Chương 1: Tổng quan về dé tài nghiên cứu Chương này, nhóm tác giả trình bày rõ lý do chọn đề tài, mục tiêu nghiên cứu, câu hỏi nghiên cứu, đối tượng và phạm vi nghiên cứu, phương pháp, ý nghĩa và kết câu của đề tài nghiên cứu. Chương 2: Cơ sở lý thuyết Chương 2 trình bày về các yếu tô ảnh hưởng đến giá bán quà tặng Giáng sinh, các công trỉnh nghiên cứu tham khảo, mô hình nghiên cứu có liên quan. Sau đó, nhóm thực hiện đề xuất mô hình nghiên cứu được sử dụng trong bài nghiên cứu. Chương 3: Dữ liệu và phương pháp nghiên cứu Trong chương 3, bài nghiên cứu trình bày các bước thiết kế nghiên cứu, quy trình nghiên cứu, mô tả quy trình thu thập, nguồn gốc bộ dữ liệu, xử lý dữ liệu, trình bày lý thuyết và công thức các phương pháp dự đoán, thông số đánh giá và quy trình đưa ra dự đoán chung.
Chương 4: Kết quả nghiên cứu Ở chương này, nhóm tập trung trình bày quy trình huấn luyện và kiểm tra các mô hình dự đoán, ghi nhận kết quả, diễn giải ý nghĩa các thông số của các thuật toán được dùng để sử dụng trong bài để nghiên cứu dự đoán. Chương 5: Kết luận và hàm ý quản trị 11 Trong chương cuối, nhóm tác giả đưa ra kết luận tổng thê của cả bài nghiên cứu, trình bày các hàm ý quản trị của bài nghiên cứu, đưa ra hạn chế của bài nghiên cứu và đề xuất hướng nghiên cứu trong tương lai cho các đề tài cùng lĩnh vực. 12 CHUONG 2: CO SO LY THUYET 2. Các yếu tố ảnh hưởng đến giá bán sản phẩm theo mùa Mô hình nghiên cứu sẽ sử dụng 10 biến trong số 16 biến thu thập được, trong đó có 1 biến phụ thuộc là biến giá cả hàng hóa (Price) và 9 biến độc lập: loại quả tặng (gift_type), danh mục hang cua qua tang (gift_category), nganh hang cua qua tang (gift_cluster), ngày nhập kho của quà tặng (instock_ date) và các biến ân danh liên quan đến quà tặng (lsg_1 đến lsg_6).
Cụ thê như sau: e© Loại quà tặng (gift type): biến loại quà tặng sẽ giúp phân loại dữ liệu đầu vào thành các nhóm khác nhau như quân áo và đỗ điện tử. Tính năng này giúp mô hình đề xuất dự đoán giá quà tặng với một khoảng giá nhất định, vì mỗi loại quà tặng đều sẽ có khoảng giá khác nhau (Mohamed và cộng sự, 2022). e© Danh mục hàng của quả tặng (gift category): danh mục quà tặng thê hiện số lượng các loại quà tặng bán ra của doanh nghiệp, tổng số mặt hàng có trong tổng số các loại quả tặng khác nhau của doanh nghiệp, và số lượng những mặt hàng khác nhau có trong từng nhãn hiệu của từng loại sản phẩm quà tặng. Biến này sẽ giúp phân loại các quà tặng theo những chủng loại sản phẩm khác nhau (Mohamed và cộng sự, 2022).
e Ngành hàng của quà tặng (gift cluster): biến này sẽ giúp phân loại các ngành nghề mà quà tặng thuộc về. Dong và cộng sự (2019) đã đề cập rằng các sản phẩm theo mùa bao gồm nhiều ngành công nghiệp khác nhau ví dụ như thực phẩm, quân áo, hàng điện tử. Các sản phẩm thuộc các ngành nghề vào các thời điểm sẽ có xu hướng tăng hoặc giảm khác nhau, như đỗ điện tử và quần áo thời trang thường sẽ giảm giá trị trong một mùa ban hang (Dong va Wu, 2019). e Ngày nhập kho của quà tặng (instock_ date): đây là biến thời gian duy nhất được sử dụng trong bải nhằm hỗ trợ cho việc việc kiểm tra mô hình ARIMA trong việc dự báo giá.
Biến này cho biết ngày mà quả tặng được nhập về đến kho (Mohamed và cộng sự, 2022). e_ Các biến ân danh liên quan đến quà tặng (lsg_1 đến lsg_6): các biến ân danh được sử dụng trong mô hình bởi chúng được cho biết là các yếu tố liên quan đến quả tặng. 13 Mohamed và cộng sự (2022) cho biết vì để đảm bảo quyền riêng tư của nhà bán lẻ trực tuyến cung cấp dữ liệu nên tac gia đã tiên hàng ân danh chúng. Phương pháp dự báo giá bán sản phẩm theo mùa bằng học máy 2.1, Cac nghién citu trudc 2.
Nghiên cứu của nhom tac gia Mohamed va cộng sự (2022) Nghiên cứu “Price Prediction of Seasonal Items Using Machine Learning and Statistical Methods” (Mohamed và cộng sự, 2022) về dự đoán giá sản phẩm theo mua dựa trên phương pháp học máy và phương pháp thống kê. Bài nghiên cứu của nhóm tác giả tham khảo và sử dụng cơ sở lý thuyết chính từ nghiên cứu này. Đây là một trong số ít các bài báo khoa học nghiên cứu dự đoán sản phẩm theo mùa. Trong nghiên cứu, Mohamed và cộng sự (2022) đã thực hiện hiện dự đoán giá sản phâm theo mùa dựa trên bộ dữ liệu quà tặng Giáng sinh bằng cách sử dụng phương pháp học máy và phương pháp thống kê.
Nghiên cứu này với mục đích đề xuất các mô hình dự đoán hàng hoá theo mùa, so sánh hiệu suất của mô hình thuộc phương pháp học máy và phương pháp thống kê bằng cách đánh giá dựa trên một số thước đo. Quy trình nghiên cứu bao gồm 5 giai đoạn: (1) thu thập và xử lý dữ liệu, (2) thiết kế mô hình, (3) đào tạo mô hình, (4) thử nghiệm mô hình, (5) triển khai mô hình, được mô tả theo hình sau: Machine learning mam | model conception Training Item price prediction + Evaluation fy 6G Nw Machine learning == ì Z ‘a model application Hình 2. 1: Quy trình nghiên cứu Mohamed và cộng sự (2022) Trong giai đoạn đầu tiên, nghiên cứu thực hiện thu thập và xử lý dữ liệu. Bài nghiên cứu được thực hiện dựa trên bộ dữ liệu về quà tặng Giáng sinh được ghi nhận từ một nhà bán lẻ trực tuyên, nhà bán lẻ này đã ghi nhận dữ liệu trong suốt thời gian triển khai một chương trinh khuyến mãi đặc biệt cho sự kiện Giảng sinh.
Bộ dữ liệu bao gồm 14 2 phần được: phần huấn luyện (20.179 bản ghi) và phần kiêm tra (13. Mohamed và cộng sự (2022) đã thực hiện chia tach 80% và 20% tương ứng cho bộ dữ liệu huấn luyện và kiểm tra. Với mô hình ARIMA, nghiên cứu chọn các tham số p, q, d lần lượt là 0, 0, 2. Trong giai đoạn tiếp theo, nghiên cứu đề xuất dự đoán dựa trên 4 mô hình thuộc phương pháp hoc may (Linear Regression, Ridge Regression, Support Vector Regression, Random Forest Regression) va 1 mô hình thuộc phương pháp thống kê (ARIMA Model).
Sau đó, nghiên cứu thực hiện đánh giá mức độ uy tín và hiệu suất của các mô hình trén 4 thang do: Mean Absolute Error (MAE), Root Mean Square Error (RMSE), R-Squared (R2), Mean Absolute Percentage Error (MAPE). Giai doan 3, nghiên cứu thực hiện đào tạo mô hình, các mô hình được đảo tạo trên một phần dữ liệu được chia sẵn (80%). Phần dữ liệu còn lại sẽ được sử dụng trong giai đoạn 4, thử nghiệm mô hình. Cuối cùng, các mô hình được đảo tạo và thử nghiệm được triên khai để nguoi dùng sử dụng trong các tình huống thực tế.
Mohamed và cộng sự (2022) đã thực hiện đánh giá, đo lường hiệu suất của từng mô hình và đưa ra kết luận mô hình học máy Random Forest có hiệu suất dự đoán tốt nhất và mô hình thống kê ARIMA có hiệu suất tốt thứ 2, tuy nhiên, khoảng cách hiệu suất giữa chúng không lớn. Do đó, nghiên cứu đề xuất người dùng nên sử dụng mô hình học máy Random Forest và mô hình thống kê ARIMA để dự đoán giá hàng hoá theo mùa. Nghiên cứu của nhóm tác gia Abdul-Rahman va céng sự (2021) Nghiên cứu “Advanced Machine Learning Algorithms for House Price Prediction: Case Study in Kuala Lumpur” (Abdul-Rahman và cộng sự, 2021) về dự đoán giá nhà ở Kuala Lumpur dựa trên phương pháp học máy. Nghiên cứu được thực hiện với mục đích đề xuất các mô hình học máy thường dùng để dự đoán giá nhà và cung cấp chính xác một mô hình học máy dự đoán chính xác giá nhà ở Kuala Lumpur.
Quy trình nghiên cứu bao gồm: thu thập và xử lý dữ liệu, thiết kế mô hình, huấn luyện mô hình, thử nghiệm và triên khai mô hình. Các mô hình học máy được đánh giá thông qua các thang đo. Nghiên cứu thực hiện dự đoán dựa trên bộ dữ liệu thứ cấp “Property Listing in Kuala Lumpur” được thu thập từ Kaggle và Google Map. Sau đó, tác giá thực hiện các thao tác xử lý và chuyên đổi dữ liệu để thu thập được 15 chứa 21984 quan sát với 11 biến độc lập và 1 biến phụ thuộc.
Bộ dữ liệu này được phân tách dữ liệu thành 2 phân: 70 % sử dụng cho huân luyện mô hình và 30% dùng làm mẫu thử cho kiểm tra. Nghiên cứu xây dựng mô hình dự đoán dựa trên 2 phương pháp học may nang cao: Extreme Gradient Boosting (XGBoost), Light Gradient Boosting Machine (LightGBM) và 2 phương pháp học máy truyền thống: Multiple Regression Analysis, Ridge Regression. Trong giai đoạn nghiên cứu tiếp theo, tác giả thực hiện đào tạo mô hình trên phần dữ liệu huấn luyện. Sau khi hoàn tất huấn luyện, mô hỉnh được ghi nhận và đánh giá các mô hình dựa trên thang đo hiệu suất (MAE, MSE, RMSE, R squared).
Cuối cùng, các mô hình được thử nghiệm và triển khai sử dụng công khai. Nghiên cứu Abdul-Rahman và cộng sự (2021) đã thực hiện triển khai và so sánh các mô hình học máy truyền thống và nâng cao. Kết quả cho thấy mô hình XGBoost dự đoán chính xác giá nhà ở Kuala Lumpur. Trong tương lai, nghiên cứu này còn có thể phát triển hơn thông qua việc mở rộng phạm vi nghiên cứu, thu thập nhiều biến độc lập có tác động (quy mô ngôi nhà và khoảng cách đến các địa điểm công cộng).
Từ đó, có thé thay, nghiên cứu này có thể hỗ trợ đáng kê trong việc dự đoán giá nhà trong tương lai và xây dựng chính sách bất động sản. Đề xuất mô hình nghiên cứu Từ những nghiên cứu đã thảo luận, thấy rằng có rất nhiều công việc đã được thực hiện để dự báo giá cả nói chung. Tuy nhiên, có rất ít nỗ lực đê khám phá vấn đề dự báo giá của các mặt hàng theo mùa. Do đó, dựa vào những hạn chế trên, chúng tôi với mong muốn xây dựng nên mô hình dự đoán để giải quyết vân đề này.
Mô hình đề xuất cho nghiên cứu dự đoán giá các sản phẩm quà tặng theo mùa được chia thành 5 giai đoạn, cụ thể: (1) — Thu thập và xử lý dữ liệu (2) Thiết kế mô hình nghiên cứu (3) Huấn luyện mô hình bằng các thuật toán (4) — Kiểm tra, đánh giá hiệu suất 16 (5) Trién khai áp dụng mô hình cho việc dự đoán gia = M6 hinh hoc may phu hop | Áp dụng mô hình học máy (El Hình 2.