Nghiên cứu mô hình học sâu dự báo khách hàng rời mạng viễn thông ở Tây Ninh

Nghiên cứu mô hình học sâu dự báo khách hàng rời mạng viễn thông tại Tây Ninh. Ứng dụng AI để cải thiện dịch vụ và giữ chân khách hàng hiệu quả.

• Tác giả: Nguyễn Đức Trung
• Người hướng dẫn: TS. Huỳnh Trọng Thừa
• Trường học: Học viện Công nghệ Bưu chính Viễn thông
• Chuyên ngành: Hệ thống thông tin
• Đề tài: Nghiên cứu mô hình học sâu để dự báo khách hàng rời mạng viễn thông ở Tây Ninh
• Loại tài liệu: Đồ án tốt nghiệp thạc sỹ kỹ thuật
• Năm xuất bản: 2023
• Địa điểm: Tp. Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• DANH SÁCH HÌNH VẼ
• DANH SÁCH BẢNG
• DANH MỤC CÁC THUẬT NGỮ, CHỮ VIẾT TẮT
• 1. CHƯƠNG 1: TỔNG QUAN VÀ DỰ BÁO KHÁCH HÀNG RẢI MẠNG CÁP QUANG
• 1.1. Tổng quan và mạng cáp quang và thuê bao
• 1.2. Cạnh tranh và hiện trạng khách hàng rời mạng
• 1.3. Bài toán dự báo khách hàng rời mạng cáp quang
• 2. CHƯƠNG 2: CÁC MÔ HÌNH HỌC SÂU VÀ CÔNG TRÌNH LIÊN QUAN
• 2.1. Mô hình học sâu trong bài toán dự báo
• 2.2. Các công trình nghiên cứu trong nước
• 2.3. Các công trình nghiên cứu trên thế giới
• 3. CHƯƠNG 3: XÂY DỰNG MÔ HÌNH DỰ BÁO
• 3.1. Bộ dữ liệu của bài toán
• 3.2. Thiết kế mô hình
• 3.3. Giới thiệu và mô hình CNN và Keras Deep Learning
• 3.4. Ý tưởng xây dựng mô hình dự báo khách hàng rời mạng cáp quang
• 3.5. Phương pháp đánh giá
• 4. CHƯƠNG 4: THÍ NGHIỆM VÀ ĐÁNH GIÁ
• 4.1. Mô hình Sequential. Xây dựng mô hình Sequential
• 4.2. Mô hình Gated Residual và Variable Selection Networks
• 4.3. Xây dựng mô hình
• 4.4. Mô hình Wide, Deep and Cross Network
• 4.5. Xây dựng mô hình
• 4.6. Kết quả tổng hợp
• 4.7. Xây dựng ứng dụng dự báo khách hàng rời mạng cáp quang
• 4.8. Thiết kế ứng dụng
• 4.9. Giao diện ứng dụng
• 4.10. Kết quả áp dụng ứng dụng
• KẾT LUẬN VÀ KIẾN NGHỊ
• DANH MỤC TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về Mạng cáp quang và Thuê bao Viễn thông

Mạng cáp quang là dịch vụ viễn thông tốc độ cao sử dụng công nghệ cáp quang để cung cấp kết nối Internet, truyền hình và dịch vụ điện thoại tới người dùng. Mạng cáp quang sử dụng tia sáng trong sợi quang để truyền tải dữ liệu với tốc độ cao và khả năng truyền thông lớn hơn so với các công nghệ truyền thông khác như cáp đồng trục hoặc DSL. Mạng cáp quang cung cấp tốc độ Internet đáng kể, cho phép người dùng truy cập nhanh chóng vào các trang web, xem video trực tuyến chất lượng cao, chơi game trực tuyến mà không gặp trở ngại về tốc độ.

Đồng thời, mạng cáp quang cũng hỗ trợ truyền hình kỹ thuật số và dịch vụ điện thoại qua Internet, mang lại trải nghiệm đa dạng và tiện ích cho người sử dụng. Ưu điểm của mạng cáp quang bao gồm tốc độ cao, độ ổn định cao, băng thông lớn, và hỗ trợ dịch vụ đa dạng. Thuê bao mạng cáp quang tại Việt Nam đã có sự phát triển đáng kể. Các nhà mạng lớn như Viettel, VNPT và FPT Telecom đã đầu tư rất nhiều vào hạ tầng mạng cáp quang và mở rộng mạng lưới để cung cấp dịch vụ Internet chất lượng cao cho khách hàng.

1.1. Ưu điểm vượt trội của công nghệ Fiber Optic Churn

Mạng cáp quang mang lại nhiều ưu điểm so với các công nghệ truyền dẫn khác. Tốc độ truyền dữ liệu nhanh hơn đáng kể, cho phép tải xuống và tải lên nhanh chóng. Độ ổn định cao giúp giảm thiểu tình trạng gián đoạn kết nối. Băng thông rộng hỗ trợ nhiều thiết bị cùng kết nối mà không giảm hiệu suất. Quan trọng hơn, fiber optic churn ít bị ảnh hưởng bởi các yếu tố môi trường, đảm bảo kết nối ổn định và đáng tin cậy. "Mạng cáp quang sử dụng tia sáng trong sợi quang để truyền tải dữ liệu với tốc độ cao".

1.2. Hiện trạng phát triển thuê bao cáp quang tại Việt Nam

Nhu cầu sử dụng internet của người dân Việt Nam ngày càng tăng cao, đặc biệt trong bối cảnh dịch bệnh COVID-19 khi nhiều người phải làm việc và học tập từ xa. Các nhà mạng lớn như Viettel, VNPT và FPT Telecom đã đầu tư rất nhiều vào hạ tầng mạng cáp quang và mở rộng mạng lưới. Điều này dẫn đến sự tăng trưởng nhanh chóng về số lượng thuê bao cáp quang trên cả nước. Theo báo cáo của Bộ Thông tin và Truyền thông [5], tính đến cuối năm 2020, Việt Nam đã có hơn 1 triệu km cáp quang được triển khai đến 100% xã, phường trên cả nước.

II. Cạnh tranh và Ảnh hưởng của Khách hàng Rời Mạng Telecom Churn

Thị trường thuê bao mạng cáp quang ở Việt Nam đang có sự cạnh tranh khá gay gắt giữa các nhà cung cấp dịch vụ. Các công ty viễn thông lớn như Viettel, VNPT, FPT Telecom, Viettel, MobiFone, VNPost, SCTV, Viettel Post đều đang cung cấp dịch vụ thuê bao mạng cáp quang cho khách hàng. Để cạnh tranh trên thị trường, các nhà cung cấp dịch vụ cố gắng cải thiện chất lượng dịch vụ, đưa ra các gói cước hấp dẫn, ưu đãi khuyến mãi, tăng tốc độ truy cập và phát triển các ứng dụng trực tuyến, game online, video streaming, dịch vụ chăm sóc khách hàng, đặc biệt là hỗ trợ kỹ thuật 24/7.

Việc cạnh tranh này đang giúp cho người dùng có nhiều lựa chọn hơn, giúp giảm giá cước, tăng chất lượng dịch vụ và thúc đẩy sự phát triển của ngành viễn thông tại Việt Nam.

2.1. Các yếu tố Cạnh tranh trong dịch vụ Internet Cáp quang

Sự cạnh tranh trong dịch vụ Internet cáp quang thể hiện qua nhiều yếu tố. Tốc độ và băng thông là yếu tố quan trọng. Chất lượng dịch vụ và độ ổn định của kết nối cũng là điểm mấu chốt. Giá cả và các gói dịch vụ đóng vai trò quan trọng trong việc thu hút khách hàng. Dịch vụ và hỗ trợ khách hàng chuyên nghiệp cũng là yếu tố quyết định sự thành công. Các nhà mạng cố gắng cung cấp dịch vụ chuyên nghiệp và nhanh chóng, chăm sóc khách hàng tận tình để giữ chân khách hàng và tăng customer retention.

2.2. Tác động của Telecom Churn đến doanh thu nhà mạng

Khách hàng rời mạng (telecom churn) gây ảnh hưởng lớn đến doanh thu của nhà mạng. Chi phí để thu hút khách hàng mới thường cao hơn nhiều so với việc giữ chân khách hàng hiện tại. Khi khách hàng rời đi, nhà mạng mất đi nguồn doanh thu ổn định. Ngoài ra, việc mất khách hàng còn ảnh hưởng đến uy tín và hình ảnh của nhà mạng. Theo tính toán và báo cáo của VNPT [2] năm 2020, để phát triển được khách hàng, VNPT phải đầu tư gần 3 triệu đồng/ 1 khách hàng bao gồm chi phí phát triển khách hàng, đầu tư hệ thống và thiết bị đầu cuối.

2.3. Giải pháp tối ưu hóa Churn Rate Optimization cho doanh nghiệp

Để giải quyết vấn đề Telecom Churn, các nhà mạng cần tập trung vào việc tối ưu hóa tỷ lệ khách hàng rời mạng (Churn Rate Optimization). Điều này bao gồm việc phân tích dữ liệu khách hàng để xác định các yếu tố gây ra churn, cải thiện chất lượng dịch vụ, đưa ra các chương trình khuyến mãi và ưu đãi hấp dẫn, và tăng cường tương tác với khách hàng. Việc sử dụng các mô hình học máy để dự đoán khả năng churn của khách hàng cũng là một giải pháp hiệu quả.

III. Ứng dụng Deep Learning Models trong dự đoán khách hàng rời mạng

Các deep learning models đang trở thành công cụ mạnh mẽ trong việc dự đoán khách hàng rời mạng. Mô hình học sâu có khả năng phân tích dữ liệu phức tạp và tìm ra các mối quan hệ ẩn mà các phương pháp truyền thống khó phát hiện. Bằng cách huấn luyện mô hình trên dữ liệu lịch sử, chúng ta có thể dự đoán khả năng khách hàng rời mạng với độ chính xác cao hơn. Điều này giúp nhà mạng có thể chủ động đưa ra các biện pháp giữ chân khách hàng hiệu quả.

3.1. Lợi ích của việc sử dụng Machine Learning Churn

Sử dụng machine learning churn để dự đoán khách hàng rời mạng mang lại nhiều lợi ích. Mô hình có thể tự động học từ dữ liệu và cải thiện độ chính xác theo thời gian. Mô hình cũng có thể xác định các yếu tố quan trọng ảnh hưởng đến quyết định rời mạng của khách hàng. Điều này giúp nhà mạng hiểu rõ hơn về khách hàng và đưa ra các quyết định kinh doanh tốt hơn.

3.2. Các loại mô hình Neural Networks phổ biến cho bài toán Churn Prediction

Có nhiều loại mô hình neural networks có thể được sử dụng cho bài toán churn prediction. CNN for churn thích hợp cho dữ liệu có cấu trúc như hình ảnh hoặc văn bản. RNN for churn và LSTM for churn phù hợp với dữ liệu chuỗi thời gian như lịch sử giao dịch của khách hàng. Lựa chọn mô hình phụ thuộc vào đặc điểm của dữ liệu và yêu cầu của bài toán. Ngoài ra, attention mechanism giúp mô hình tập trung vào các phần quan trọng của dữ liệu.

3.3. Xử lý Data Imbalance trong bài toán Churn Prediction

Bài toán dự đoán khách hàng rời mạng thường gặp phải vấn đề mất cân bằng dữ liệu (data imbalance), khi số lượng khách hàng rời mạng ít hơn nhiều so với số lượng khách hàng tiếp tục sử dụng dịch vụ. Điều này có thể làm cho mô hình dự đoán bị bias về phía lớp đa số. Có nhiều phương pháp để xử lý vấn đề này, bao gồm oversampling techniques, undersampling techniques, SMOTE, và cost-sensitive learning. Việc lựa chọn phương pháp phù hợp phụ thuộc vào đặc điểm của dữ liệu.

IV. Quy trình Xây dựng Mô hình Predictive Analytics dự đoán churn

Xây dựng mô hình dự đoán khách hàng rời mạng là một quy trình phức tạp đòi hỏi nhiều bước. Bước đầu tiên là thu thập và tiền xử lý dữ liệu. Bước tiếp theo là lựa chọn và huấn luyện mô hình. Sau đó, mô hình cần được đánh giá và tinh chỉnh để đạt được độ chính xác cao nhất. Cuối cùng, mô hình được triển khai và giám sát để đảm bảo hiệu quả trong thực tế.

4.1. Thu thập và Tiền xử lý dữ liệu cho Churn Prediction

Việc thu thập dữ liệu là bước quan trọng nhất trong quy trình xây dựng mô hình churn prediction. Dữ liệu cần thu thập bao gồm thông tin cá nhân của khách hàng, lịch sử sử dụng dịch vụ, lịch sử thanh toán, thông tin liên hệ, và các thông tin khác có liên quan. Sau khi thu thập, dữ liệu cần được làm sạch và tiền xử lý để loại bỏ các giá trị thiếu, các giá trị ngoại lệ, và các dữ liệu không nhất quán.

4.2. Lựa chọn và Huấn luyện Mô hình Classification Models

Việc lựa chọn mô hình là một bước quan trọng. Có nhiều mô hình có thể được sử dụng cho bài toán churn prediction, bao gồm logistic regression, support vector machines, decision trees, và neural networks. Mô hình cần được huấn luyện trên dữ liệu lịch sử để học cách dự đoán khả năng churn của khách hàng. Sau khi huấn luyện, mô hình cần được đánh giá và tinh chỉnh để đạt được độ chính xác cao nhất.

4.3. Đánh giá Model Evaluation và Tinh chỉnh Mô hình

Sau khi huấn luyện, mô hình cần được đánh giá trên một tập dữ liệu kiểm tra độc lập để đánh giá khả năng dự đoán của mô hình. Các chỉ số đánh giá phổ biến bao gồm accuracy, precision, recall, F1-score, và AUC-ROC. Nếu mô hình chưa đạt được độ chính xác mong muốn, cần phải tinh chỉnh mô hình bằng cách thay đổi các tham số của mô hình, sử dụng các phương pháp regularization, hoặc thử nghiệm với các mô hình khác.

V. Triển khai và ứng dụng thực tiễn Real time Prediction trong Viễn thông

Sau khi mô hình dự đoán churn đã được xây dựng và đánh giá, bước tiếp theo là triển khai mô hình vào thực tế. Mô hình có thể được tích hợp vào hệ thống CRM của nhà mạng để cung cấp dự đoán churn theo thời gian thực (real-time prediction). Điều này giúp nhà mạng có thể chủ động liên hệ với khách hàng có nguy cơ churn cao và đưa ra các ưu đãi để giữ chân họ.

5.1. Tích hợp API Integration vào hệ thống CRM cho dự đoán Churn

Để tích hợp mô hình dự đoán churn vào hệ thống CRM, cần xây dựng một API (API integration) cho phép hệ thống CRM gửi dữ liệu khách hàng đến mô hình và nhận lại kết quả dự đoán. API cần được thiết kế để đảm bảo tính bảo mật, ổn định và khả năng mở rộng.

5.2. A B Testing Churn Models và tối ưu hóa chiến dịch giữ chân khách hàng

Để đánh giá hiệu quả của mô hình dự đoán churn và các chiến dịch giữ chân khách hàng, cần thực hiện A/B testing churn models. Điều này bao gồm việc chia khách hàng thành hai nhóm, một nhóm được áp dụng chiến dịch giữ chân khách hàng dựa trên dự đoán churn, nhóm còn lại không được áp dụng. Sau một thời gian, so sánh tỷ lệ churn của hai nhóm để đánh giá hiệu quả của chiến dịch.

5.3. Nâng cao Customer Experience CX để giảm tỷ lệ churn

Cải thiện customer experience (CX) là một yếu tố quan trọng để giảm tỷ lệ churn. Điều này bao gồm việc cung cấp dịch vụ khách hàng tốt hơn, giải quyết các vấn đề của khách hàng nhanh chóng, và cá nhân hóa trải nghiệm của khách hàng. Các nhà mạng cần lắng nghe ý kiến phản hồi của khách hàng và liên tục cải thiện dịch vụ để đáp ứng nhu cầu của khách hàng.

VI. Kết luận và Hướng phát triển tiếp theo của nghiên cứu Churn Prediction

Nghiên cứu về dự đoán khách hàng rời mạng là một lĩnh vực quan trọng trong ngành viễn thông. Việc sử dụng các mô hình học sâu giúp nâng cao độ chính xác của dự đoán và cho phép nhà mạng chủ động đưa ra các biện pháp giữ chân khách hàng hiệu quả. Trong tương lai, nghiên cứu có thể tập trung vào việc tích hợp thêm các nguồn dữ liệu mới, phát triển các mô hình phức tạp hơn, và ứng dụng các kỹ thuật explainable AI để hiểu rõ hơn về quyết định churn của khách hàng.

6.1. Ứng dụng Explainable AI để giải thích kết quả dự đoán

Các mô hình học sâu thường được coi là "hộp đen", khó giải thích kết quả dự đoán. Việc sử dụng các kỹ thuật explainable AI như SHAP values và LIME giúp giải thích kết quả dự đoán và xác định các yếu tố quan trọng ảnh hưởng đến quyết định churn của khách hàng. Điều này giúp nhà mạng hiểu rõ hơn về khách hàng và đưa ra các quyết định kinh doanh tốt hơn.

6.2. Phát triển mô hình dự đoán Customer Lifetime Value CLTV

Thay vì chỉ dự đoán khả năng churn của khách hàng, có thể phát triển mô hình dự đoán customer lifetime value (CLTV) để ước tính giá trị của khách hàng trong tương lai. Điều này giúp nhà mạng tập trung vào việc giữ chân các khách hàng có giá trị cao và tối ưu hóa lợi nhuận.

6.3. Nghiên cứu về tác động của Competitor Analysis đến churn rate

Phân tích đối thủ cạnh tranh (competitor analysis) là một yếu tố quan trọng để hiểu rõ hơn về thị trường và các yếu tố ảnh hưởng đến churn rate. Việc theo dõi các hoạt động của đối thủ cạnh tranh, như các chương trình khuyến mãi, các gói cước mới, và các dịch vụ mới, giúp nhà mạng đưa ra các quyết định kinh doanh phù hợp và giữ chân khách hàng.

Nội dung chính

Tổng quan nghiên cứu

Tính đến tháng 1 năm 2023, Việt Nam có khoảng 77,93 triệu người dùng Internet, chiếm 79,1% tổng dân số. Số lượng người dùng Internet tăng 7,3% so với năm trước, tuy nhiên vẫn còn khoảng 20,9% dân số chưa sử dụng Internet. Trong bối cảnh cạnh tranh gay gắt giữa các nhà cung cấp dịch vụ mạng cáp quang như VNPT, Viettel, FPT, việc duy trì khách hàng và dự báo khách hàng rời mạng là vấn đề cấp thiết. Theo báo cáo của VNPT năm 2020, chi phí phát triển một khách hàng mới lên đến gần 3 triệu đồng, trong khi vòng đời trung bình của khách hàng chỉ khoảng 20 tháng, dẫn đến thiệt hại lớn khi mất khách hàng.

Luận văn tập trung nghiên cứu xây dựng mô hình học sâu dự báo khách hàng rời mạng viễn thông tại Tây Ninh dựa trên dữ liệu khách hàng của VNPT từ năm 2010 đến 2022. Mục tiêu chính là phân tích các yếu tố ảnh hưởng đến việc khách hàng rời mạng, lựa chọn thuật toán học sâu phù hợp, và đánh giá độ chính xác của mô hình dự báo. Nghiên cứu có ý nghĩa quan trọng trong việc giúp các doanh nghiệp viễn thông tối ưu hóa chiến lược giữ chân khách hàng, giảm tỷ lệ rời mạng, từ đó nâng cao doanh thu và lợi nhuận.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

• Mô hình học sâu (Deep Learning): Sử dụng các kiến trúc mạng nơ-ron nhân tạo như CNN (Convolutional Neural Network), RNN (Recurrent Neural Network), LSTM (Long Short-Term Memory) để khai thác đặc trưng phức tạp từ dữ liệu chuỗi thời gian và dữ liệu khách hàng.
• Mô hình Sequential trong Keras: Là kiến trúc mạng nơ-ron tuần tự, dễ dàng xây dựng và tùy chỉnh, phù hợp với bài toán phân loại nhị phân dự báo khách hàng rời mạng.
• Các khái niệm chính: Tỷ lệ rời mạng (churn rate), ARPU (Average Revenue Per User), các chỉ số tương tác khách hàng như số lần gọi chăm sóc, số lần báo hỏng, số tháng sử dụng dịch vụ, và các yếu tố tài chính như nợ cước.

Phương pháp nghiên cứu

• Nguồn dữ liệu: Bộ dữ liệu gồm 147.463 quan sát khách hàng sử dụng dịch vụ cáp quang của VNPT Tây Ninh trong giai đoạn 2010-2022, với 12 biến đặc trưng liên quan đến hành vi và trạng thái khách hàng.
• Phương pháp phân tích: Áp dụng mô hình học sâu Sequential trên nền tảng Keras, kết hợp xử lý dữ liệu, lựa chọn đặc trưng, chia tập dữ liệu thành tập huấn luyện (85%) và tập kiểm tra (15%). Đánh giá mô hình bằng các chỉ số Accuracy, Precision, Recall và F1-Score.
• Timeline nghiên cứu: Thu thập và xử lý dữ liệu (3 tháng), xây dựng và huấn luyện mô hình (4 tháng), đánh giá và tối ưu mô hình (2 tháng), hoàn thiện luận văn và báo cáo (3 tháng).

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

• Mô hình học sâu Sequential đạt độ chính xác trên 90% trong việc dự báo khách hàng rời mạng, vượt trội so với các mô hình truyền thống như logistic regression hay random forest.
• Các yếu tố ảnh hưởng mạnh nhất đến việc rời mạng bao gồm số tháng sử dụng dịch vụ (trung bình 56 tháng), số lần báo hỏng (phần lớn khách hàng không gặp sự cố, nhưng nhóm có sự cố nhiều lần có tỷ lệ rời mạng cao hơn 15%), và số lần gọi chăm sóc không hài lòng (trung bình rất thấp nhưng ảnh hưởng lớn đến quyết định rời mạng).
• Tỷ lệ khách hàng nợ cước trên 2 tháng chiếm khoảng 5%, nhóm này có nguy cơ rời mạng cao hơn 20% so với nhóm không nợ cước.
• Khách hàng sử dụng gói dịch vụ tích hợp (tivi, di động) có tỷ lệ giữ chân cao hơn 12% so với khách hàng chỉ sử dụng dịch vụ cáp quang đơn lẻ.

Thảo luận kết quả

Kết quả cho thấy mô hình học sâu Sequential có khả năng khai thác hiệu quả các đặc trưng phức tạp từ dữ liệu khách hàng, giúp dự báo chính xác xu hướng rời mạng. So với các nghiên cứu trước đây, mô hình này cải thiện độ chính xác dự báo khoảng 5-7%. Việc phân tích các yếu tố như số lần báo hỏng và mức độ hài lòng trong chăm sóc khách hàng cho thấy tầm quan trọng của dịch vụ hậu mãi trong việc giữ chân khách hàng. Dữ liệu có thể được trình bày qua biểu đồ phân bố số tháng sử dụng dịch vụ và bảng so sánh tỷ lệ rời mạng theo nhóm khách hàng có nợ cước hay không, giúp trực quan hóa các yếu tố ảnh hưởng.

Đề xuất và khuyến nghị

• Tăng cường chăm sóc khách hàng: Triển khai các chương trình chăm sóc khách hàng chủ động, đặc biệt với nhóm khách hàng có số lần gọi chăm sóc không hài lòng nhằm giảm tỷ lệ rời mạng trong vòng 6 tháng tới.
• Cải thiện chất lượng dịch vụ: Đầu tư nâng cấp hạ tầng để giảm số lần báo hỏng, đảm bảo dịch vụ ổn định, từ đó tăng tỷ lệ giữ chân khách hàng lên ít nhất 10% trong năm tiếp theo.
• Khuyến khích sử dụng gói dịch vụ tích hợp: Phát triển các gói dịch vụ đa dạng, tích hợp nhiều tiện ích để tăng giá trị khách hàng và giảm tỷ lệ rời mạng, đặt mục tiêu tăng 15% số khách hàng sử dụng gói tích hợp trong 12 tháng.
• Quản lý nợ cước hiệu quả: Áp dụng các biện pháp nhắc nhở và hỗ trợ thanh toán cho khách hàng nợ cước trên 2 tháng, giảm tỷ lệ rời mạng nhóm này xuống dưới 10% trong 1 năm.
• Áp dụng mô hình dự báo vào hệ thống CRM: Tích hợp mô hình học sâu vào hệ thống quản lý quan hệ khách hàng để tự động nhận diện khách hàng có nguy cơ rời mạng, từ đó kịp thời triển khai các biện pháp giữ chân.

Đối tượng nên tham khảo luận văn

• Doanh nghiệp viễn thông: Giúp cải thiện chiến lược giữ chân khách hàng, tối ưu hóa chi phí marketing và nâng cao hiệu quả kinh doanh.
• Nhà nghiên cứu và sinh viên ngành công nghệ thông tin, hệ thống thông tin: Cung cấp phương pháp ứng dụng học sâu trong phân tích dữ liệu khách hàng thực tế.
• Chuyên gia phân tích dữ liệu và phát triển mô hình AI: Tham khảo kỹ thuật xây dựng và đánh giá mô hình học sâu Sequential trong bài toán phân loại nhị phân.
• Các nhà quản lý và hoạch định chính sách trong lĩnh vực viễn thông: Hỗ trợ ra quyết định dựa trên dữ liệu về xu hướng khách hàng và các yếu tố ảnh hưởng đến thị trường.

Câu hỏi thường gặp

1. Mô hình học sâu Sequential có ưu điểm gì trong dự báo khách hàng rời mạng?
   Mô hình Sequential dễ xây dựng, có khả năng học các đặc trưng phức tạp từ dữ liệu chuỗi và dữ liệu đa chiều, giúp nâng cao độ chính xác dự báo trên 90%.

2. Dữ liệu sử dụng trong nghiên cứu có quy mô như thế nào?
   Bộ dữ liệu gồm 147.463 quan sát khách hàng cáp quang tại Tây Ninh trong giai đoạn 2010-2022, với 12 biến đặc trưng liên quan đến hành vi và trạng thái khách hàng.

3. Các yếu tố nào ảnh hưởng mạnh nhất đến việc khách hàng rời mạng?
   Số tháng sử dụng dịch vụ, số lần báo hỏng, mức độ hài lòng trong chăm sóc khách hàng và tình trạng nợ cước là những yếu tố quan trọng nhất.

4. Làm thế nào để áp dụng mô hình vào thực tế doanh nghiệp?
   Mô hình có thể tích hợp vào hệ thống CRM để tự động nhận diện khách hàng có nguy cơ rời mạng, từ đó triển khai các biện pháp giữ chân kịp thời.

5. Mô hình có thể áp dụng cho các lĩnh vực khác không?
   Có, mô hình học sâu Sequential và các kỹ thuật tương tự có thể áp dụng cho nhiều bài toán phân loại và dự báo trong các ngành như tài chính, bán lẻ, và dịch vụ khách hàng.

Kết luận

• Luận văn đã xây dựng thành công mô hình học sâu Sequential dự báo khách hàng rời mạng cáp quang với độ chính xác trên 90%.
• Phân tích các yếu tố ảnh hưởng giúp doanh nghiệp hiểu rõ nguyên nhân khách hàng rời mạng và từ đó có chiến lược phù hợp.
• Mô hình được đánh giá cao về khả năng ứng dụng thực tiễn trong quản lý khách hàng và tối ưu hóa doanh thu.
• Đề xuất các giải pháp cụ thể nhằm cải thiện chất lượng dịch vụ và tăng cường chăm sóc khách hàng.
• Giai đoạn tiếp theo sẽ tập trung vào triển khai mô hình vào hệ thống CRM và mở rộng nghiên cứu cho các khu vực khác.

Hãy áp dụng mô hình học sâu để nâng cao hiệu quả quản lý khách hàng và giữ vững vị thế cạnh tranh trên thị trường viễn thông.

Trích đoạn nội dung tài liệu

HàC VIÆN CÔNG NGHÆ B¯U CHÍNH VIÄN THÔNG ----------------------------------- NGUYÄN ĐĀC TRUNG NGHIÊN CĀU MÔ HÌNH HàC SÂU Đ DĂ BÁO KHÁCH HÀNG RâI M¾NG VIÄN THÔNG ä TÂY NINH ĐÀ ÁN TàT NGHIÆP TH¾C S) KĀ THU¾T (Theo đßnh h°áng āng dāng) TP. Hâ CHÍ MINH – NM 2023 HàC VIÆN CÔNG NGHÆ B¯U CHÍNH VIÄN THÔNG -------------------------------------- NGUYÄN ĐĀC TRUNG NGHIÊN CĀU MÔ HÌNH HàC SÂU Đ DĂ BÁO KHÁCH HÀNG RâI M¾NG VIÄN THÔNG ä TÂY NINH Chuyên ngành: HË thống thông tin Mã số: 8.04 ĐÀ ÁN TàT NGHIÆP TH¾C S) KĀ THU¾T (Theo đßnh h°áng āng dāng) NG¯âI H¯àNG DẪN KHOA HàC: TS. HUỲNH TRàNG TH¯A TP.Hâ CHÍ MINH - NM 2023 i LâI CAM ĐOAN Tôi cam oan rằng Å án tốt nghiËp th¿c sĩ: <Nghiên cứu mô hình học sâu để dự báo khách hàng rời mạng viễn thông ở Tây Ninh= là công trình nghiên cąu căa chính tôi. Tôi cam oan các số liËu, kÃt quÁ nêu trong Å án là trung thăc và ch°a từng °ÿc ai công bố trong b¿t kỳ công trình nào khác.

Không có sÁn phẩm/nghiên cąu nào căa ng°ái khác °ÿc sÿ dāng trong Å án này mà không °ÿc trích d¿n theo úng quy ánh. Hß Chí Minh, ngày 12 tháng 10 năm 2023 Hác viên thăc hiÇn đÁ án NguyÅn Đāc Trung ii LâI CÀM ¡N Trong suốt quá trình hãc tÁp và nghiên cąu thăc hiËn Å án tốt nghiËp th¿c sĩ, ngoài nỗ lăc căa bÁn thân, tôi ã nhÁn °ÿc să h°ßng d¿n nhiËt tình quý báu căa quý ThÁy Cô, cùng vßi să ộng viên và ăng hộ căa gia ình, b¿n bè và ßng nghiËp. Vßi lòng kính trãng và biÃt ¢n sâu sÃc, tôi xin gÿi lái cÁm ¢n chân thành tßi: Tôi xin chân thành cÁm ¢n ThÁy TS. Huỳnh Trãng Th°a, ng°ái thÁy kính yêu ã hÃt lòng giúp ỡ, h°ßng d¿n, ộng viên, t¿o iÅu kiËn cho tôi trong suốt quá trình thăc hiËn và hoàn thành Å án tốt nghiËp th¿c sĩ.

Ban Giám Đốc, Phòng ào t¿o sau ¿i hãc và quý ThÁy Cô ã t¿o mãi iÅu kiËn thuÁn lÿi giúp tôi hoàn thành Å án. Tôi xin chân thành cÁm ¢n gia ình, b¿n bè, ßng nghiËp trong c¢ quan ã ộng viên, hỗ trÿ tôi trong lúc khó khăn Ç tôi có thÇ hãc tÁp và hoàn thành Å án. M¿c dù ã có nhiÅu cố gÃng, nỗ lăc, nh°ng do thái gian và kinh nghiËm nghiên cąu khoa hãc còn h¿n chà nên không thÇ tránh khỏi nhāng thiÃu sót. Tôi r¿t mong nhÁn °ÿc să góp ý căa quý ThÁy Cô cùng b¿n bè ßng nghiËp Ç kiÃn thąc căa tôi ngày một hoàn thiËn h¢n.

Xin chân thành cÁm ¢n! TP. Hß Chí Minh, ngày 12 tháng 10 năm 2023 Hác viên thăc hiÇn đÁ án NguyÅn Đāc Trung iii DANH SÁCH HÌNH VẼ Hình 0.1: Thá phÁn thuê bao dách vā truy cÁp Internet căa các doanh nghiËp .2: Tăng tr°ãng vÅ l°ÿng ng°ái dùng Internet t¿i ViËt Nam .1: Tăng tr°ãng vÅ l°u l°ÿng truy cÁp Internet t¿i ViËt Nam 2020-2021 .1: Mô hình CNN .1: Trích dā liËu quan sát trong bộ dā liËu .2: Thống kê mô tÁ các tr°áng dā liËu biÃn liên tāc .3: BiÇu ß phân bá tháng sÿ dāng .4: Lo¿i hình thuê bao .6: Số lÁn gãi kiÇm tra không hài lòng .7: Đ°áng truyÅn tích hÿp .8: Không phát sinh l°u l°ÿng .9: Thuê bao nÿ c°ßc 2 tháng .10: Số lÁn gãi kiÇm hài lòng .11: C¿u trúc m¿ng CNN .12: S¢ ß táng quát mô hình dă báo .1: Code Python Xÿ lý dā liËu mô hình Sequential .2: Code Python xây dăng mô hình Sequential .3: Mô hình Sequential thu °ÿc.4: Mô hình Sequential thu °ÿc vßi thông số các lßp .5: Code Python Xÿ lý dā liËu mô hình GR & VSN .6: Code Python mã hóa các Áu vào căa mô hình GR & VSN.7: Code Python hàm GR .8: Code Python hàm VSN tích hÿp GR .9: Code Python cài ¿t các biÃn trong GRN .10: Code Python xây dăng mô hình GR và VSN .11: Code Python ch¿y hu¿n luyËn vßi mô hình GR & VSN .12: Code Python Xây dăng mô hình Wide & Deep .13: C¿u trúc mô hình Wide & Deep [17].14: Code Python Xây dăng mô hình Deep & Cross .15: C¿u trúc mô hình Deep & Cross .16: BiÇu ß so sánh giāa các mô hình hãc sâu thÿ nghiËm .17: S¢ ß thiÃt kà ąng dāng web .18: Giao diËn trang nhÁp dā liËu dă oán một thuê bao .19: Giao diËn trang nhÁp dā liËu bằng file excel .20: Giao diËn trang kÃt quÁ dă oán từ file nhiÅu khách hàng. 54 v DANH SÁCH BÀNG BÁng 3.1: Thông tin bộ dā liËu căa bài toán .1 : Táng hÿp ánh giá các mô hình vßi bộ dā liËu. 51 vi DANH MĀC CÁC THU¾T NGĀ, CHĀ VI¾T TÀT VI¾T TÀT NGH)A TI¾NG ANH NGH)A TI¾NG VIÆT AI Artificial Intelligence Trí tuË nhân t¿o ANN Artificial Neural Network M¿ng n¢-ron nhân t¿o CNN Convolutional Neural Network M¿ng n¢-ron tích chÁp FTTH Fiber To The Home Cáp quang cho hộ gia ình Information & Communications Công nghË thông tin và truyÅn ITC Technologies thông GR Gated Residual PhÁn d° căa cáng GSN Gated Selection Networks M¿ng lăa chãn có cáng xDSL Digital Subcriber Line Kênh thuê bao số ML Machine Learning Hãc máy VSN Variable Selection Networks M¿ng lăa chãn biÃn số vii MĀC LĀC LàI CAM ĐOAN.

ii DANH SÁCH HÌNH VÀ. iii DANH SÁCH BÀNG .v DANH MĀC CÁC THUÀT NGĀ, CHĀ VIÂT TÂT. vii Mâ ĐÀU. Māc tiêu, ý nghĩa khoa hãc và thăc tiÉn.

Đối t°ÿng và ph¿m vi nghiên cąu.1 Đối t°ÿng nghiên cąu .2 Ph¿m vi nghiên cąu. Ph°¢ng pháp nghiên cąu.1 Ph°¢ng pháp nghiên cąu lý thuyÃt .2 Ph°¢ng pháp nghiên cąu thăc nghiËm .7 CH¯¡NG 1: TàNG QUAN VÄ DĂ BÁO KHÁCH HÀNG RàI M¾NG CÁP QUANG. Táng quan vÅ m¿ng cáp quang và thuê bao. C¿nh tranh và hiËn tr¿ng khách hàng rái m¿ng.

Bài toán dă báo khách hàng rái m¿ng cáp quang .11 CH¯¡NG 2: CÁC MÔ HÌNH HâC SÂU VÀ CÔNG TRÌNH LIÊN QUAN. Mô hình hãc sâu trong bài toán dă báo. Các công trình nghiên cąu trong n°ßc. Các công trình nghiên cąu trên thà gißi .16 viii CH¯¡NG 3: XÂY DĂNG MÔ HÌNH DĂ BÁO.

Bộ dā liËu căa bài toán. ThiÃt kà mô hình. Gißi thiËu vÅ mô hình CNN và Keras Deep Learning. Ý t°ãng xây dăng mô hình dă báo khách hàng rái m¿ng cáp quang.

Ph°¢ng pháp ánh giá .37 CH¯¡NG 4: THÍ NGHIÊM VÀ ĐÁNH GIÁ. Mô hình Sequential. Xây dăng mô hình Sequential. Mô hình Gated Residual và Variable Selection Networks.

Xây dăng mô hình. Mô hình Wide, Deep and Cross Network. Xây dăng mô hình. KÃt quÁ táng hÿp.

Xây dăng ąng dāng dă báo khách hàng rái m¿ng cáp quang. ThiÃt kà ąng dāng. Giao diËn ąng dāng. KÃt quÁ áp dāng ąng dāng .54 KÂT LUÀN VÀ KIÂN NGHà.

V¿n Å kiÃn nghá và h°ßng i tiÃp theo căa nghiên cąu:.57 DANH MĀC TÀI LIÊU THAM KHÀO. Tính c¿p thi¿t cÿa đÁ án Trong dòng chÁy liên tāc căa thái ¿i, xu thà phát triÇn căa ngành thông tin và truyÅn dā liËu °ÿc dă oán mỗi lúc một m¿nh mÁ và c¿nh tranh h¢n. Tr°ßc tình hình ó, một quốc gia ang phát triÇn nh° ViËt Nam có r¿t nhiÅu iÅu kiËn thuÁn lÿi Ç phát triÇn ngành này ã t°¢ng lai, chính vì vÁy viËc c¿nh tranh và phát triÇn Ç chiÃm lĩnh thá phÁn trong ngành này là không thÇ tránh khỏi. Vßi xu h°ßng phát triÇn căa ngành thông tin truyÅn dā liËu nh° trên, nên ây là lĩnh văc r¿t h¿p d¿n cho các doanh nghiËp phát triÇn, thuÁn lÿi r¿t nhiÅu nh°ng cũng r¿t nhiÅu thách thąc, do các doanh nghiËp c¿nh tranh quyÃt liËt Ç thu hút khách hàng, giành thá phÁn.

NÃu không liên tāc thay ái thích ąng vßi thá tr°áng thì viËc bá ào thÁi là iÅu t¿t yÃu. Trong nhóm các doanh nghiËp kinh doanh dách vā truyÅn dā liËu thông qua m¿ng cáp quang, viËc duy trì khách hàng và mã rộng thá phÁn luôn là māc tiêu hàng Áu Ç Ám bÁo doanh thu, và lÿi nhuÁn cho doanh nghiËp. ViËc khách hàng duy trì thái gian sÿ dāng dách vā phā thuộc vào r¿t nhiÅu yÃu tố khách quan và chă quan. ViËc này lâu nay v¿n th°áng xuyên °ÿc phân tích dă oán, tuy nhiên thăc hiËn bằng các biËn pháp thă công, truyÅn thống m¿t r¿t nhiÅu thái gian, và òi hỏi ng°ái phân tích phÁi có chuyên môn t°¢ng ối tốt, nh°ng ộ chính xác mang l¿i t°¢ng ối không cao.

Chính vì vÁy, viËc áp dāng các mô hình hãc sâu Ç dă oán xu h°ßng khách hàng cũng nh° mong muốn căa khách hàng tiÃp tāc hay không tiÃp tāc sÿ dāng dách vā là vô cùng triÇn vãng, hỗ trÿ cho doanh nghiËp hiÇu rõ nhu cÁu và lý do t¿i sao hã rái bỏ m¿ng căa mình, từ ó cÁi tiÃn dách vā, kỹ thuÁt, công nghË Ç phāc vā tốt h¢n khách hàng, giā chân khách hàng và mã rộng h¢n thá phÁn căa mình. Vßi mong muốn dă báo khÁ năng rái m¿ng căa khách hàng sÿ dāng dách vā m¿ng cáp quang, Å án này xin Å xu¿t tên Å án nh° sau: NGHIÊN CĄU MÔ HÌNH HâC SÂU ĐÆ DĂ BÁO KHÁCH HÀNG RàI M¾NG VIÈN THÔNG â TÂY NINH.1 Tång quan vÁ internet và hiÇn tr¿ng thuê bao rãi m¿ng cáp quang Vào tháng 1 năm 2023, ViËt Nam có táng cộng 77,93 triËu ng°ái dùng Internet, ¿t tỷ lË sÿ dāng Internet là 79,1% trên táng dân số [1]. Theo phân tích căa Kepios, số l°ÿng ng°ái dùng Internet t¿i ViËt Nam ã tăng thêm 5,3 triËu (+7,3%) so vßi năm 2022. Tuy nhiên, v¿n còn khoÁng 20,9% dân số ViËt Nam, tąc là 20,60 triËu ng°ái, không sÿ dāng Internet vào Áu năm 2023.

Vào tháng 1 năm 2023, ViËt Nam có 70 triËu ng°ái dùng m¿ng xã hội. Theo các tá chąc GWI và data.ai, să phá biÃn căa m¿ng xã hội ã ViËt Nam v¿n ang tiÃp tāc gia tăng mà không có d¿u hiËu chāng l¿i. Tuy nhiên, không phÁi mỗi tài khoÁn ng°ái dùng m¿ng xã hội Åu t°¢ng ąng vßi một cá nhân duy nh¿t. T¿i Áu năm 2023, số l°ÿng ng°ái dùng m¿ng xã hội ã ViËt Nam ¿t 71,0% táng dân số, nh°ng theo dā liËu từ các công cā lÁp kà ho¿ch quÁng cáo căa các nÅn tÁng m¿ng xã hội hàng Áu, chß có 64,40 triËu ng°ái dùng từ 18 tuái trã lên.

Tuy nhiên, tỷ lË này v¿n r¿t cao, ¿t 89,0% táng dân số từ 18 tuái trã lên. Nói cách khác, 89,8% táng số ng°ái dùng Internet căa ViËt Nam ã sÿ dāng ít nh¿t một nÅn tÁng m¿ng xã hội vào tháng 1 năm 2023. â ViËt Nam hiËn nay, có khá nhiÅu nhà cung c¿p dách vā m¿ng cáp quang tốc ộ cao nh° VNPT, Viettel, FPT, NetNam, v/v. Trong ó, VNPT là một nhà cung c¿p dách vā truyÅn dā liËu và viÉn thông Áu tiên trên thá tr°áng ViËt Nam.

Chính thąc cung c¿p dách vā viÉn thông công cộng từ cuối năm 1997.