Xây Dựng Mô Hình Bán Hàng Tự Động Trên Internet

Khám phá luận văn thạc sĩ về mô hình bán hàng tự động trên internet, cung cấp giải pháp tối ưu cho doanh nghiệp trong thời đại số.

• Tác giả: Nguyễn Văn Quyền
• Người hướng dẫn: TS. Nguyễn Văn Nam
• Trường học: Đại học Quốc gia Hà Nội
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Xây Dựng Mô Hình Bán Hàng Tự Động Trên Internet
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2016
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: GIỚI THIỆU CHUNG
• 2. CHƯƠNG 2: TỔNG QUAN BÁN HÀNG TỰ ĐỘNG
• 2.1. Các mô hình trả lời bán hàng tiêu biểu
• 2.2. Các vấn đề cần giải quyết và cải tiến
• 3. CHƯƠNG 3: MẠNG NƠ-RON VÀ PHƯƠNG PHÁP SEQ2SEQ
• 3.1. Kiến thức tổng quan
• 3.3. Lý thuyết mạng nơ-ron
• 3.3.1. Mạng nơ-ron nhân tạo ANN
• 3.3.2. Mạng nơ-ron tái phát RNN
• 3.3.3. Mạng Long Short Term Memory LSTM
• 3.4. Phương pháp học chuỗi Seq2Seq
• 4. CHƯƠNG 4: GIẢI PHÁP VÀ XÂY DỰNG MÔ HÌNH ĐỀ XUẤT ISALES
• 4.1. Giải pháp đề xuất
• 4.2. Nguồn dữ liệu huấn luyện
• 4.3. Xây dựng mô hình iSales
• 4.3.1. Pha thu thập dữ liệu
• 4.3.2. Pha tiền xử lý dữ liệu
• 4.3.3. Pha phân mảnh dữ liệu
• 4.3.4. Pha huấn luyện dữ liệu
• 4.3.5. Pha sinh câu trả lời
• 5. CHƯƠNG 5: THỬ NGHIỆM, ĐÁNH GIÁ KẾT QUẢ
• 5.1. Phát biểu usecase
• 5.2. Thử nghiệm iSales
• 5.3. Đánh giá kết quả
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Giới thiệu về mô hình bán hàng tự động trên Internet

Mô hình bán hàng tự động trên Internet đang trở thành xu hướng mới trong thương mại điện tử. Với sự phát triển của công nghệ, việc tự động hóa quy trình bán hàng không chỉ giúp tiết kiệm thời gian mà còn nâng cao trải nghiệm của khách hàng. Mô hình này cho phép người bán hàng tương tác với khách hàng một cách hiệu quả hơn, đồng thời giảm thiểu chi phí nhân sự. Việc áp dụng công nghệ vào bán hàng tự động giúp doanh nghiệp tối ưu hóa quy trình và tăng trưởng doanh thu.

1.1. Khái niệm mô hình bán hàng tự động

Mô hình bán hàng tự động là hệ thống cho phép người mua hàng tương tác và nhận tư vấn mà không cần sự can thiệp của nhân viên. Hệ thống này sử dụng công nghệ như chatbot và trí tuệ nhân tạo để tự động hóa quy trình tư vấn và bán hàng.

1.2. Lợi ích của mô hình bán hàng tự động

Mô hình này mang lại nhiều lợi ích như tiết kiệm thời gian, giảm chi phí nhân sự, và nâng cao trải nghiệm khách hàng. Khách hàng có thể nhận được thông tin nhanh chóng và chính xác, từ đó tăng khả năng chuyển đổi đơn hàng.

II. Thách thức trong việc triển khai mô hình bán hàng tự động

Mặc dù mô hình bán hàng tự động mang lại nhiều lợi ích, nhưng cũng gặp phải không ít thách thức. Các doanh nghiệp cần phải đối mặt với vấn đề như thiếu dữ liệu huấn luyện, khả năng hiểu ngôn ngữ tự nhiên còn hạn chế, và sự cần thiết phải duy trì chất lượng dịch vụ khách hàng. Những thách thức này có thể ảnh hưởng đến hiệu quả của mô hình nếu không được giải quyết kịp thời.

2.1. Thiếu dữ liệu huấn luyện

Một trong những thách thức lớn nhất là việc thiếu dữ liệu huấn luyện chất lượng. Dữ liệu không đầy đủ có thể dẫn đến việc mô hình không hiểu đúng ý khách hàng, từ đó ảnh hưởng đến trải nghiệm người dùng.

2.2. Khả năng hiểu ngôn ngữ tự nhiên

Mặc dù công nghệ đã phát triển, nhưng khả năng hiểu ngôn ngữ tự nhiên của các hệ thống tự động vẫn còn hạn chế. Điều này có thể dẫn đến việc khách hàng không nhận được câu trả lời chính xác cho các câu hỏi của họ.

III. Phương pháp xây dựng mô hình bán hàng tự động hiệu quả

Để xây dựng một mô hình bán hàng tự động hiệu quả, doanh nghiệp cần áp dụng các phương pháp hiện đại như mạng nơ-ron và phương pháp học chuỗi seq2seq. Những công nghệ này giúp cải thiện khả năng hiểu và phản hồi của hệ thống, từ đó nâng cao trải nghiệm khách hàng.

3.1. Sử dụng mạng nơ ron trong mô hình

Mạng nơ-ron nhân tạo (ANN) có khả năng học hỏi từ dữ liệu và cải thiện dần theo thời gian. Việc áp dụng ANN vào mô hình bán hàng tự động giúp hệ thống trở nên thông minh hơn và có khả năng xử lý các câu hỏi phức tạp.

3.2. Phương pháp học chuỗi seq2seq

Phương pháp học chuỗi seq2seq cho phép mô hình hiểu và sinh ra các câu trả lời tự động dựa trên ngữ cảnh của cuộc hội thoại. Điều này giúp cải thiện khả năng tương tác giữa khách hàng và hệ thống.

IV. Ứng dụng thực tiễn của mô hình bán hàng tự động

Mô hình bán hàng tự động đã được áp dụng thành công trong nhiều lĩnh vực khác nhau, từ bán lẻ đến dịch vụ khách hàng. Các doanh nghiệp đã ghi nhận sự gia tăng doanh thu và cải thiện trải nghiệm khách hàng nhờ vào việc tích hợp mô hình này vào quy trình kinh doanh.

4.1. Ứng dụng trong ngành bán lẻ

Nhiều cửa hàng trực tuyến đã sử dụng mô hình bán hàng tự động để tư vấn và hỗ trợ khách hàng trong quá trình mua sắm. Điều này giúp tăng cường sự hài lòng của khách hàng và giảm tỷ lệ bỏ giỏ hàng.

4.2. Ứng dụng trong dịch vụ khách hàng

Mô hình này cũng được áp dụng trong dịch vụ khách hàng, giúp doanh nghiệp giải quyết các thắc mắc của khách hàng một cách nhanh chóng và hiệu quả. Khách hàng có thể nhận được hỗ trợ 24/7 mà không cần chờ đợi.

V. Kết luận và tương lai của mô hình bán hàng tự động

Mô hình bán hàng tự động trên Internet đang mở ra nhiều cơ hội mới cho doanh nghiệp trong việc tối ưu hóa quy trình bán hàng. Với sự phát triển không ngừng của công nghệ, mô hình này hứa hẹn sẽ ngày càng hoàn thiện và trở thành một phần không thể thiếu trong chiến lược thương mại điện tử của các doanh nghiệp.

5.1. Tương lai của mô hình bán hàng tự động

Trong tương lai, mô hình bán hàng tự động sẽ tiếp tục phát triển với sự hỗ trợ của trí tuệ nhân tạo và học máy. Điều này sẽ giúp cải thiện khả năng tương tác và nâng cao trải nghiệm khách hàng.

5.2. Những xu hướng mới trong thương mại điện tử

Các xu hướng mới như cá nhân hóa trải nghiệm khách hàng và tích hợp đa kênh sẽ thúc đẩy sự phát triển của mô hình bán hàng tự động. Doanh nghiệp cần nắm bắt những xu hướng này để duy trì lợi thế cạnh tranh.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh thương mại điện tử phát triển mạnh mẽ trong những năm gần đây, nhu cầu tư vấn và hỗ trợ khách hàng trực tuyến ngày càng tăng cao. Theo ước tính, lượng tương tác trên các nền tảng mạng xã hội như Facebook đạt hàng tỷ lượt mỗi ngày, tạo ra một nguồn dữ liệu khổng lồ cho các hệ thống bán hàng tự động. Tuy nhiên, các mô hình bán hàng hiện tại vẫn còn nhiều hạn chế, đặc biệt là thiếu khả năng tự động hóa trong việc trả lời các câu hỏi phức tạp và đa dạng của khách hàng. Mục tiêu của nghiên cứu là xây dựng một mô hình bán hàng tự động trên Internet, có khả năng hiểu và xử lý ngôn ngữ tiếng Việt, tự học từ dữ liệu đối thoại thực tế và sinh câu trả lời phù hợp, nhằm giảm thiểu sự phụ thuộc vào nhân lực tư vấn trực tiếp. Phạm vi nghiên cứu tập trung vào dữ liệu thu thập từ các trang Facebook thương mại điện tử tại Việt Nam trong giai đoạn trước năm 2016. Việc phát triển mô hình này không chỉ góp phần nâng cao hiệu quả kinh doanh trực tuyến mà còn mở rộng ứng dụng trí tuệ nhân tạo trong lĩnh vực thương mại điện tử, với các chỉ số đánh giá như tăng tỷ lệ phản hồi tự động, giảm thời gian chờ đợi của khách hàng và nâng cao trải nghiệm người dùng.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên các lý thuyết và mô hình sau:

• Trí tuệ nhân tạo (AI): Hệ thống máy tính có khả năng thực hiện các tác vụ thông minh như con người, bao gồm học hỏi, suy luận và thích ứng.
• Học máy (Machine Learning): Phương pháp cho phép hệ thống tự động học từ dữ liệu để cải thiện hiệu suất mà không cần lập trình rõ ràng.
• Mạng nơ-ron nhân tạo (Artificial Neural Network - ANN): Mô hình mô phỏng hoạt động của hệ thần kinh sinh học, gồm các lớp nơ-ron xử lý thông tin qua các trọng số kết nối.
• Mạng nơ-ron tái phát (Recurrent Neural Network - RNN): Mạng có khả năng xử lý dữ liệu chuỗi, ghi nhớ thông tin trước đó để dự đoán phần tử tiếp theo.
• Mạng Long Short Term Memory (LSTM): Một biến thể của RNN, giải quyết vấn đề mất mát thông tin dài hạn bằng các cổng điều khiển thông tin.
• Phương pháp học chuỗi liên tiếp Seq2Seq (Sequence to Sequence): Mô hình gồm bộ mã hóa (encoder) và bộ giải mã (decoder), cho phép chuyển đổi một chuỗi đầu vào thành chuỗi đầu ra, phù hợp cho các bài toán dịch máy và sinh câu trả lời tự động.

Các khái niệm chính bao gồm: kho dữ liệu (data warehouse), tự học (auto learning), từ điển từ vựng (word embedding), padding, bucketing và softmax.

Phương pháp nghiên cứu

Nguồn dữ liệu chính được thu thập từ các trang Facebook thương mại điện tử sử dụng GraphAPI phiên bản 2.6, tập trung vào các bình luận (comment) trong các bài đăng (post) để tạo thành tập dữ liệu đối thoại tiếng Việt. Cỡ mẫu dữ liệu thu thập được lên đến hàng nghìn cặp câu hỏi - trả lời, đảm bảo tính đa dạng và phong phú cho quá trình huấn luyện.

Phương pháp phân tích sử dụng framework TensorFlow, kết hợp các công cụ xử lý ngôn ngữ tự nhiên như NLTK, VNTK và thư viện Dongdu để tiền xử lý và phân mảnh dữ liệu tiếng Việt. Quá trình nghiên cứu được thực hiện theo timeline gồm các pha: thu thập dữ liệu, tiền xử lý, phân mảnh, huấn luyện mô hình LSTM với phương pháp Seq2Seq, và sinh câu trả lời tự động. Mỗi pha được kiểm thử và đánh giá riêng biệt nhằm đảm bảo chất lượng dữ liệu và hiệu quả mô hình.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả của mô hình iSales trong việc sinh câu trả lời tự động: Mô hình iSales, dựa trên mạng nơ-ron LSTM và phương pháp Seq2Seq, đã cho kết quả sinh câu trả lời có ý nghĩa trong tiếng Việt với tỷ lệ chính xác khoảng 75% trong các thử nghiệm thực tế, vượt trội so với các mô hình chatbot truyền thống như chatbot Skype chỉ đạt khoảng 50%.

2. Tác động của tiền xử lý và phân mảnh dữ liệu: Việc áp dụng pha tiền xử lý và phân mảnh dữ liệu tiếng Việt giúp giảm thiểu các câu trả lời tối nghĩa, tăng tính chính xác lên đến 30% so với mô hình không sử dụng các bước này. Ví dụ, câu hỏi “Thiết bị truyền dẫn giá bao nhiêu tiền?” khi được phân mảnh đúng cách cho ra câu trả lời rõ ràng và chính xác hơn.

3. Khả năng tự học và tái sử dụng dữ liệu: Mô hình iSales có khả năng tự học từ dữ liệu đối thoại mới được thu thập trong quá trình vận hành, giúp cải thiện chất lượng trả lời theo thời gian. Tỷ lệ tăng trưởng dữ liệu huấn luyện sau mỗi chu kỳ tự học đạt khoảng 20%, góp phần nâng cao độ chính xác và đa dạng câu trả lời.

4. So sánh với các mô hình hiện có: So với các mô hình bán hàng tự động hiện tại như Messenger, uhChat và Subiz, iSales thể hiện ưu thế vượt trội về khả năng tự động hóa, giảm sự phụ thuộc vào nhân viên tư vấn trực tiếp và xử lý được các câu hỏi phức tạp, dài hơn.

Thảo luận kết quả

Nguyên nhân chính dẫn đến hiệu quả của mô hình iSales là việc ứng dụng mạng LSTM kết hợp Seq2Seq, cho phép mô hình ghi nhớ và xử lý thông tin dài hạn, đồng thời sinh ra các câu trả lời mới dựa trên ngữ cảnh câu hỏi. Việc sử dụng các công cụ tiền xử lý tiếng Việt như VNTK và Dongdu giúp mô hình hiểu đúng cấu trúc ngôn ngữ, tránh các lỗi ngữ nghĩa phổ biến.

So với các nghiên cứu trước đây, iSales không chỉ dựa trên tập dữ liệu mẫu cố định mà còn có khả năng mở rộng và tự học, giải quyết được hạn chế của các chatbot truyền thống chỉ trả lời dựa trên dữ liệu cài sẵn. Kết quả có thể được trình bày qua biểu đồ so sánh tỷ lệ chính xác giữa các mô hình và bảng thống kê số lượng câu trả lời hợp lệ trước và sau khi áp dụng tiền xử lý.

Ý nghĩa của nghiên cứu nằm ở việc mở rộng ứng dụng AI trong thương mại điện tử Việt Nam, đặc biệt trong việc hỗ trợ ngôn ngữ tiếng Việt, vốn là thách thức lớn đối với các hệ thống chatbot quốc tế.

Đề xuất và khuyến nghị

1. Triển khai mô hình iSales trên các nền tảng thương mại điện tử: Khuyến nghị các doanh nghiệp tích hợp iSales vào website và fanpage Facebook để tự động hóa tư vấn khách hàng, giảm tải nhân lực và tăng tỷ lệ phản hồi nhanh. Thời gian triển khai dự kiến trong vòng 6 tháng.

2. Mở rộng và cập nhật dữ liệu huấn luyện liên tục: Thiết lập hệ thống thu thập và làm sạch dữ liệu đối thoại mới từ các kênh bán hàng để mô hình tự học, nâng cao độ chính xác và khả năng xử lý các tình huống mới. Chủ thể thực hiện là bộ phận kỹ thuật và marketing.

3. Phát triển thêm các module xử lý ngôn ngữ tự nhiên nâng cao: Nâng cấp pha tiền xử lý để xử lý các biến thể ngôn ngữ, từ lóng, tiếng địa phương nhằm tăng khả năng hiểu ngữ cảnh của mô hình. Thời gian nghiên cứu và phát triển khoảng 12 tháng.

4. Đào tạo và hướng dẫn sử dụng cho nhân viên: Tổ chức các khóa đào tạo cho nhân viên bán hàng và quản trị hệ thống để khai thác tối đa hiệu quả của mô hình, đồng thời thu thập phản hồi để cải tiến. Chủ thể thực hiện là phòng nhân sự và kỹ thuật.

Đối tượng nên tham khảo luận văn

1. Các nhà phát triển phần mềm và kỹ sư AI: Có thể ứng dụng các kiến thức về mạng nơ-ron, Seq2Seq và xử lý ngôn ngữ tự nhiên để phát triển các hệ thống chatbot và trợ lý ảo trong thương mại điện tử.

2. Doanh nghiệp thương mại điện tử và quản lý bán hàng trực tuyến: Nắm bắt được xu hướng tự động hóa tư vấn khách hàng, từ đó áp dụng mô hình iSales để nâng cao hiệu quả kinh doanh và trải nghiệm khách hàng.

3. Nhà nghiên cứu và sinh viên ngành Công nghệ Thông tin, Hệ thống Thông tin: Tham khảo phương pháp nghiên cứu, thiết kế mô hình và ứng dụng trí tuệ nhân tạo trong thực tiễn, đặc biệt là xử lý ngôn ngữ tiếng Việt.

4. Chuyên gia tư vấn và hoạch định chiến lược số hóa doanh nghiệp: Sử dụng luận văn làm cơ sở để đề xuất các giải pháp chuyển đổi số, tự động hóa trong lĩnh vực bán hàng và chăm sóc khách hàng.

Câu hỏi thường gặp

1. Mô hình iSales có thể áp dụng cho những loại hình kinh doanh nào?
   Mô hình phù hợp với các doanh nghiệp thương mại điện tử, đặc biệt là các cửa hàng bán lẻ trực tuyến, dịch vụ tư vấn sản phẩm qua mạng xã hội như Facebook. Ví dụ, các website bán giày dép, mỹ phẩm, thời trang có thể tích hợp để tự động trả lời khách hàng.

2. Lượng dữ liệu cần thiết để huấn luyện mô hình là bao nhiêu?
   Theo nghiên cứu, cần thu thập hàng nghìn cặp câu hỏi - trả lời để mô hình có thể học hiệu quả. Dữ liệu càng đa dạng và phong phú thì mô hình càng chính xác và linh hoạt trong việc sinh câu trả lời.

3. Mô hình có thể xử lý các câu hỏi phức tạp và dài không?
   Nhờ sử dụng mạng LSTM và phương pháp Seq2Seq, iSales có khả năng xử lý các câu hỏi dài và phức tạp hơn so với các chatbot truyền thống, giúp sinh ra câu trả lời phù hợp với ngữ cảnh.

4. Làm thế nào để mô hình hiểu được tiếng Việt?
   Mô hình áp dụng các bước tiền xử lý và phân mảnh dữ liệu tiếng Việt bằng các công cụ chuyên biệt như VNTK và Dongdu, giúp nhận diện đúng cấu trúc ngôn ngữ và từ vựng, từ đó nâng cao khả năng hiểu và trả lời.

5. Mô hình có thể tự học và cải thiện theo thời gian không?
   Có, iSales được thiết kế để thu thập dữ liệu đối thoại mới trong quá trình vận hành, từ đó tự động cập nhật và huấn luyện lại, giúp cải thiện chất lượng câu trả lời và mở rộng phạm vi ứng dụng.

Kết luận

• Luận văn đã xây dựng thành công mô hình bán hàng tự động iSales trên Internet, ứng dụng mạng nơ-ron LSTM và phương pháp học chuỗi Seq2Seq, hỗ trợ tiếng Việt.
• Mô hình giải quyết được các hạn chế của các chatbot truyền thống như khả năng xử lý câu hỏi dài, phức tạp và tự động sinh câu trả lời mới.
• Kết quả thử nghiệm cho thấy iSales có tỷ lệ trả lời chính xác khoảng 75%, vượt trội so với các mô hình hiện có.
• Đề xuất triển khai mô hình trong các doanh nghiệp thương mại điện tử, đồng thời mở rộng nghiên cứu về xử lý ngôn ngữ tự nhiên tiếng Việt.
• Các bước tiếp theo bao gồm hoàn thiện pha tiền xử lý, mở rộng dữ liệu huấn luyện và đào tạo nhân sự để ứng dụng mô hình hiệu quả trong thực tế.

Hành động tiếp theo là triển khai thử nghiệm mô hình iSales trên các nền tảng thương mại điện tử thực tế và thu thập phản hồi để hoàn thiện sản phẩm, đồng thời khuyến khích các nhà nghiên cứu và doanh nghiệp quan tâm áp dụng giải pháp này nhằm nâng cao hiệu quả kinh doanh trực tuyến.

Trích đoạn nội dung tài liệu

Đặt vấn đề bài toán, từ đó nêu ra ý tưởng xây dựng mô hình. - Chương 2: Tổng quan bán hàng tự động. Giới thiệu về 4 mô hình bán hàng trên Internet hiện nay, gồm có Messenger, chatbot Skype, uhChat, suBiz. Phân loại, liệt kê ưu, nhược điểm của mỗi mô hình và đưa ra các vấn đề cần cải tiến.

- Chương 3: Mạng nơ-ron và phương pháp seq2seq. Đưa ra các lý thuyết nền tảng về học máy, mạng nơ-ron và phương pháp học chuỗi seq2seq giúp bổ sung kiến thức cơ bản khi xây dựng mô hình bán hàng tự động - Chương 4: Giải pháp và xây dựng mô hình đề xuất iSales. Đề xuất giải pháp cho mô hình đề xuất iSales, mô tả các thành phần và phương án xây dựng chi tiết. - Chương 5: Thử nghiệm, đánh giá kết quả.

Thử nghiệm mô hình trong usecase thực tế, đánh giá kết quả và so sánh với mô hình chatbotSkype. Đưa ra kết luận trong quá trình nghiên cứu và xây dựng “mô hình bán hàng tự động trên Internet”. CHƯƠNG 2: TỔNG QUAN BÁN HÀNG TỰ ĐỘNG Chương này, luận văn giới thiệu một số khái niệm cơ bản. Mô hình bán hàng trên Internet là mô hình bán hàng của các doanh nghiệp, cá nhân, mà người mua hàng không cần phải đến cửa hàng cũng có thể nhận được tư vấn và mua được hàng đúng như ý muốn của mình.

Các thành phần của mô hình gồm có: người mua hàng, ứng dụng hỗ trợ tư vấn, người bán hàng và những câu tư vấn. Trong giới hạn luận văn, việc xây dựng mô hình bán hàng tự động đồng nghĩa với việc xây dựng ứng dụng tư vấn có khả năng tự động trả lời bán hàng. Trong chương này giới thiệu thực trạng các mô hình trả lời bán hàng trên Internet của thế giới và Việt Nam. Phần đầu chương trình bày tổng quan bốn mô hình là Messenger, chatbotSkype, uhChat, suBiz.

Từ những mô hình đó, tôi tiến hành phân nhóm, đánh giá và nêu lên các vấn đề cần cải tiến trong từng nhóm trong phần tiếp theo của chương.1 Các mô hình trả lời bán hàng tiêu biểu Trong quá trình nghiên cứu, tôi đã tham khảo một số mô hình trả lời bán hàng nổi tiếng trên thế giới cũng như ở Việt Nam. Tiêu biểu trong đó là bốn mô hình Messenger, chatbotSkype, uhChat và suBiz. Mô hình đầu tiên là Facebook Messenger [1], là ứng dụng chat của Facebook, được phát hành phiên bản đầu tiên vào ngày 9 tháng 8 năm 2011 trên hệ điều hành iOS và Android. Đến ngày 11/10/2011 Messenger phát hành phiên bản sử dụng cho Blackberry OS.

Tháng 12/2012, ứng dụng Facebook Messenger cho Android được đưa vào sử dụng ở vài nơi như Úc, Nam Á, Indonesia, Nam Phi, Venezuela… được tích hợp trên Facebook bằng cách tạo tên tài khoản và cung cấp số điện thoại. Thời gian sau đó, ứng dụng này liên tục được cải tiến và sử dụng rộng rãi trên các hệ điều hành. Với Facebook Messenger, người dùng có thể nhận, gửi tin nhắn nhanh chóng tới một cá nhân hay một nhóm tới bất kỳ địa chỉ liên hệ nào trong Facebook hoặc trên thiết bị điện thoại. Thêm vào đó, còn có thể xác định vị trí của mình, tạo kế hoạch với nhóm theo cách linh động nhất.

Những ưu điểm nổi bật của Messenger có thể kể đến như ưng dụng nhẹ, dễ dàng cài đặt, sử dụng, hỗ trợ trên tất cả các trình duyệt và thiết bị di động thông minh, cho phép tìm kiếm lịch sử hội thoại, tự động lưu trữ và gửi thông báo tự động khi người nhận tin nhắn online, tích hợp tính năng gọi điện trực tiếp thông qua mạng Internet. Sự thông dụng của Facebook kèm với các ưu điểm trên đã khiến 5 Messenger trở thành một trong những ứng dụng chat được sử dụng nhiều nhất trên thế giới. Tuy nhiên, trên phương diện “mô hình trả lời bán hàng”, Messenger hoàn toàn cần sự can thiệp của tác nhân là người bán hàng trong giai đoạn tư vấn bán hàng, tức là chưa “tự động”. Ngoại trừ những hoạt động theo dõi và lưu trữ các cuộc đối thoại giữa hai bên, Facebook vẫn hoạt động theo mô hình truyền thống.

Người mua hàng Người bán hàng Câu hỏi Câu hỏi (Forward) Phân tích Câu trả lời Câu trả lời (Forward) Hình 2.1: Luồng tương tác mô hình bán hàng sử dụng Messenger Trong mô hình này, Messenger chỉ mang tính chất là một ứng dụng chat - forward những câu hội thoại giữa người bán hàng và người mua hàng.2: Mô hình bán hàng sử dụng Messenger Tại sự kiện Build 2016, được diễn ra tại San Francisco từ ngày 30/03/2016 đến 01/04/2016, Microsoft đã giới thiệu chatbot Skype [2], cho phép người mua hàng giao tiếp với một chatbot (phần mềm tư vấn bán hàng tự động) được lập trình sẵn. Sẽ không có tác nhân là người bán hàng tham gia vào cuộc hội thoại cho tới khi kết thúc phiên giao tiếp bán hàng. PizzaBot, demo của chatbotSkype, đây thực sự là “mô hình trả lời bán hàng tự động”, và chatbot này đã được huấn luyện để hiểu được ngôn ngữ con người. Ví dụ, khi người mua hàng gửi tin nhắn “tôi muốn gọi một chiếc pizza pepperoni cỡ lớn”, chatbot Skype sẽ bắt đầu phân tích câu nói này rồi dẫn dắt người mua hàng hoàn thiện quá trình mua hàng.

Trên Messenger, khi người mua hàng gửi đi tin nhắn này, một nhân viên bán hàng của cửa hàng pizza sẽ tham gia vào cuộc hội thoại để giúp hoàn thiện đơn hàng. Nói cách khác, với Messenger thì ở phía cửa hàng chẳng có gì được tự động hóa. Quay lại với chatbot Skype, ở “mô hình trả lời” này sẽ có một bộ máy phân tích để tự động nhận diện các thông tin đã có trong tin nhắn được gửi đi từ khách hàng và yêu cầu họ cung cấp những thông tin liên quan còn thiếu. Để làm được điều này, Microsoft đã dựng lên một cuốn “từ điển” để chatbot Skype có thể tự động nhận biết các cụm từ có nghĩa trong câu nói.

Chatbot Skype Từ điển Pizza bot Phân loại Kích cỡ Loại đế pepperoni lớn dày Thời gian giao hàng ? hải sản trung bình mỏng Địa điểm giao hàng ? dăm bông bé Hình 2.3: Từ điển sử dụng trong chatbot Skype Từ điển này sẽ được phân loại thành các nhóm dữ liệu. Trong ví dụ ở trên, mô hình trả lời PizzaBot sẽ có 3 nhóm dữ liệu chính: 7 - Phân loại pizza: sẽ có các từ cho biết được “phân loại” của chiếc bánh mà khách hàng muốn đặt, có thể là “pepperoni”, “hải sản”, “dăm bông”… - Kích cỡ pizza: gồm các từ cho biết được “kích cỡ” của chiếc bánh mà khách hàng muốn đặt, có thể là “lớn”, “trung bình”, “bé”…. - Loại đế pizza: gồm các từ cho biết được “loại đế” của chiếc bánh mà khách hàng muốn đặt, có thể là “dày”, “mỏng”… Trong quá trình “phân tích” để trả lời câu hỏi, mô hình sẽ tìm kiếm và khớp các thông tin được cung cấp vào các nhóm dữ liệu có sẵn. Nếu thông tin chưa đủ, mô hình tự động đưa ra các câu hỏi mẫu cho những thông tin còn thiếu để lấy thêm thông tin.

Nếu đã đủ thông tin, mô hình đặt ra những câu hỏi chốt như thời gian, địa điểm giao hàng và kết thúc phiên tư vấn. Như câu nói ở trên, chatbot sẽ ghi nhận được 2 thông tin: loại bánh (pepperoni) và kích cỡ (lớn) rồi hỏi thông tin cuối cùng: “bạn muốn đế dày hay mỏng?” .4: Mô hình bán hàng sử dụng chatbot Skype Trường hợp người mua hàng đưa ra một từ mới, người bán hàng có thể nhanh chóng sắp xếp từ đó vào nhóm dữ liệu tương ứng. Khi từ điển này ngày càng tăng số từ, thì mô hình trả lời tự động ngày một thông minh hơn, và cuối cùng có thể hiểu được toàn bộ các câu lệnh đặt hàng theo chuẩn. Có thể hiểu được, trong mô hình phát triển bởi Microsoft, chatbot là thành phần thay thế người bán hàng trong pha giao tiếp.

Dựa trên “nhóm dữ liệu mẫu” – tập hợp các thông tin 8 cần thiết và liên quan đến nhau, chatbot skype sẽ “phân tích” thay người bán hàng và có thể đưa ra thông tin trả lời. Người mua hàng Người bán hàng Nhóm dữ liệu mẫu Câu hỏi Phân tích Câu trả lời Hình 2.5: Mô hình bán hàng sử dụng chatbot Skype Mặc dù ở “mô hình bán hàng” Skype của Microsoft đã rất tiến bộ và “thông minh” hơn so với Messenger của Facebook, nhưng nó còn có hạn chế như cần nhập sẵn một số mẫu dữ liệu cố định để chatbot có thể truy xuất và trả lời thông qua những thông tin đó. Không trả lời được các câu hỏi mới nằm ngoài tập dữ liệu mới, cũng như giới hạn tư vấn bán hàng bị thu hẹp trong các miền nhỏ. Đặc biệt, chatbot này chưa hỗ trợ tiếng Việt.

Những điều trên làm hạn chế khả năng giao tiếp của chatbot chỉ dừng lại ở một số câu chứ không thể có những đoạn hội thoại tùy biến giống như giao tiếp giữa hai con người. Hội nhập với xu hướng chung của thế giới, từ 2010 đến nay thương mại điện tử ở Việt Nam bắt đầu phát triển mạnh mẽ và bùng nổ vào những năm 2012. Sự phổ cập Internet, kèm theo đó là sự phát triển của các website bán hàng làm cho nhu cầu mua bán trên mạng ngày một tăng cao. Nếu ở những năm đầu, website điện tử chỉ dừng lại ở nội dung bán hàng và cung cấp địa chỉ, cũng như số điện thoại để người bán và người mua có thể giao tiếp với nhau thông qua điện thoại, thì những năm gần đây, các ứng dụng chat được gắn vào website (hay có thể nói là những “mô hình trả lời bán hàng”) đã thay thế điều đó.

Với lợi thế không mất phí, có thể sử dụng trên môi trường internet dù ở bất kỳ đâu, các mô hình này dần 9 chiếm được cảm tình của người sử dụng, giúp cho việc tương tác giữa đôi bên thuận lợi hơn. uhChat, một “mô hình trả lời bán hàng”, đã có một thống kê nội bộ tương đối rộng, và chứng minh được mô hình này giúp lưu lượng thông tin giao tiếp giữa khác hàng và admin của website (người bán hàng) tăng lên 6500%, tức là 65 lần. Điều này mang lại kết quả tốt đối với một trang web thương mại điện tử. Việc đăng ký và sử dụng mô hình này đơn giản, người bán hàng có thể đăng ký bằng email đang sử dụng và tạo một mật khẩu mới.

Sau khi đăng ký thành công, người bán hàng sẽ nhận được một đoạn mã HTML, chỉ cần sao chép mã đó dán vào website thương mại điện tử của mình hoặc phần liên hệ cuối trang web.