Khảo sát xu hướng hành vi sử dụng web của khách hàng tại công ty CP làm việc thông minh

Khảo sát xu hướng hành vi sử dụng web của khách hàng tại công ty CP làm việc thông minh trong luận văn thạc sĩ hệ thống thông tin quản lý.

• Tác giả: Trương Nguyễn Trúc Mai
• Người hướng dẫn: TS. Phạm Trần Vũ
• Trường học: Đại học Bách Khoa - ĐHQG TP. HCM
• Chuyên ngành: Hệ thống thông tin quản lý
• Đề tài: Khảo sát đánh giá xu hướng hành vi sử dụng web của khách hàng - Ứng dụng tại công ty cổ phần Làm Việc Thông Minh
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2014
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• MỞ ĐẦU
• Sơ nét về ưu thế Internet trong kinh doanh và doanh nghiệp
• Giới thiệu sơ lược về Website của công ty Làm Việc Thông Minh
• Lý do chọn đề tài
• Ý nghĩa khoa học
• Tính cấp thiết và tính khả thi của đề tài
• Mục tiêu đề tài
• Đối tượng và phạm vi nghiên cứu
• Phương pháp nghiên cứu
• 1. CHƯƠNG 1: CƠ SỞ LÝ THUYẾT CỦA NGHIÊN CỨU
• 1.1. Giới thiệu chương
• 1.2. Cơ sở lý thuyết liên quan đến khai phá dữ liệu tuần tự Web Log
• 1.3. Cơ sở lý thuyết chứng minh thuật toán RuleGrowth sử dụng trong đề tài tốt hơn những thuật toán khác
• 1.4. Kết luận chương
• 2. CHƯƠNG 2: PHƯƠNG PHÁP THỰC HIỆN PHÂN TÍCH HÀNH VI KHÁCH HÀNG THÔNG QUA DỮ LIỆU WEB LOG
• 2.1. Giới thiệu chương
• 2.2. Phương pháp thu thập dữ liệu Web Log
• 2.3. Phương pháp lựa chọn thuật toán khai phá dữ liệu Web Log
• 2.4. Phương pháp chuyển đổi cơ sở dữ liệu Web Log thu thập thành cơ sở dữ liệu tuần tự (Sequence Database)
• 2.4.1. Mô tả cấu hình máy chạy thực nghiệm
• 2.4.2. Mô tả các bước xây dựng cơ sở dữ liệu trình tự
• 2.4.3. Cơ sở dữ liệu trình tự
• 2.5. Áp dụng thuật toán RuleGrowth và phân tích kết quả
• 2.5.1. Nội dung thuật toán RuleGrowth
• 2.5.2. Áp dụng RuleGrowth khai phá tập dữ liệu Web Log
• 2.5.3. Phân tích kết quả thực nghiệm
• 2.6. Kết luận chương
• 3. CHƯƠNG 3: ỨNG DỤNG KẾT QUẢ ĐIỀU CHỈNH WEBSITE VÀ ĐÁNH GIÁ KẾT QUẢ
• 3.1. Điều chỉnh Website
• 3.2. Đánh giá hiệu quả điều chỉnh Website
• 3.2.1. Đánh giá kết quả bằng kiểm nghiệm thuật toán
• 3.2.2. Đánh giá kết quả bằng khảo sát
• 4. CHƯƠNG 4: KẾT LUẬN VÀ KIẾN NGHỊ
• 4.1. Kết quả đạt được trong trường hợp các kiểu thiết kế Web khác
• 4.2. So sánh chức năng chương trình của đề tài với các chức năng gợi ý mua hàng trên các trang mua sắm trực tuyến khác
• 4.3. Hạn chế và hướng phát triển tương lai
• DANH MỤC CÁC TÀI LIỆU THAM KHẢO
• PHỤ LỤC A: BẢNG CÂU HỎI KHẢO SÁT

Tóm tắt

I. Giới thiệu về hành vi người dùng

Nghiên cứu hành vi người dùng trên web là một lĩnh vực quan trọng trong việc hiểu rõ cách mà khách hàng tương tác với các dịch vụ trực tuyến. Hành vi này không chỉ phản ánh thói quen sử dụng web mà còn cho thấy cách mà khách hàng tìm kiếm thông tin và đưa ra quyết định. Việc phân tích hành vi này giúp các công ty như Công ty Cổ phần Làm Việc Thông Minh tối ưu hóa trải nghiệm người dùng. Theo một nghiên cứu gần đây, việc hiểu rõ thói quen sử dụng internet của khách hàng có thể dẫn đến việc cải thiện đáng kể trong việc thiết kế website và các dịch vụ đi kèm. Điều này không chỉ giúp tăng cường sự hài lòng của khách hàng mà còn nâng cao hiệu quả kinh doanh. Một trong những điểm nổi bật là việc sử dụng công cụ phân tích web để theo dõi và đánh giá hành vi của khách hàng, từ đó đưa ra các chiến lược marketing hiệu quả hơn.

1.1. Tầm quan trọng của việc phân tích hành vi

Phân tích hành vi người dùng giúp các doanh nghiệp hiểu rõ hơn về nhu cầu và mong muốn của khách hàng. Việc này không chỉ giúp cải thiện trải nghiệm người dùng mà còn tạo ra các cơ hội mới trong việc phát triển sản phẩm và dịch vụ. Theo một báo cáo, các công ty có khả năng phân tích hành vi khách hàng tốt hơn có thể tăng trưởng doanh thu lên đến 20%. Điều này cho thấy rằng việc nắm bắt và phân tích hành vi khách hàng trực tuyến là một yếu tố quyết định trong việc thành công của doanh nghiệp trong môi trường cạnh tranh hiện nay.

II. Phân tích dữ liệu Web Log

Dữ liệu Web Log là một nguồn thông tin quý giá cho việc phân tích hành vi người dùng. Dữ liệu này ghi lại tất cả các hoạt động của người dùng trên website, từ thời gian truy cập đến các liên kết mà họ đã nhấp vào. Việc khai thác dữ liệu này thông qua các thuật toán như RuleGrowth giúp xác định các mẫu hành vi phổ biến của khách hàng. Nghiên cứu cho thấy rằng việc sử dụng công cụ phân tích web có thể giúp doanh nghiệp phát hiện ra những vấn đề trong trải nghiệm người dùng và từ đó đưa ra các giải pháp cải thiện. Hơn nữa, việc phân tích dữ liệu này còn giúp doanh nghiệp hiểu rõ hơn về mối quan hệ giữa các dịch vụ mà họ cung cấp, từ đó tối ưu hóa các liên kết và nội dung trên website.

2.1. Quy trình khai thác dữ liệu

Quy trình khai thác dữ liệu từ Web Log bao gồm nhiều bước quan trọng. Đầu tiên, dữ liệu cần được thu thập và chuyển đổi thành định dạng có thể phân tích. Sau đó, các thuật toán như RuleGrowth sẽ được áp dụng để tìm ra các mẫu hành vi. Kết quả từ quá trình này sẽ giúp doanh nghiệp hiểu rõ hơn về cách mà khách hàng tương tác với website. Việc này không chỉ giúp cải thiện trải nghiệm người dùng mà còn tạo ra các cơ hội mới trong việc phát triển sản phẩm và dịch vụ. Một nghiên cứu cho thấy rằng việc tối ưu hóa website dựa trên phân tích dữ liệu Web Log có thể tăng tỷ lệ chuyển đổi lên đến 15%.

III. Ứng dụng kết quả phân tích

Kết quả từ việc phân tích hành vi người dùng có thể được ứng dụng để cải thiện website và các dịch vụ của công ty. Việc tối ưu hóa trải nghiệm người dùng thông qua việc điều chỉnh nội dung và cấu trúc website là rất quan trọng. Các doanh nghiệp có thể sử dụng thông tin từ phân tích để đề xuất các dịch vụ liên quan, giúp khách hàng dễ dàng tìm thấy thông tin mà họ cần. Hơn nữa, việc này cũng giúp tăng cường sự hài lòng của khách hàng và tạo ra mối quan hệ lâu dài với họ. Theo một nghiên cứu, các công ty áp dụng các chiến lược tối ưu hóa dựa trên phân tích hành vi có thể thấy sự gia tăng đáng kể trong mức độ hài lòng của khách hàng.

3.1. Tối ưu hóa website

Tối ưu hóa website dựa trên phân tích hành vi người dùng là một bước quan trọng trong việc nâng cao hiệu quả kinh doanh. Các doanh nghiệp cần phải thường xuyên cập nhật và điều chỉnh nội dung trên website để phù hợp với nhu cầu của khách hàng. Việc này không chỉ giúp cải thiện trải nghiệm người dùng mà còn tạo ra các cơ hội mới trong việc phát triển sản phẩm và dịch vụ. Một nghiên cứu cho thấy rằng việc tối ưu hóa website có thể dẫn đến sự gia tăng đáng kể trong tỷ lệ chuyển đổi và doanh thu của công ty.

Nội dung chính

Tổng quan nghiên cứu

Sự bùng nổ của thương mại điện tử và dịch vụ số đã biến website doanh nghiệp từ một trang giới thiệu tĩnh thành kênh kinh doanh tương tác chiến lược hoạt động liên tục 24/7. Tại Việt Nam, các doanh nghiệp cung cấp giải pháp đa dịch vụ cho doanh nghiệp (B2B) đối mặt với thách thức lớn khi số lượng sản phẩm ngày càng mở rộng, khiến khách hàng gặp khó khăn trong việc định vị thông tin và tìm kiếm dịch vụ bổ trợ. Nghiên cứu của học viên Trương Nguyễn Trúc Mai thực hiện tại Công ty Cổ phần Làm Việc Thông Minh – đơn vị đã tiếp cận và phục vụ hơn 2.000 khách hàng doanh nghiệp trong năm 2013 – nhằm giải quyết triệt để rào cản điều hướng này.

Vấn đề cốt lõi của đề tài là khai phá tri thức tiềm ẩn từ nhật ký máy chủ (Web Log) để phát hiện quy luật điều hướng tự nhiên của người dùng, từ đó tối ưu hóa cấu trúc website. Mục tiêu cụ thể là trích xuất dữ liệu hành vi, so sánh và lựa chọn giải thuật khai phá mẫu tuần tự tối ưu, thiết lập các tập luật thể hiện mối quan hệ giữa các nhóm dịch vụ và triển khai điều chỉnh giao diện thực tế. Nghiên cứu được triển khai trong phạm vi dữ liệu từ ngày 04/04/2014 đến ngày 12/11/2014 với tổng cộng 493.007 bản ghi truy cập máy chủ. Kết quả nghiên cứu mang ý nghĩa thực tiễn sâu sắc khi chứng minh việc tái cấu trúc website dựa trên luật tuần tự giúp tăng độ tin cậy điều hướng từ 50% lên 80%, đồng thời nhận được sự đồng thuận của hơn 85% nhân sự chuyên môn tại doanh nghiệp.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên nền tảng lý thuyết khai phá dữ liệu Web (Web Mining), trọng tâm là phân nhóm khai phá cách sử dụng Web (Web Usage Mining) và khai phá các luật tuần tự (Sequential Rules Mining). Khác với luật kết hợp truyền thống (Association Rules) vốn chỉ quan tâm đến sự đồng xuất hiện của các phần tử trong cùng một giao dịch, luật tuần tự dạng X suy ra Y biểu diễn mối quan hệ phụ thuộc về mặt thời gian giữa chuỗi sự kiện X và sự kiện tiếp theo Y mà không đòi hỏi sự ràng buộc cứng nhắc về vị trí tuyệt đối của từng thành phần.

Ba khái niệm đo lường then chốt được áp dụng bao gồm: Cơ sở dữ liệu tuần tự (Sequence Database), Độ hỗ trợ tối thiểu (minsup) và Độ tin cậy tối thiểu (minconf). Để tìm ra giải pháp tối ưu cho dữ liệu clickstream, nghiên cứu đã tiến hành phân tích và so sánh thực nghiệm ba thuật toán hiện đại: CMDeo, CMRules và RuleGrowth (Fournier-Viger et al., 2011). Kết quả kiểm thử trên cùng tập dữ liệu cho thấy thuật toán RuleGrowth chỉ tiêu tốn 5 mili-giây và 11,8 megabyte bộ nhớ RAM để tìm ra 7 luật giá trị, vượt trội hoàn toàn so với CMRules vốn mất 655 mili-giây và 20,0 megabyte bộ nhớ. Ưu thế này xuất phát từ cơ chế tăng trưởng mẫu (pattern-growth), giúp RuleGrowth duyệt đệ quy trực tiếp các chuỗi dữ liệu thật và triệt tiêu hoàn toàn bước sinh tập ứng viên rác vốn tiêu tốn tài nguyên ở các giải thuật thế hệ trước.

Phương pháp nghiên cứu

Nguồn dữ liệu đầu vào của đề tài được trích xuất trực tiếp từ máy chủ IIS 7.5 lưu trữ website công ty theo định dạng chuẩn W3C, bao gồm 4 trường thuộc tính cốt lõi: ngày truy cập, thời gian truy cập, địa chỉ IP khách hàng và tài nguyên URL yêu cầu. Quá trình thu thập và tiền xử lý diễn ra theo quy trình nghiêm ngặt:

• Cỡ mẫu và tiêu chí lọc: Từ 493.007 bản ghi của 193 tệp nhật ký trong giai đoạn 1 (từ ngày 04/04/2014 đến ngày 13/10/2014), nghiên cứu sử dụng công cụ Log Parser Studio để truy vấn nhóm 200 địa chỉ IP có tần suất tương tác cao nhất. Mẫu phân tích được sàng lọc có chủ đích bằng cách loại bỏ các IP nội bộ công ty, các trang không thuộc dịch vụ (như trang chủ, giới thiệu chung) và chỉ giữ lại những phiên truy cập có từ 2 đến 10 liên kết dịch vụ khác nhau nhằm phản ánh chính xác hành vi tìm hiểu dịch vụ thực tế của khách hàng tiềm năng.
• Xây dựng công cụ chuyển đổi: Tác giả phát triển chương trình chuyên dụng bằng ngôn ngữ C# trên môi trường Visual Studio 2012 để xử lý chuỗi clickstream, chuyển đổi các bản ghi thô thành cơ sở dữ liệu trình tự chuẩn hóa trong thời gian 1 giờ 20 phút.
• Môi trường phân tích và thực nghiệm: Các tập luật tuần tự được khai phá bằng thuật toán RuleGrowth chạy trên nền tảng Java SPMF framework, giúp xác định các tham số ngưỡng minsup và minconf phù hợp nhất trước khi áp dụng vào tái thiết kế giao diện thực tế.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm với các ngưỡng tham số khác nhau đã mang lại những phát hiện có giá trị thực tiễn cao về hành vi của khách hàng doanh nghiệp trực tuyến:

• Phát hiện 1: Trong thực nghiệm với ngưỡng minsup là 0,2 và minconf là 0,5, thuật toán trích xuất thành công 4 tập luật tuần tự cốt lõi. Trong đó, có 30% tổng số chuỗi người dùng ghé thăm trang Dịch vụ Đăng ký kinh doanh sẽ tiếp tục truy cập trang Dịch vụ Thiết kế website cho thuê với độ tin cậy đạt 50%.
• Phát hiện 2: Xu hướng kết hợp dịch vụ gia tăng rõ rệt khi người dùng quan tâm đến gói khởi nghiệp toàn diện. Khách hàng đã xem cả hai trang Đăng ký kinh doanh và Đăng ký nhãn hiệu sẽ có xác suất lên tới 75% chuyển hướng sang xem tiếp trang Dịch vụ Thiết kế website cho thuê (minsup = 0,2; minconf = 0,75).
• Phát hiện 3: Tương quan trực tiếp giữa dịch vụ pháp lý ban đầu và vận hành tài chính được xác lập với tập luật từ Đăng ký kinh doanh sang Tư vấn dịch vụ kế toán – thuế đạt độ hỗ trợ 30% và độ tin cậy 50%.
• Phát hiện 4: Sau khi website được điều chỉnh bằng cách bổ sung các khối liên kết gợi ý thông minh, việc kiểm nghiệm dữ liệu Web Log mới từ ngày 15/10/2014 đến ngày 12/11/2014 cho thấy độ hỗ trợ của luật Đăng ký kinh doanh sang Thiết kế website tăng từ 0,3 lên 0,4 (tương đương mức tăng trưởng 33,3%) và độ tin cậy tăng vọt từ 50% lên 80% ngay cả khi nâng ngưỡng minsup lên mức 0,75.

Thảo luận kết quả

Các kết quả thống kê phản ánh chính xác tâm lý thực tế của người khởi nghiệp: sau khi hoàn tất thủ tục thành lập doanh nghiệp và bảo hộ thương hiệu, nhu cầu cấp thiết tiếp theo luôn là xây dựng kênh truyền thông trực tuyến và thiết lập hệ thống sổ sách kế toán. Về phương diện trực quan hóa, chuỗi dữ liệu này có thể được biểu diễn trực quan thông qua sơ đồ luồng Sankey để theo dõi tỷ lệ chuyển dịch giữa các trang, hoặc các ma trận chuyển đổi tuần tự so sánh trực tiếp hiệu suất trước và sau khi thay đổi giao diện.

Khác với các phương pháp gợi ý mua hàng như lọc dựa trên nội dung (Content-based filtering) hay lọc cộng tác (Collaborative filtering) vốn phụ thuộc nhiều vào điểm đánh giá chủ quan của người dùng, giải pháp khai phá luật tuần tự từ Web Log phản ánh khách quan và chính xác 100% lộ trình tương tác thực. Khảo sát đánh giá từ 27 cán bộ nhân viên thuộc 4 phòng ban chuyên môn cho thấy 62,96% nhân sự ghi nhận sự cải thiện rõ rệt ở luồng liên kết Đăng ký kinh doanh – Thiết kế website, và 55,56% đánh giá cao luồng Bảo hộ nhãn hiệu – Thiết kế website. Điều này chứng minh thuật toán không chỉ có giá trị lý thuyết mà còn giải quyết xuất sắc bài toán tối ưu hóa trải nghiệm người dùng trong môi trường kinh doanh thực tế.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu thực nghiệm, đề tài đưa ra 4 nhóm giải pháp cụ thể nhằm giúp doanh nghiệp khai thác tối đa giá trị từ dữ liệu hành vi trực tuyến:

• Tái cấu trúc thanh điều hướng và triển khai các khối gợi ý dịch vụ thông minh: Phòng Web và Marketing Online cần tiến hành gắn cố định các khối danh mục đề xuất dịch vụ bổ trợ trực tiếp tại các trang đích có lưu lượng cao như trang đăng ký kinh doanh và bảo hộ thương hiệu. Mục tiêu là cắt giảm thời gian tìm kiếm của khách hàng xuống dưới 3 lượt nhấp chuột, hoàn thành triển khai trong vòng 30 ngày kể từ khi công bố kết quả phân tích.
• Tự động hóa quy trình phân tích Web Log định kỳ: Bộ phận Công nghệ thông tin cần thiết lập đường ống dữ liệu (data pipeline) tự động trích xuất log định dạng W3C từ máy chủ IIS mỗi tuần một lần, chuyển đổi thành cơ sở dữ liệu chuỗi và chạy thuật toán RuleGrowth với ngưỡng minsup từ 0,4 đến 0,5 để cập nhật liên tục các xu hướng hành vi mới theo mùa vụ kinh doanh.
• Mở rộng cơ chế theo dõi hành vi trên nền tảng kỹ thuật hiện đại: Đội ngũ lập trình viên cần chuẩn hóa cơ chế lưu vết dữ liệu sự kiện đối với các trang web sử dụng công nghệ tải trang không đổi URL như Ajax hoặc cấu trúc Iframe. Việc kích hoạt ghi nhận sự kiện trước khi trả dữ liệu hiển thị về trình duyệt sẽ đảm bảo hệ thống thu thập đủ 100% dữ liệu clickstream mà không bị thất thoát bản ghi.
• Thực hiện thử nghiệm A/B Testing mở rộng trên toàn bộ danh mục dịch vụ: Ban Giám đốc cùng bộ phận Kinh doanh cần triển khai thử nghiệm đối chứng trên quy mô toàn bộ 10 nhóm dịch vụ hiện có của công ty trong khung thời gian 6 tháng tiếp theo, đặt mục tiêu nâng tỷ lệ chuyển đổi liên kết chéo (CTR) lên tối thiểu 25% và tăng thời gian tương tác trung bình trên website.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu mang giá trị tham khảo thực tiễn cao cho nhiều nhóm chuyên môn trong kỷ nguyên chuyển đổi số:

• Lãnh đạo doanh nghiệp và Giám đốc điều hành dịch vụ B2B: Cung cấp góc nhìn chiến lược về việc tận dụng tài sản Big Data sẵn có từ máy chủ web để thấu hiểu khách hàng mục tiêu, tối ưu chi phí quảng bá và thúc đẩy bán chéo dịch vụ mà không cần đầu tư các công cụ khảo sát đắt đỏ.
• Chuyên viên thiết kế trải nghiệm người dùng (UX/UI Designer): Giúp các nhà thiết kế website có cơ sở dữ liệu định lượng vững chắc để bố trí cấu trúc thông tin, xây dựng luồng điều hướng mượt mà và loại bỏ các bước tìm kiếm dư thừa trên trang web.
• Kỹ sư dữ liệu và Chuyên viên phân tích hệ thống thông tin: Nắm vững quy trình tiền xử lý dữ liệu thô, kỹ thuật lọc nhiễu clickstream và cách thức triển khai mã nguồn giải thuật RuleGrowth trong các dự án khai phá dữ liệu tuần tự thực tế.
• Học viên cao học, Giảng viên và Nhà nghiên cứu ngành Hệ thống thông tin: Là tài liệu tham khảo học thuật chuẩn mực về phương pháp luận nghiên cứu kết hợp giữa mô hình toán học giải thuật, kỹ thuật lập trình ứng dụng và phương pháp đánh giá thực nghiệm đa chiều.

Câu hỏi thường gặp

• Dữ liệu Web Log có ưu thế gì vượt trội so với các phương pháp khảo sát người dùng truyền thống? Dữ liệu Web Log ghi nhận tự động và liên tục 100% hành vi thực tế của khách hàng tại thời điểm truy cập mà không làm gián đoạn trải nghiệm của họ. Với 493.007 bản ghi thu thập được trong nghiên cứu, nguồn dữ liệu này loại bỏ hoàn toàn các sai số do định kiến chủ quan hay sự miễn cưỡng thường gặp trong các bảng câu hỏi điều tra trực tiếp.

• Tại sao thuật toán RuleGrowth lại được ưu tiên lựa chọn thay vì Apriori hay CMRules? RuleGrowth vượt trội nhờ áp dụng kỹ thuật tăng trưởng mẫu trực tiếp trên chuỗi dữ liệu mà không cần tạo tập ứng viên trung gian. Trong thực nghiệm so sánh, RuleGrowth hoàn thành khai phá tập dữ liệu chỉ trong 5 mili-giây với 11,8 megabyte bộ nhớ, nhanh hơn gấp 130 lần so với thời gian 655 mili-giây và tiêu tốn 20 megabyte bộ nhớ của thuật toán CMRules.

• Vì sao nghiên cứu chọn ngưỡng độ hỗ trợ 0,2 và độ tin cậy 0,5 để ứng dụng thực tế? Việc thiết lập ngưỡng dựa trên phương pháp thử sai có kiểm soát. Ở ngưỡng cao hơn (minsup từ 0,3 trở lên), hệ thống không tìm được tập luật nào; trong khi ở ngưỡng quá thấp (minsup bằng 0,1), hệ thống sinh ra tới 87 luật với tần suất xuất hiện yếu. Ngưỡng 0,2 và 0,5 tạo ra 4 tập luật có ý nghĩa thống kê rõ ràng và tính khả thi cao nhất cho việc tái cấu trúc website.

• Việc bổ sung các khối gợi ý dịch vụ có gây ảnh hưởng tiêu cực đến cấu trúc SEO của trang web không? Hoàn toàn không, việc liên kết các dịch vụ có mối tương quan hành vi chặt chẽ giúp tối ưu hóa cấu trúc liên kết nội bộ (internal link architecture). Điều này hỗ trợ bọ tìm kiếm lập chỉ mục tốt hơn, phân bổ dòng chảy PageRank đồng đều và gia tăng thời gian trên trang (Time on site) của người dùng – một tín hiệu xếp hạng SEO rất tích cực.

• Giải pháp khai phá mẫu tuần tự này có thể ứng dụng cho các trang thương mại điện tử quy mô lớn không? Mô hình hoàn toàn có thể mở rộng cho các hệ thống thương mại điện tử lớn. Bằng cách định nghĩa các chuỗi hành vi từ xem chi tiết sản phẩm, thêm vào giỏ hàng đến thanh toán, thuật toán RuleGrowth sẽ giúp tự động hóa việc đưa ra các khuyến nghị sản phẩm kèm theo (cross-selling) với tốc độ xử lý tính bằng mili-giây.

Kết luận

• Đề tài đã làm chủ quy trình trích xuất và tiền xử lý 493.007 bản ghi Web Log thành công cơ sở dữ liệu tuần tự chuẩn mực phục vụ khai phá tri thức.
• Chứng minh tính ưu việt tuyệt đối của thuật toán RuleGrowth với thời gian thực thi 5 mili-giây và mức độ tối ưu hóa bộ nhớ RAM vượt trội so với các thuật toán cùng thời.
• Khám phá 4 tập luật tuần tự giá trị phản ánh chính xác hành vi tìm kiếm dịch vụ liên hoàn từ Đăng ký kinh doanh đến Thiết kế website và Kế toán – thuế.
• Ứng dụng thành công vào việc tái cấu trúc giao diện website công ty, giúp nâng độ tin cậy tương tác của người dùng từ 50% lên 80% sau 1 tháng thử nghiệm.
• Hơn 85% nhân viên chuyên môn xác nhận hiệu quả tích cực của việc điều chỉnh website trong việc rút ngắn lộ trình tìm kiếm thông tin của khách hàng.

Trong giai đoạn tiếp theo của năm 2015, doanh nghiệp cần đẩy mạnh tự động hóa pipeline phân tích dữ liệu tuần tự và mở rộng thử nghiệm A/B Testing trên toàn bộ hệ thống dịch vụ. Hãy bắt đầu chuẩn hóa hệ thống nhật ký máy chủ và áp dụng khai phá dữ liệu tuần tự ngay hôm nay để biến kho dữ liệu truy cập thành lợi thế cạnh tranh vượt trội cho doanh nghiệp của bạn.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: CƠ SỞ LÝ THUYẾT CỦA NGHIÊN CỨU 1. Giới thiệu chương Web Log là một cơ sở dữ liệu lớn và có giá trị cao vì có chức năng ghi nhận lịch sử hành vi truy cập Web của nhiều người dùng, hiển thị bằng các địa chỉ IP cụ thể truy cập các liên kết trên Web tại một mốc thời gian xác định. Web Log được cài đặt tại Server và tự động ghi dấu tất cả sự kiện xảy ra khi bất kỳ ai đó có hành vi truy cập vào trang Web được theo dõi. Công việc này diễn ra liên tục, thường xuyên, một công ty được thành lập và ngày càng phát triển thì nhật ký Web Log có thể xem như là Big Data của họ.

Vì vậy, việc khám phá được các tri thức có ý nghĩa từ cơ sở dữ liệu khổng lồ này để có thêm cơ sở xác định chính xác nhu cầu của khách hàng thông qua xu hướng hành vi phổ biến của họ thể hiện từ lịch sử truy cập các liên kết Web để tìm kiếm, xem thông tin là một lĩnh vực khá mới mẻ và đang thu hút được nhiều sự quan tâm từ các tổ chức có Website kinh doanh. Cơ sở lý thuyết liên quan đến khai phá dữ liệu tuần tự Web Log Dựa vào tập dữ liệu Web Log thu thập được, đề tài tìm hiểu các thuật toán hỗ trợ khai phá các tri thức có ý nghĩa từ chúng. Đầu vào của các thuật toán này đều là một tập dữ liệu chứa các item (các liên kết) đặt cách nhau bởi khoảng trắng (ví dụ: thuật toán Apriori) hoặc kí hiệu khác (ví dụ -1 trong thuật toán RuleGrowth) và được sắp xếp theo thứ tự (thời gian hoặc giảm dần), với điều kiện là các item này không được lặp lại trong cùng một dòng. Khai phá các luật phổ biến (Mining Frequent Itemsets) sử dụng thuật toán Apriori (Agrawal & Srikant, 1993).

Đầu vào của thuật toán này là một transaction database và tham số minsup (có giá trị từ 0 đến 100 %) do người dùng truyền vào. Đầu ra của thuật toán là nhóm các frequent itemsets (phải lớn hơn hoặc bằng minsup). Như vậy, trong tập kết quả trả về, mỗi itemset được chú thích bằng giá trị support, giá trị này thể hiện tổng số lần xuất hiện của itemset này trong bộ dữ liệu ban đầu. Thuật toán Apriori được đánh giá là thuật toán đơn giản và dễ sử dụng, tuy nhiên vấn đề là nó khá chậm và tiêu tốn nhiều bộ nhớ.

Phiên bản Apriori_with_hash_tree cho tốc độ cải thiện hơn trong một vài trường hợp (gấp hai lần so với phiên bản thường) nhưng lại tốn nhiều bộ nhớ hơn. Và một vấn đề khác quan trọng hơn là thuật toán này bị hạn chế khả năng dự báo vì chỉ hỗ trợ tính toán số lần xuất hiện của các tập luật, mỗi luật gồm một hoặc nhiều item có xuất hiện trong cơ sở dữ liệu ban đầu mà không quan tâm đến mối quan hệ giữa các item với nhau. 10 Khai phá các luật tuần tự (sequential rules) từ cơ sở dữ liệu tuần tự (sequence databases). Có khá nhiều những thuật toán hỗ trợ việc khai phá các tập luật tuần tự và chúng được chia thành hai nhánh chính: - Thứ nhất là các thuật toán hỗ trợ việc khai phá các tập luật tuần tự xuất hiện trong một dãy (chuỗi) đơn lẻ của nhiều sự kiện, phương pháp được biết đến nhiều nhất chính là Mannila et al [2].

Các thuật toán khác có thể kể đến nữa là Hamilton & Karimi [5], Hsieh et al [6] và Deogun & Jiang [7].