướng dẫn tiền xử lý dữ liệu và trích xuất các đặc trưng

Chất lượng của một mô hình dự đoán phụ thuộc rất lớn vào chất lượng của dữ liệu đầu vào. Do đó, giai đoạn tiền xử lý dữ liệu và trích xuất đặc trưng (feature engineering) đóng vai trò vô cùng quan trọng trong quy trình xây dựng mô hình dự đoán khách hàng. Dữ liệu viễn thông thô thường nhiễu, thiếu giá trị và không đồng nhất. Quy trình tiền xử lý bao gồm các bước như tổng hợp dữ liệu từ nhiều nguồn khác nhau, loại bỏ các bản ghi lỗi, chuẩn hóa các trường dữ liệu (ví dụ: chuyển đổi trường thời gian thành số tháng), và xử lý các giá trị thiếu. Sau khi dữ liệu đã được làm sạch, bước tiếp theo là feature engineering. Đây là quá trình sử dụng kiến thức chuyên môn để tạo ra các biến mới (đặc trưng) từ dữ liệu thô, giúp mô hình học máy có thể nhận diện các mẫu tốt hơn. Ví dụ, từ dữ liệu vị trí thô, ta có thể trích xuất các đặc trưng như 'nơi ở', 'nơi làm việc' của thuê bao. Nghiên cứu trong luận văn đã trích xuất thành công 381 đặc trưng từ dữ liệu gốc, bao gồm các nhóm đặc trưng về tiêu dùng, hành vi di chuyển, và tuổi đời thuê bao. Đây là bước nền tảng quyết định đến độ chính xác cuối cùng của mô hình.

3.1. Quy trình chuẩn hóa và làm sạch dữ liệu viễn thông

Dữ liệu được thu thập từ 5 bảng cơ sở dữ liệu khác nhau, chứa hơn 1 triệu bản ghi thô. Bước đầu tiên là tổng hợp các thông tin này lại thành một bảng duy nhất, mỗi hàng đại diện cho một thuê bao. Quá trình này bao gồm việc loại bỏ các dữ liệu nhiễu như thiếu giá trị hoặc sai số liệu. Các trường thời gian, như ngày bắt đầu sử dụng dịch vụ, được chuẩn hóa thành giá trị số (ví dụ: tuổi đời thuê bao tính theo tháng). Dữ liệu vị trí (cell_id) được ánh xạ sang thông tin tỉnh thành, quận huyện để dễ dàng phân tích hơn. Toàn bộ quy trình này đảm bảo dữ liệu đầu vào cho mô hình là nhất quán và sạch sẽ, loại bỏ các yếu tố gây sai lệch cho quá trình huấn luyện của các thuật toán phân lớp.

3.2. Bí quyết tạo ra các đặc trưng có giá trị dự báo cao

Đây là bước sáng tạo nhất trong quy trình. Từ 37 trường thông tin tổng hợp, luận văn đã phát triển thành 381 đặc trưng có ý nghĩa. Các nhóm đặc trưng chính bao gồm: 1) Đặc trưng cơ bản: loại thuê bao, đầu số, tuổi đời. 2) Đặc trưng tiêu dùng: tổng tiêu dùng, tiêu dùng thoại/SMS/data/VAS trong 6 tháng gần nhất. 3) Đặc trưng hành vi di chuyển: các vị trí (tỉnh/quận) thuê bao hoạt động nhiều nhất trong và ngoài giờ hành chính. 4) Đặc trưng xu hướng: mức độ tăng/giảm tiêu dùng giữa các tháng. Việc tạo ra các đặc trưng như 'tọa độ hoạt động nhiều nhất ngoài giờ hành chính' có thể giúp mô hình suy luận ra 'nơi ở' của khách hàng, một yếu tố quan trọng trong việc dự đoán hành vi khách hàng. Các đặc trưng này sau đó được chuẩn hóa về cùng một thang đo (ví dụ: từ 0 đến 1) để đảm bảo các thuật toán như SVM hoạt động hiệu quả.

IV. Top các thuật toán Machine Learning dự đoán hành vi khách hàng

Sau khi đã có bộ dữ liệu chất lượng cao, bước tiếp theo là lựa chọn và xây dựng các mô hình học máy. Luận văn đã tiến hành thực nghiệm với một số thuật toán phân lớp kinh điển và phổ biến trong các bài toán machine learning trong viễn thông. Cụ thể, ba mô hình chính được sử dụng làm cơ sở là: Cây Quyết Định (Decision Tree), Máy Vector Hỗ Trợ (SVM), và K-Láng Giềng Gần Nhất (kNN). Mỗi thuật toán có những ưu và nhược điểm riêng. Decision Tree dễ diễn giải, SVM mạnh mẽ với không gian đặc trưng nhiều chiều, và kNN đơn giản nhưng hiệu quả. Tuy nhiên, điểm đột phá của nghiên cứu nằm ở việc đề xuất một mô hình kết hợp (Ensemble Model). Phương pháp này tận dụng sức mạnh của cả ba thuật toán thành phần. Bằng kỹ thuật bỏ phiếu theo trọng số (weighted voting), mô hình kết hợp có khả năng đưa ra dự đoán cuối cùng với độ chính xác cao hơn so với bất kỳ mô hình đơn lẻ nào. Cách tiếp cận này cho thấy trong thực tế, việc kết hợp nhiều góc nhìn khác nhau thường mang lại kết quả tối ưu cho bài toán dự đoán khách hàng tiềm năng.

4.1. Phân tích mô hình Cây Quyết Định Decision Tree và Random Forest

Cây Quyết Định là một thuật toán phân lớp hoạt động bằng cách chia nhỏ dần tập dữ liệu dựa trên các thuộc tính quan trọng nhất. Trong bối cảnh viễn thông, cây quyết định có thể học được các luật như 'Nếu tổng tiêu dùng data > 2GB và tuổi đời thuê bao > 12 tháng thì có khả năng cao đăng ký gói data X'. Kết quả thực nghiệm trong luận văn cho thấy Cây Quyết Định đạt kết quả rất tốt, với độ đo micro-F1 là 0.68, vượt trội hơn hẳn SVM và kNN. Một biến thể nâng cao của nó là Random Forest, một thuật toán học máy kết hợp nhiều cây quyết định để giảm thiểu hiện tượng quá khớp (overfitting) và cải thiện độ chính xác, thường được áp dụng trong các bài toán dự đoán hành vi khách hàng phức tạp.

4.2. So sánh hiệu năng giữa SVM và thuật toán k láng giềng gần nhất

Máy Vector Hỗ Trợ (SVM) là một thuật toán mạnh mẽ, hoạt động bằng cách tìm ra một siêu phẳng trong không gian nhiều chiều để phân tách tốt nhất các lớp dữ liệu. Trong khi đó, k-Láng Giềng Gần Nhất (kNN) là một thuật toán đơn giản hơn, phân loại một điểm dữ liệu mới dựa trên 'ý kiến' của k điểm dữ liệu gần nó nhất trong tập huấn luyện. Kết quả thực nghiệm cho thấy SVM (micro-F1 = 0.57) có hiệu quả cao hơn đáng kể so với kNN (micro-F1 = 0.43) trên tập dữ liệu này. Điều này cho thấy với 381 đặc trưng, bài toán có không gian chiều lớn và phức tạp, là môi trường phù hợp để SVM phát huy thế mạnh của mình trong việc tìm ra các đường biên phân loại tối ưu.

4.3. Phương pháp Ensemble Kết hợp mô hình để tối ưu độ chính xác

Đây là phương pháp đề xuất chính của luận văn. Nhận thấy mỗi mô hình đơn lẻ có điểm mạnh riêng, nghiên cứu đã kết hợp kết quả dự đoán từ cả ba mô hình (kNN, SVM, và Decision Tree) bằng kỹ thuật bỏ phiếu theo trọng số. Cụ thể, dự đoán của Decision Tree được gán trọng số cao nhất (2 điểm), tiếp theo là SVM (1.5 điểm) và kNN (1 điểm), dựa trên hiệu năng của chúng trong các thực nghiệm riêng lẻ. Nhãn cuối cùng được chọn là nhãn có tổng điểm cao nhất. Phương pháp này đã chứng tỏ hiệu quả vượt trội, đạt kết quả micro-F1 là 0.71, cao nhất trong tất cả các kịch bản. Điều này khẳng định rằng việc kết hợp nhiều mô hình (ensemble learning) là một chiến lược hiệu quả để cải thiện độ chính xác cho bài toán dự đoán khách hàng tiềm năng.

V. Kết quả thực nghiệm và ứng dụng của mô hình dự đoán gói cước

Việc đánh giá mô hình (model evaluation) là bước cuối cùng để xác định tính hiệu quả và khả năng ứng dụng thực tiễn của nghiên cứu. Luận văn đã tiến hành 4 kịch bản thực nghiệm trên cùng một tập dữ liệu đã qua xử lý, sử dụng phương pháp kiểm thử chéo 10 lần (10-fold cross-validation) để đảm bảo kết quả khách quan. Các độ đo được sử dụng là Độ chính xác (Precision), Độ hồi tưởng (Recall) và F1-score. Kết quả cho thấy sự vượt trội rõ rệt của mô hình kết hợp. Mô hình này không chỉ đạt được chỉ số tổng thể (micro-F1) cao nhất là 0.71 mà còn cải thiện hiệu suất trên nhiều lớp gói cước cụ thể. Ví dụ, với gói cước POBAS, độ đo F1 đạt 0.83, một con số rất ấn tượng. Những kết quả này chứng tỏ mô hình có khả năng ứng dụng cao trong thực tế, giúp các nhà mạng triển khai các chiến dịch marketing mục tiêu. Chẳng hạn, nhà mạng có thể chạy mô hình trên toàn bộ tập thuê bao của mình để tạo ra một danh sách khách hàng tiềm năng cho từng gói cước, sau đó gửi tin nhắn quảng cáo hoặc thực hiện telesales đến đúng đối tượng, tối ưu hóa tỷ lệ chuyển đổi và doanh thu.

5.1. Thiết lập môi trường và các kịch bản thực nghiệm chi tiết

Các thực nghiệm được thực hiện bằng công cụ khai phá dữ liệu Knime trên nền tảng Java. Môi trường phần cứng bao gồm CPU Intel Core i5, 4GB RAM và hệ điều hành Windows 10. Bốn kịch bản chính được triển khai: 1) Đánh giá thuật toán kNN, 2) Đánh giá thuật toán SVM, 3) Đánh giá thuật toán Cây Quyết Định, và 4) Đánh giá mô hình kết hợp. Các tham số của từng thuật toán được tinh chỉnh qua nhiều lần thử nghiệm để tìm ra cấu hình tốt nhất. Ví dụ, với kNN, tham số k=11 và độ đo tương tự Cosine cho kết quả tối ưu. Với SVM, hàm nhân RBF với C=1 và gamma=0.8 được lựa chọn. Sự cẩn trọng trong thiết lập thực nghiệm đảm bảo tính tin cậy của kết quả cuối cùng.

5.2. Đánh giá mô hình Độ chính xác vượt trội của phương pháp kết hợp

Bảng so sánh kết quả cho thấy một bức tranh rõ ràng: Cây Quyết Định (micro-F1=0.68) là mô hình đơn lẻ mạnh nhất, vượt xa SVM (0.57) và kNN (0.43). Tuy nhiên, mô hình kết hợp đã nâng hiệu suất lên một tầm cao mới (micro-F1=0.71). Điều đáng chú ý là mô hình kết hợp không chỉ kế thừa kết quả tốt từ Cây Quyết Định mà còn được bổ sung, cải thiện ở một số lớp nhờ vào 'ý kiến' của SVM và kNN. Ví dụ, lớp POBAS đạt F1-score là 0.83 trên mô hình kết hợp, cao hơn mức 0.81 của Cây Quyết Định. Kết quả này là một minh chứng thuyết phục cho sức mạnh của các phương pháp ensemble trong việc giải quyết các bài toán machine learning trong viễn thông.

VI. Hướng phát triển cho mô hình dự đoán khách hàng trong tương lai

Mặc dù mô hình kết hợp đã đạt được kết quả rất khả quan, nghiên cứu vẫn còn những tiềm năng để phát triển và cải tiến trong tương lai. Hướng đi rõ ràng nhất là mở rộng tập dữ liệu. Nghiên cứu hiện tại chỉ tập trung vào 10 gói cước phổ biến nhất do vấn đề mất cân bằng dữ liệu. Trong tương lai, việc thu thập thêm dữ liệu cho 153 gói cước còn lại sẽ là một thách thức lớn nhưng cần thiết để xây dựng một hệ gợi ý gói cước toàn diện. Các kỹ thuật xử lý mất cân bằng dữ liệu nâng cao như SMOTE (Synthetic Minority Over-sampling Technique) có thể được áp dụng. Bên cạnh đó, có thể khám phá thêm các thuật toán học máy hiện đại hơn như mạng nơ-ron nhân tạo (neural network), đặc biệt là các mô hình học sâu (deep learning), có thể tự động học các đặc trưng phức tạp từ dữ liệu thô. Một hướng khác là tích hợp thêm các nguồn dữ liệu mới, chẳng hạn như dữ liệu sử dụng ứng dụng trên smartphone hoặc dữ liệu từ mạng xã hội (nếu được cho phép), để làm giàu thêm chân dung khách hàng và tăng cường độ chính xác của mô hình dự đoán khách hàng tiềm năng.

6.1. Tổng kết những đóng góp chính của nghiên cứu khoa học

Nghiên cứu này đã đóng góp một cách hệ thống vào việc giải quyết bài toán dự đoán khách hàng tiềm năng cho các gói cước trong mạng di động. Các đóng góp chính bao gồm: 1) Phân tích và đề xuất một quy trình chuẩn từ tiền xử lý dữ liệu, feature engineering đến xây dựng mô hình. 2) Đưa ra được một bộ 381 đặc trưng có giá trị, phản ánh sâu sắc hành vi thuê bao di động. 3) Thực nghiệm và so sánh hiệu năng của nhiều thuật toán phân lớp phổ biến. 4) Đề xuất và chứng minh tính hiệu quả của một mô hình kết hợp (ensemble model) với độ chính xác vượt trội, đạt micro-F1 là 0.71. Kết quả này không chỉ có giá trị học thuật mà còn có tính ứng dụng thực tiễn cao, có thể giúp các nhà mạng tối ưu hóa hoạt động kinh doanh.

6.2. Thách thức và cơ hội Mở rộng mô hình trên tập dữ liệu lớn

Thách thức lớn nhất trong tương lai là xử lý quy mô. Khi mở rộng bài toán ra toàn bộ 163 gói cước và hàng chục triệu thuê bao, các vấn đề về hiệu năng tính toán và quản lý big data trong viễn thông sẽ trở nên cấp thiết. Đây cũng chính là cơ hội để áp dụng các nền tảng tính toán phân tán như Apache Spark. Hơn nữa, việc tích hợp các mô hình học máy phức tạp hơn như mạng nơ-ron nhân tạo hay các thuật toán Gradient Boosting (XGBoost, LightGBM) có thể sẽ tiếp tục đẩy xa hơn giới hạn về độ chính xác của mô hình. Tương lai của việc dự đoán hành vi khách hàng nằm ở khả năng xử lý dữ liệu thời gian thực, đưa ra các gợi ý gói cước ngay tại thời điểm khách hàng có nhu cầu, tạo ra một trải nghiệm cá nhân hóa và liền mạch.

Trích đoạn nội dung tài liệu

Chương 1: Giới thiệu khai phá dữ liệu trong lĩnh vực viễn thông 11 Giới thiệu Hiện nay, thị trong dich vu viễn thông di đông tại Việt Nam đã đạt mức bão hòa và cuộc cạnh tranh giữa các nhà mạng bước qua một giai đoạn mới: đó là cạnh tranh về chất lượng các chương trình khuyến mại, chất lượng dịch vụ và chăm sóc khách hàng, chất lượng mạng và vùng phủ sóng. Do đó, yếu tố quan trọng. nhất trong cạnh tranh ở giai đoạn nảy, các nhà mạng ngoài việc tập trung giữ chân các thuê bao cũ, giảm lượng khách hàng rời mạng và khuyến khích khách hàng tăng lượng sử dụng dịch vụ, phát triển chất lượng dịch vụ, cải tiến và cung cấp thêm nhiều dịch vụ giá trị gia tăng đáp ứng nhu cầu ngày cảng lớn của khách hàng, cần phải phân tích và so sánh với đối thủ cạnh tranh để có thể tung ra thị trường các sản pham/dich vu theo nhu cau. Một trong những chiến lược hàng đầu của các nhà mạng la ứng dụng các kỹ thuật khai phá dữ liệu trên nền tảng dữ liệu lớn vào các hoạt động sản xuất kinh doanh Số liệu thuê bao di động đầu năm 2019 '0090,000." Vielel Moifone Vinaphone Vierdm Giai Mobils mThâng12029 mTháng22019 mTháng32019 #Tháng42019 Hình 1: Số liệu thuê bao đi động theo các nhà mạng tháng 01-04/2019 (nguồn: Nội bộ) ‘Thi phan di dong hét thang 4/2019 eVieHel sMebfone «Vinaphone «Vetuam Webi «tat Hinh 2: Thị phân đi động của các nhà mạng (nguồn: Nội bộ) “Tại Việt Nam, các nhà mạng lớn như Viettel, MobiFone, VinaPhone đã ứng dụng khai phả dữ liêu vào trong hoạt đông kinh doanh và phân tích dữ liêu thuê bao, cụ thể như các giải pháp Viettel Customer 3601, VRTAP?, TDataMon, Viettel BI của nhà mạng Viettel giúp phân tích hành vi và chân dung khách hàng phục vụ công tác điều hành và kinh doanh dữ liêu; giải pháp IVRS? ctia nha mang MobiFone sử dụng công nghê khai phá dữ liệu trên nên tảng dữ liêu lớn phục vụ truyền thông trúng mục tiêu.

Hầu hết các giải pháp : http://kenh1 4. vn/muc-tieu-cung-nam-2020-va-tuong-lai-nam-2025-cua-viettel-telecom-ta-sa0- chn ?h và ứng dụng trên đã mang lại những hiệu quả về mặt kinh tễ oững như tối ưu chỉ phí vận hành đối với các nhà mạng Việt Nam 1.2 __ Khai nhá dữ liệu trong lĩnh vực viễn thông Các nhà mang viễn thông sở hữu một lượng dử liệu vô củng lớn thông tin cua người dùng (thuê bao) từ thông tin nhân khẩu học đến thông tin hành. vị sử đụng dịch vụ viễn thông, tất cả các đữ liệu đều được lữu trữ một cách chỉ tiết phục vụ hoạt động kinh doanh và vận hánh hàng ngày. Lượng dữ liệu được lưu trữ trên tiềm Ấn những trì thức hết sức quí báu về thị trường, khách hảng, sản phẩm.

Sử dụng các kỹ thuật phân tích, khai phá dữ liệu củng các các thuật toán và mô hình toán hoc máy cho phép các nhả mạng đưa ra các quyết định hiệu quả và kịp thời. Có khá nhiều các bài toán. phân tích (use case) trong lĩnh vực viễn thông phục vụ cho các hoạt động điều hành va kinh doanh |16,24|. Qua khảo sát các tài liệu liên quan, luận văn đưa ra 4 nhóm bài toán chỉnh về khai phá trong lĩnh vực viễn thông -_ Quản lý trải nghiệm khách hàng (CEM): Quán lý trải nghiệm khách hàng là quá trình quản ly 141 c& cdc điểm tiếp xúc với khách hàng nhằm đám bảo mốt quan hệ tích cực giữa khách hàng với thương hiệu.

CEM được hiểu là việc “chủ dộng thiết kế và quản trị tất cả các trải nghiệm khách hàng từ các trải nghiệm về thương hiệu, trải nghiệm mua sản phẩm địch vụ, trải nghiệm sử dụng sản phẩm địch vụ đến các trãi nghiém dich vụ sau bán hàng trên tất cả các kênh, mọi diém tiép xtc dé dap img các kỳ vọng của khách hàng nhằm pia ting sự hài lỏng, trung thành và ủng hộ của khách hàng”. -_ Lối ưu mạng lưới (Network optimization}: Các phương pháp tiếp cận phân tích dữ liệu lớn đang bắt đầu xuất hiện trong lĩnh vực mạng viễn thông để giải quyết các thách thức của ảo hóa (NFV Network Function Visualization) va dién toan dám mây (Cloud Computing). Sự phức tap gia ting trong các ứng dụng mạng viễn thông dang thúc đẩy nhu cầu tự động hóa mạng lưới. Các nền tăng tự động hóa mạng lưới dựa trên phân tích dữ liệu lớn kết hợp các kỹ thuật khai phá đữ liệu để hỗ trợ các hoạt động quản lý hiệu quả, kịp thời và đáng tin cậy.

Ví dụ về các ứng dung tập trưng vào mạng lưới bao gồm: 3 ©_ Phát hiện bất thường trong khai tháu, quần trị, bão trì mạng lướt ©_ Giám sắt và tối ưu hóa hiệu suất sử dụng mạng ©_ Tối ưu cảnh báo mạng lưới. o_ Khuyến nghị hành động xử lý lỗi mạng. o_ Tự động xử lý lỗi mang ©_ l3ư doán lỗi mạng, © Quy hoạch dung lượng mạng (thông qua dư bảo nghẽn mạng) -_ Phân tích vận hành (Operations Analysis): Irong ngảnh viễn thông thi việc rất quan trọng là phát hiện gian lận và hành vi sử dụng bat thường nhằm giảm thiểu thất thoát doanh thu. Bài toán phát hiện đấu hiệu bất thường và phòng chẳng gian lận dé phát hiện các hành vì gian lận của khách hàng và các bất thường của hảnh vĩ sử dụng, Phân tích dữ liệu lớn chủ yêu sử dụng các công cu phân lớp, phân tích hành vị.

-_ Kinh doanh dữ liệu (Data monelization): Các công ty cũng như các Lỗ chức viễn thông dang lữu trữ một lượng lớn dữ liệu liên tục. Nhiều công ty đã hiểu rằng dữ liêu này có thể dược sử dụng và nó có thể có giá trị lớn khi được sử dụng đứng. Vấn đề là làm thể nào dé biển dữ liệu đó thành tiên - làm thế nào để kiếm tiền từ dữ liệu. Một cách để kiếm tiền từ đữ liệu là chia nó thành hai loại: kiểm tiền từ nội bộ và kiếm tiền tử bên ngoài.

Kiếm tiền nội bộ có nghĩa là lam ting doanh thu của cổng ty với việc sử dụng đữ liệu. Có nhiều cách dễ làm như có thể tăng lên bằng cách cải thiện dịch vụ sản phẩm và hiểu nhu cầu của khách hàng. Hoặc doanh thu có thể đạt được bằng cách tăng cường doanh sé với các hoạt động như như chăm sóc khách hàng, lập kế hoạch bản hang qua kênh hiệu quả. Ngoài ra, phương pháp tôi wu hóa va tăng cường sản xuất và bảo trì có thể mang lại khoản tiết kiệm.

lởn cho doanh nghiệp. Kiểm tiên từ dữ liệu bên ngoài có thể bao gồm. bản đữ liệu, bản thông tia phân tích nghiên cứu hoặc dự đoán chẳng hạn. Nhóm bài toán về quản lý trải nghiệm khách hàng 4 Hầu hết các nha mang Vidi Nam lập trưng nhiễu vào nhóm bài toán phân tích và nâng cao trải nghiệm khách hàng vì đây là nhóm giúp tăng doanh thu tiêu dùng viễn thông của các khách hàng một cách rõ rệt nhất, Các mục dưới đây liệt kê một số bài toán khai phá đữ liệu viễn thông phễ biển nhất a) Dy dodn khách hàng tiềm năng cho các dịch vụ viễn thông Trước đây, hầu hết đoanh nghiệp không xác định được nhu cầu thực sự của khách hàng mà chỉ tập trưng vào quảng bá tràn lan sản phẩm — dịch vụ của minh có, không nắm rõ vấn dễ của khách hảng là gì, đưa ra hàng loạt dé xuất pói cước mả không biết khách hảng có cần thiết hay không, không biết điều gì — sản phẩm — địch vụ gi là tốt nhất cho khách hàng của minh.

Vi vay, việc xác định đúng tập khách hàng tiềm. năng (nhu cầu của khách hàng) có ý nghĩa lớn trong các chương trình truyền thông, chiến dịch quảng cáo của mỗi đơn vị kinh doanh, giúp tiết kiếm được phẩn lớn chỉ phí và không ảnh hưởng/làm phiền khách hàng. Mô hình xác dịnh tập khách hàng tiềm năng mua các pỏi cước viễn thông dựa trên kết quả phần tích nhà mạng áp dụng. các chương trình khuyến mại hay các chiến dịch truyền thông bán gói cước phù hợp đến tập khách hàng tiềm năng [17, 19].

Mục dích -_ Giúp tăng doanh thu tiêu dàng gốc cho nhà mạng bằng cách dự đoán đứng nhu cầu của khách hang, ur van và giúp khách hàng đưa ra lựa chọn chính xác gói cước có mức tiêu dùng cao hơn mức hiện tại nhưng khách hàng được sử dụng dịch vụ thoải mái hơn. -_ Dự đoán đúng và đưa ra tư vấn đúng/trúng nhụ cầu của khách hàng giúp đưa ra các chiến dịch truyền thông (sms, telesale,.) phủ hợp đến lập khách hàng tiềm năng, tránh được việc quảng cáo không đứng đối tượng làm giảm hiệu quả chương trinh, tăng chỉ phí và đặc biệt lã gây phân cảm với khách hàng, làm cho khách hàng cảm giác bị làm phiền và khó chịu. Để giải quyết bài toán này các nghiên cứu liên quan Lập trung vào hai hướng tiếp cận chính là hướng tiếp cận dựa trên luật liên kết và hướng tiếp cận dưa trên phần loại thuê bao. Lác giả Zhang và các công sự đã đề xuất một phương pháp phân loại thuê bao có khả năng thích các nhóm gói cước tiêm 5 năng dựa lrên sự lương tự của các đặc trưng |24.

Các gói cước sỡ được đo sự tương tự dựa trên các đặc trưng là danh sách các thuê bao đã đăng ký gói cước, tập các gói cước tương tự sẽ được gom thành một nhóm, danh sách các Thuê bao tương tác nhiều sẽ được lây ra để đại điện cho cụm. Dễ dự đoán một. thuê bao có thích gói cước hay không, nghiên cứu sẽ so sảnh thông lin của thuê bao đấy với các thuê bao khác để tìm ra tập thuê bao tương tự, các gói cước phổ biến mà tập thuê bao tương tự đại diện sẽ dược gán cho thuê bao cần được đánh giá. lác gid Li tiếp cân giải quyết bái toán này ở một hướng khác khi sử dụng luật liên kết dé tim ra các tập gói cước hay được mua củng nhau để đự đoán một thuê bao có thể mua một gói cước mới khi đã từng mua những gói cước nao [17] b) Dự đoán thuê bao rời mạng Trong môi trường kinh doanh viễn thông cạnh tranh khốc liệt như ỡ Việt Nam hiện nay.

Thị trường đi dộng dã ở mức bšo hỏa, doanh thu di đông tăng trưởng chững lại vả việc phát triển thuê bao mới hết sức khó khăn thi chăm sóc và gìn giữ khách hàng cũ trên hệ thống trở nên hết sức quan trọng, nó không chỉ giúp nhà mạng phát triển bền vững mả còn ngăn chặn đối thủ phát triển thuế baa mới.