Nghiên Cứu Phương Pháp Phân Tích Hành Vi Khách Hàng

Chuyên khảo phân tích Nghiên cứu phương pháp phân tích hành vi của khách hàng, đánh giá các khía cạnh quan trọng, đề xuất hướng nghiên cứu tiếp theo.

• Tác giả: Nguyễn Thị Minh
• Người hướng dẫn: Tiến Sĩ Nguyễn Thị Hậu
• Trường học: Đại học Quốc gia Hà Nội
• Chuyên ngành: Hệ thống thông tin
• Đề tài: Nghiên Cứu Phương Pháp Dự Đoán Hành Vi Khách Hàng
• Loại tài liệu: luận văn thạc sỹ
• Năm xuất bản: 2023
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CẢM ƠN
• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: GIỚI THIỆU BÀI TOÁN VÀ TỔNG QUAN LÝ THUYẾT
• 1.1. Giới thiệu bài toán
• 1.2. Phát biểu bài toán
• 1.3. Các đặc trưng dữ liệu của bài toán Dự đoán tần suất mua hàng, dự đoán rời bỏ dịch vụ của khách hàng
• 1.4. Tổng quan các nghiên cứu liên quan
• 1.4.1. Phương pháp tiền xử lý dữ liệu
• 1.4.2. Kỹ thuật học máy để dự đoán hành vi khách hàng
• 1.4.3. Phương pháp đánh giá mô hình
• 2. CHƯƠNG 2: MÔ HÌNH ĐỀ XUẤT DỰ ĐOÁN HÀNH VI KHÁCH HÀNG
• 2.1. Tìm kiếm và lựa chọn dữ liệu
• 2.2. Tiền xử lý dữ liệu
• 2.3. Làm sạch dữ liệu
• 2.4. Xử lý dữ liệu phân loại
• 2.5. Biến đổi dữ liệu
• 2.6. Chuẩn hóa dữ liệu
• 2.7. Xử lý dữ liệu mất cân bằng
• 2.8. Trích chọn đặc trưng
• 2.9. Xây dựng mô hình phân lớp hành vi khách hàng
• 2.10. Tối ưu hóa siêu tham số
• 2.11. Các phương pháp học kết hợp được đề xuất
• 2.12. Kiểm thử chéo, đưa ra kết quả và phân tích
• 3. CHƯƠNG 3: KỊCH BẢN VÀ KẾT QUẢ THỰC NGHIỆM
• 3.1. Kết quả tiền xử lý dữ liệu và so sánh với các nghiên cứu liên quan
• 3.1.1. Làm sạch dữ liệu
• 3.1.2. Xử lý dữ liệu phân loại
• 3.1.3. Xử lý dữ liệu mất cân bằng
• 3.2. So sánh các bước tiền xử lý dữ liệu của luận văn với một số nghiên cứu liên quan sử dụng cùng bộ dữ liệu
• 3.3. Kết quả trích chọn đặc trưng và so sánh với các nghiên cứu liên quan sử dụng cùng bộ dữ liệu
• 3.4. Kết quả trích chọn đặc trưng của các bộ dữ liệu
• 3.5. So sánh kỹ thuật trích chọn đặc trưng của luận văn với một số nghiên cứu liên quan
• 3.6. Kết quả xây dựng mô hình phân lớp hành vi khách hàng và so sánh với các nghiên cứu liên quan
• 3.7. Kết quả tối ưu hóa siêu tham số
• 3.8. Kết quả hiệu suất mô hình phân lớp hành vi khách hàng và phân tích kết quả
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Nghiên Cứu Dự Đoán Hành Vi Khách Hàng ĐHQGHN

Khách hàng là yếu tố then chốt của mọi doanh nghiệp. Hành vi khách hàng đóng vai trò quan trọng trong sự tương tác giữa khách hàng và doanh nghiệp. Theo Philip Kotler, hành vi khách hàng là cách cá nhân, nhóm, tổ chức lựa chọn, mua, sử dụng và loại bỏ sản phẩm, dịch vụ để thỏa mãn nhu cầu. Nghiên cứu tại Đại học Quốc Gia Hà Nội tập trung vào việc xây dựng mô hình dự đoán hành vi khách hàng dựa trên dữ liệu lịch sử mua hàng. Mục tiêu là giữ chân khách hàng hiện tại, một chiến lược tiết kiệm chi phí hơn nhiều so với việc thu hút khách hàng mới. Luận văn sử dụng dữ liệu về tần suất mua hàng và hành vi rời bỏ của khách hàng để xây dựng mô hình. Kết quả dự đoán giúp doanh nghiệp hiểu rõ nhu cầu khách hàng và đưa ra quyết định kinh doanh sáng suốt, liên quan đến chiến lược định giá, kênh tiếp thị và cơ hội bán hàng.

1.1. Tầm quan trọng của dự đoán hành vi khách hàng

Dự đoán hành vi khách hàng là một vấn đề then chốt. Việc này giúp doanh nghiệp hiểu rõ hơn về nhu cầu và mong muốn của khách hàng, từ đó đưa ra các chiến lược kinh doanh hiệu quả. Các doanh nghiệp quan tâm đến việc dự đoán hành vi khách hàng để cải thiện trải nghiệm khách hàng, tăng sự hài lòng của khách hàng, và cuối cùng là tăng doanh thu. Nghiên cứu thị trường là công cụ quan trọng để thu thập thông tin về khách hàng và dự đoán hành vi của họ. Kết quả nghiên cứu cho thấy, dự đoán hành vi khách hàng giúp doanh nghiệp tối ưu hóa các chiến dịch marketing, customer segmentation và xây dựng các chương trình loyalty program hiệu quả.

1.2. Phát biểu bài toán dự đoán hành vi khách hàng tại ĐHQGHN

Bài toán dự đoán hành vi khách hàng được mô tả với đầu vào là tập hợp các trường dữ liệu, bao gồm dữ liệu số và dữ liệu phân loại. Đầu ra của bài toán là dự đoán tần suất mua hàng hoặc khả năng rời bỏ dịch vụ của khách hàng. Mô hình được xây dựng dựa trên các đặc trưng dữ liệu như: lịch sử giao dịch, tần suất mua hàng, tương tác khách hàng, đặc điểm khách hàng và thông tin về sản phẩm/dịch vụ. Nghiên cứu tại Đại học Quốc Gia Hà Nội sử dụng các bộ dữ liệu khác nhau để đánh giá hiệu quả của mô hình, bao gồm bộ dữ liệu về hành vi rời bỏ và bộ dữ liệu về tần suất mua hàng.

II. Thách Thức Vấn Đề Dự Đoán Hành Vi Khách Hàng ĐHQGHN

Nghiên cứu về dự đoán hành vi khách hàng không phải là không có thách thức. Một trong những thách thức lớn nhất là xử lý dữ liệu không cân bằng. Điều này có nghĩa là số lượng khách hàng rời bỏ dịch vụ thường ít hơn nhiều so với số lượng khách hàng tiếp tục sử dụng dịch vụ. Dữ liệu nhiễu và thiếu cũng là một vấn đề, đòi hỏi các phương pháp tiền xử lý dữ liệu hiệu quả. Sự phức tạp của hành vi người tiêu dùng cũng tạo ra khó khăn. Khách hàng chịu ảnh hưởng từ nhiều yếu tố khác nhau, bao gồm yếu tố tâm lý, xã hội và kinh tế. Việc xây dựng một mô hình có thể nắm bắt được tất cả các yếu tố này là một nhiệm vụ phức tạp. Theo luận văn, việc dự đoán đồng thời hành vi rời bỏ và tần suất mua hàng là một thách thức đáng kể.

2.1. Các yếu tố ảnh hưởng đến dự đoán hành vi khách hàng

Nhiều yếu tố ảnh hưởng đến dự đoán hành vi khách hàng, bao gồm đặc điểm nhân khẩu học, lịch sử mua hàng, tương tác với thương hiệu và phản hồi từ khách hàng. Các yếu tố bên ngoài như điều kiện kinh tế và xu hướng thị trường cũng có thể tác động đến hành vi khách hàng. Hiểu rõ các yếu tố này là rất quan trọng để xây dựng một mô hình dự đoán chính xác. Nghiên cứu thị trường giúp xác định các yếu tố quan trọng và đánh giá mức độ ảnh hưởng của chúng. Mô hình cần được cập nhật thường xuyên để phản ánh sự thay đổi trong xu hướng hành vi khách hàng.

2.2. Khó khăn trong thu thập và xử lý dữ liệu khách hàng

Việc thu thập và xử lý dữ liệu khách hàng gặp nhiều khó khăn. Dữ liệu có thể bị thiếu, không chính xác hoặc không đầy đủ. Vấn đề bảo mật thông tin cá nhân và tuân thủ các quy định pháp luật cũng là một thách thức lớn. Các phương pháp khai phá dữ liệu khách hàng cần được thực hiện một cách cẩn thận để đảm bảo tính hợp pháp và đạo đức. Các doanh nghiệp cần đầu tư vào các công nghệ và quy trình để thu thập, lưu trữ và xử lý dữ liệu một cách an toàn và hiệu quả. Big data và các công cụ phân tích hiện đại giúp giải quyết các vấn đề này.

III. Cách Tiếp Cận Phương Pháp Phân Tích Hành Vi Khách Hàng ĐHQGHN

Để giải quyết các thách thức trong dự đoán hành vi khách hàng, nghiên cứu tại Đại học Quốc Gia Hà Nội đề xuất một phương pháp kết hợp các kỹ thuật học máy và khai phá dữ liệu. Phương pháp này bao gồm các bước tiền xử lý dữ liệu, trích chọn đặc trưng và xây dựng mô hình dự đoán. Các kỹ thuật học máy như mô hình hồi quy, cây quyết định và mạng nơ-ron được sử dụng để xây dựng mô hình dự đoán. Luận văn tập trung vào việc xây dựng một mô hình có thể dự đoán đồng thời hành vi rời bỏ và tần suất mua hàng của khách hàng. Nghiên cứu sử dụng phương pháp học kết hợp để cải thiện hiệu suất dự đoán.

3.1. Sử dụng học máy trong dự đoán hành vi khách hàng

Học máy là một công cụ mạnh mẽ trong dự đoán hành vi khách hàng. Các thuật toán học máy có thể học từ dữ liệu lịch sử và dự đoán hành vi trong tương lai. Các mô hình học máy phổ biến trong dự đoán hành vi khách hàng bao gồm mô hình hồi quy, cây quyết định, mạng nơ-ron và máy học vectơ hỗ trợ. Việc lựa chọn mô hình phù hợp phụ thuộc vào đặc điểm của dữ liệu và mục tiêu của bài toán. Phân tích hành vi người tiêu dùng là một lĩnh vực quan trọng trong việc áp dụng học máy để dự đoán hành vi.

3.2. Tiền xử lý dữ liệu và trích chọn đặc trưng

Tiền xử lý dữ liệu là bước quan trọng để đảm bảo chất lượng dữ liệu đầu vào. Bước này bao gồm xử lý dữ liệu thiếu, loại bỏ dữ liệu nhiễu và chuyển đổi dữ liệu về định dạng phù hợp. Trích chọn đặc trưng là quá trình lựa chọn các đặc trưng quan trọng nhất từ dữ liệu. Việc này giúp giảm độ phức tạp của mô hình và cải thiện hiệu suất dự đoán. Các kỹ thuật trích chọn đặc trưng phổ biến bao gồm phân tích thành phần chính, lựa chọn đặc trưng dựa trên độ quan trọng và lựa chọn đặc trưng dựa trên thuật toán di truyền.

3.3. Phương pháp đánh giá mô hình dự đoán hành vi khách hàng

Việc đánh giá mô hình là bước quan trọng để đo lường hiệu suất của mô hình dự đoán. Các chỉ số đánh giá phổ biến bao gồm độ chính xác, độ recall, độ precision và F1-score. Ngoài ra, các chỉ số như AUC và ROC curve cũng được sử dụng để đánh giá khả năng phân loại của mô hình. Việc so sánh hiệu suất của mô hình với các mô hình khác giúp xác định mô hình tốt nhất. Các kỹ thuật như kiểm định chéo được sử dụng để đánh giá tính ổn định của mô hình.

IV. Ứng Dụng Thực Nghiệm Dự Đoán Tại Đại Học Quốc Gia Hà Nội

Nghiên cứu tại Đại học Quốc Gia Hà Nội đã thực hiện các thử nghiệm thực tế để đánh giá hiệu quả của phương pháp đề xuất. Các thử nghiệm được thực hiện trên các bộ dữ liệu khác nhau về hành vi rời bỏ và tần suất mua hàng. Kết quả cho thấy phương pháp đề xuất đạt được hiệu suất cao trong việc dự đoán hành vi khách hàng. Các kết quả này được so sánh với các nghiên cứu trước đây để đánh giá tính ưu việt của phương pháp đề xuất. Nghiên cứu cũng phân tích ảnh hưởng của các đặc trưng khác nhau đến kết quả dự đoán.

4.1. Kết quả thực nghiệm trên bộ dữ liệu hành vi rời bỏ

Các thử nghiệm trên bộ dữ liệu hành vi rời bỏ cho thấy mô hình có khả năng dự đoán chính xác khả năng khách hàng sẽ rời bỏ dịch vụ trong tương lai. Các đặc trưng quan trọng nhất trong việc dự đoán hành vi rời bỏ bao gồm thời gian sử dụng dịch vụ, số lượng khiếu nại và mức độ hài lòng với dịch vụ. Kết quả cho thấy rằng các khách hàng có thời gian sử dụng dịch vụ ngắn, có nhiều khiếu nại và không hài lòng với dịch vụ có khả năng rời bỏ dịch vụ cao hơn. Việc dự đoán hành vi rời bỏ giúp doanh nghiệp chủ động liên hệ và đưa ra các giải pháp để giữ chân khách hàng.

4.2. Kết quả thực nghiệm trên bộ dữ liệu tần suất mua hàng

Các thử nghiệm trên bộ dữ liệu tần suất mua hàng cho thấy mô hình có khả năng dự đoán chính xác tần suất mua hàng của khách hàng trong tương lai. Các đặc trưng quan trọng nhất trong việc dự đoán tần suất mua hàng bao gồm lịch sử mua hàng, giá trị đơn hàng và thời gian giữa các lần mua hàng. Kết quả cho thấy rằng các khách hàng có lịch sử mua hàng thường xuyên, giá trị đơn hàng cao và thời gian giữa các lần mua hàng ngắn có khả năng tiếp tục mua hàng với tần suất cao. Việc dự đoán tần suất mua hàng giúp doanh nghiệp tối ưu hóa các chiến dịch marketing và khuyến mãi để tăng doanh số.

V. Kết luận Triển Vọng Nghiên Cứu Dự Đoán Hành Vi Tại ĐHQGHN

Nghiên cứu tại Đại học Quốc Gia Hà Nội đã đóng góp vào lĩnh vực dự đoán hành vi khách hàng bằng cách đề xuất một phương pháp kết hợp các kỹ thuật học máy và khai phá dữ liệu. Phương pháp này đã được chứng minh là hiệu quả trong việc dự đoán hành vi rời bỏ và tần suất mua hàng. Các kết quả của nghiên cứu có thể được ứng dụng trong thực tế để giúp các doanh nghiệp hiểu rõ hơn về khách hàng và đưa ra các quyết định kinh doanh thông minh hơn. Trong tương lai, nghiên cứu có thể được mở rộng để bao gồm các yếu tố khác như tương tác trên mạng xã hội và dữ liệu vị trí.

5.1. Hướng phát triển tiếp theo của nghiên cứu

Hướng phát triển tiếp theo của nghiên cứu bao gồm việc khám phá các kỹ thuật học sâu và học tăng cường để cải thiện hiệu suất dự đoán. Nghiên cứu cũng có thể tập trung vào việc xây dựng các mô hình có thể giải thích được để giúp các nhà quản lý hiểu rõ hơn về lý do tại sao khách hàng lại có những hành vi nhất định. Việc tích hợp dữ liệu phi cấu trúc như phản hồi từ khách hàng và tương tác trên mạng xã hội cũng là một hướng đi tiềm năng.

5.2. Ứng dụng thực tiễn và lợi ích cho doanh nghiệp

Kết quả của nghiên cứu có thể được ứng dụng trong nhiều lĩnh vực khác nhau, bao gồm marketing, bán hàng, dịch vụ khách hàng và quản lý rủi ro. Việc dự đoán hành vi khách hàng giúp doanh nghiệp tối ưu hóa các chiến dịch marketing, cải thiện trải nghiệm khách hàng, tăng sự hài lòng của khách hàng và giảm tỷ lệ rời bỏ. Các doanh nghiệp có thể sử dụng các mô hình dự đoán để cá nhân hóa các dịch vụ, cung cấp các chương trình khuyến mãi phù hợp và giải quyết các vấn đề trước khi chúng trở nên nghiêm trọng.

Nội dung chính

## Tổng quan nghiên cứu

Dự đoán hành vi khách hàng là một lĩnh vực nghiên cứu quan trọng trong ngành hệ thống thông tin, đặc biệt trong bối cảnh cạnh tranh ngày càng gay gắt giữa các doanh nghiệp. Theo số liệu từ các bộ dữ liệu lớn như Cell2cell với 71,047 bản ghi, Campaign với 41,188 bản ghi, Bank với 10,000 bản ghi và Customer Shopping Trends với 3,900 bản ghi, việc phân tích hành vi khách hàng giúp doanh nghiệp dự đoán chính xác các hành vi như rời bỏ dịch vụ và tần suất mua hàng. Mục tiêu nghiên cứu tập trung vào xây dựng mô hình dự đoán đồng thời hai hành vi này nhằm nâng cao hiệu quả giữ chân khách hàng và tối ưu hóa chiến lược kinh doanh. Phạm vi nghiên cứu được thực hiện tại Việt Nam trong năm 2023, sử dụng các bộ dữ liệu thực tế từ ngành viễn thông, ngân hàng và bán lẻ. Ý nghĩa của nghiên cứu được thể hiện qua các chỉ số hiệu suất như Accuracy, AUC và F-Measure, giúp doanh nghiệp cải thiện tỷ lệ giữ chân khách hàng và tăng doanh thu bền vững.

## Cơ sở lý thuyết và phương pháp nghiên cứu

### Khung lý thuyết áp dụng

- **Lý thuyết hành vi khách hàng**: Dựa trên định nghĩa của Philip Kotler, hành vi khách hàng là quá trình lựa chọn, mua và sử dụng sản phẩm/dịch vụ nhằm thỏa mãn nhu cầu.  
- **Mô hình học máy và học sâu**: Áp dụng các thuật toán như Logistic Regression, Random Forest, XGBoost, CatBoost, LightGBM, CNN và FNN để xây dựng mô hình dự đoán hành vi khách hàng.  
- **Phương pháp học kết hợp (Ensemble Learning)**: Sử dụng kỹ thuật xếp chồng (Stacking) và bỏ phiếu (Voting) để kết hợp các mô hình cơ sở nhằm nâng cao hiệu suất dự đoán.  
- **Kỹ thuật trích chọn đặc trưng**: Phương pháp hồi quy đa biến được sử dụng để xác định các đặc trưng quan trọng ảnh hưởng đến hành vi khách hàng, giúp giảm chiều dữ liệu và tăng độ chính xác mô hình.  
- **Xử lý dữ liệu mất cân bằng**: Áp dụng kỹ thuật SMOTE để cân bằng tỷ lệ giữa các lớp dữ liệu, đặc biệt quan trọng trong bài toán dự đoán rời bỏ khách hàng.

### Phương pháp nghiên cứu

- **Nguồn dữ liệu**: Sử dụng bốn bộ dữ liệu thực tế gồm Cell2cell, Campaign, Bank và Customer Shopping Trends, với tổng số mẫu lên đến hơn 125,000 bản ghi.  
- **Phương pháp phân tích**: Tiền xử lý dữ liệu bao gồm làm sạch, mã hóa nhãn (label encoding), biến đổi dữ liệu bằng Weight of Evidence (WOE), chuẩn hóa dữ liệu bằng StandardScaler và xử lý mất cân bằng bằng SMOTE.  
- **Xây dựng mô hình**: Kết hợp các thuật toán học máy truyền thống, học sâu và học kết hợp để xây dựng mô hình dự đoán hành vi khách hàng. Logistic Regression được sử dụng làm meta-model trong phương pháp xếp chồng.  
- **Timeline nghiên cứu**: Quá trình nghiên cứu kéo dài trong năm 2023, bao gồm thu thập dữ liệu, tiền xử lý, xây dựng mô hình, tối ưu hóa siêu tham số và đánh giá mô hình qua kiểm thử chéo.

## Kết quả nghiên cứu và thảo luận

### Những phát hiện chính

- Mô hình đề xuất dự đoán đồng thời hành vi rời bỏ và tần suất mua hàng đạt độ chính xác trung bình trên 90% với bộ dữ liệu Cell2cell và Campaign.  
- Kỹ thuật trích chọn đặc trưng bằng hồi quy đa biến giúp giảm số lượng đặc trưng xuống khoảng 30-40% mà không làm giảm hiệu suất mô hình, thậm chí còn cải thiện chỉ số AUC lên đến 0.95.  
- Phương pháp học kết hợp Stacking và Voting vượt trội hơn các mô hình đơn lẻ, với điểm F-Measure tăng trung bình 5-7% so với các thuật toán truyền thống.  
- Việc áp dụng SMOTE giúp cải thiện đáng kể khả năng dự đoán lớp thiểu số (khách hàng rời bỏ), tăng Recall từ khoảng 70% lên trên 85%.

### Thảo luận kết quả

Các kết quả trên cho thấy sự hiệu quả của việc kết hợp các thuật toán học máy truyền thống, học sâu và học kết hợp trong dự đoán hành vi khách hàng. Việc trích chọn đặc trưng dựa trên hồi quy đa biến không chỉ giảm thiểu chi phí tính toán mà còn nâng cao khả năng diễn giải mô hình, phù hợp với yêu cầu thực tiễn của doanh nghiệp. So với các nghiên cứu trước đây chỉ tập trung riêng lẻ vào dự đoán rời bỏ hoặc tần suất mua hàng, mô hình đồng thời của luận văn cung cấp cái nhìn toàn diện hơn về hành vi khách hàng. Các biểu đồ so sánh hiệu suất mô hình (Accuracy, AUC, F-Measure) minh họa rõ sự vượt trội của mô hình đề xuất so với các phương pháp truyền thống. Ngoài ra, việc xử lý dữ liệu mất cân bằng bằng SMOTE đã giải quyết hiệu quả vấn đề thiếu hụt dữ liệu lớp thiểu số, một thách thức phổ biến trong lĩnh vực này.

## Đề xuất và khuyến nghị

- **Triển khai mô hình dự đoán hành vi khách hàng**: Áp dụng mô hình học kết hợp trong hệ thống CRM để nâng cao khả năng giữ chân khách hàng, mục tiêu tăng tỷ lệ giữ chân lên ít nhất 10% trong vòng 12 tháng.  
- **Tối ưu hóa quy trình thu thập và xử lý dữ liệu**: Đầu tư vào hệ thống thu thập dữ liệu chính xác và đầy đủ, đồng thời áp dụng quy trình tiền xử lý chuẩn hóa và trích chọn đặc trưng để nâng cao chất lượng dữ liệu đầu vào.  
- **Đào tạo nhân sự và nâng cao năng lực phân tích dữ liệu**: Tổ chức các khóa đào tạo về học máy và phân tích dữ liệu cho đội ngũ nhân viên nhằm tận dụng tối đa các công cụ dự đoán hành vi khách hàng.  
- **Theo dõi và đánh giá liên tục hiệu quả mô hình**: Thiết lập hệ thống giám sát hiệu suất mô hình dự đoán, cập nhật và điều chỉnh mô hình định kỳ dựa trên dữ liệu mới và phản hồi thực tế.  
- **Khuyến khích nghiên cứu và phát triển thêm các phương pháp mới**: Khuyến khích các nhóm nghiên cứu tiếp tục phát triển các thuật toán học sâu và học kết hợp để nâng cao độ chính xác và khả năng ứng dụng trong các lĩnh vực khác nhau.

## Đối tượng nên tham khảo luận văn

- **Doanh nghiệp và nhà quản lý marketing**: Giúp hiểu rõ hơn về hành vi khách hàng, từ đó xây dựng chiến lược giữ chân và phát triển khách hàng hiệu quả.  
- **Chuyên gia phân tích dữ liệu và khoa học dữ liệu**: Cung cấp phương pháp và mô hình tiên tiến trong dự đoán hành vi khách hàng, hỗ trợ phát triển các giải pháp phân tích dữ liệu thực tiễn.  
- **Giảng viên và sinh viên ngành hệ thống thông tin, công nghệ thông tin**: Là tài liệu tham khảo quý giá về ứng dụng học máy và học sâu trong lĩnh vực phân tích hành vi khách hàng.  
- **Nhà nghiên cứu trong lĩnh vực marketing và quản trị kinh doanh**: Cung cấp cơ sở lý thuyết và thực nghiệm để phát triển các nghiên cứu sâu hơn về hành vi khách hàng và ứng dụng công nghệ mới.

## Câu hỏi thường gặp

1. **Mô hình dự đoán hành vi khách hàng có thể áp dụng cho những ngành nào?**  
Mô hình có thể áp dụng rộng rãi trong các ngành như viễn thông, ngân hàng, bán lẻ và thương mại điện tử, nơi dữ liệu khách hàng được thu thập đầy đủ và có tính đa dạng.

2. **Tại sao cần xử lý dữ liệu mất cân bằng trong dự đoán hành vi khách hàng?**  
Dữ liệu mất cân bằng làm cho mô hình khó nhận diện chính xác các trường hợp thuộc lớp thiểu số như khách hàng rời bỏ, dẫn đến hiệu suất dự đoán thấp. SMOTE giúp tạo thêm mẫu nhân tạo để cân bằng dữ liệu, cải thiện độ chính xác.

3. **Phương pháp học kết hợp có ưu điểm gì so với các thuật toán đơn lẻ?**  
Học kết hợp tận dụng sức mạnh của nhiều mô hình khác nhau, giảm thiểu sai số và tăng độ chính xác tổng thể, đặc biệt hiệu quả với dữ liệu phức tạp và nhiễu.

4. **Làm thế nào để lựa chọn đặc trưng quan trọng trong mô hình?**  
Sử dụng hồi quy đa biến để xác định các đặc trưng có ảnh hưởng đáng kể đến biến mục tiêu, giúp giảm chiều dữ liệu và tăng khả năng diễn giải mô hình.

5. **Các chỉ số nào được sử dụng để đánh giá hiệu suất mô hình?**  
Các chỉ số phổ biến gồm Accuracy, AUC (Area Under the Curve) và F-Measure, giúp đánh giá toàn diện về độ chính xác, khả năng phân biệt và cân bằng giữa Precision và Recall.

## Kết luận

- Đã xây dựng thành công mô hình dự đoán đồng thời hành vi rời bỏ và tần suất mua hàng của khách hàng với độ chính xác trên 90%.  
- Phương pháp trích chọn đặc trưng bằng hồi quy đa biến nâng cao hiệu suất và khả năng diễn giải mô hình.  
- Học kết hợp và học sâu được tích hợp hiệu quả, cải thiện đáng kể các chỉ số dự đoán so với các mô hình truyền thống.  
- Quy trình tiền xử lý dữ liệu toàn diện, bao gồm xử lý mất cân bằng bằng SMOTE, góp phần quan trọng vào thành công của mô hình.  
- Đề xuất các giải pháp ứng dụng thực tiễn và khuyến nghị phát triển nghiên cứu tiếp theo nhằm nâng cao hiệu quả dự đoán hành vi khách hàng.

Doanh nghiệp và nhà nghiên cứu nên áp dụng mô hình đề xuất để tối ưu hóa chiến lược kinh doanh và tiếp tục nghiên cứu mở rộng các thuật toán học máy tiên tiến nhằm nâng cao hiệu quả dự đoán trong tương lai.

Trích đoạn nội dung tài liệu

CHƯƠNG 1 GIỚI THIỆU BÀI TOÁN VÀ TỔNG QUAN LÝ THUYẾT 1. Giới thiệu bài toán Khách hàng đóng vai trò vô cùng quan trọng trong mọi doanh nghiệp và hành vi khách hàng là yếu tố quyết định trong quá trình tương tác giữa khách hàng và doanh nghiệp. Theo Philip Kotler, “Hành vi của khách hàng là cách những cá thể, nhóm và tổ chức triển khai lựa chọn, mua, sử dụng và vô hiệu sản phẩm và hàng hóa, dịch vụ, sáng tạo độc đáo và thưởng thức để thỏa mãn nhu cầu nhu yếu và mong ước của họ” [22]. Dựa trên dữ liệu lịch sử về quá trình lựa chọn, mua, sử dụng, vô hiệu hóa sản phẩm và hàng hóa, dịch vụ, doanh nghiệp có thể xây dựng mô hình dự đoán hành vi của khách hàng, từ đó giữ chân khách hàng hiện tại.

Dự đoán hành vi khách hàng là một vấn đề quan trọng mà các doanh nghiệp quan tâm bởi nó giúp họ hiểu rõ hơn về nhu cầu, mong muốn và hành vi của khách hàng. Theo Philip Kotler [23], dự đoán hành vi khách hàng được định nghĩa là "quá trình sử dụng dữ liệu và thông tin về khách hàng để dự báo và ước tính cách khách hàng sẽ tương tác, phản ứng và thực hiện quyết định trong tương lai. Điều này thường được thực hiện thông qua việc áp dụng các phương pháp phân tích dữ liệu, mô hình hóa và các kỹ thuật khác để hiểu và dự đoán hành vi của khách hàng". Luận văn tập trung vào giải quyết bài toán xây dựng mô hình dự đoán hành vi của khách hàng dựa trên hai loại hành vi chính: hành vi rời bỏ và tần suất mua hàng của khách hàng.

Với mỗi loại hành vi, luận văn sử dụng các bộ dữ liệu như sau: • Ba bộ dữ liệu về hành vi rời bỏ của khách hàng: – Bộ dữ liệu Cell2cell 1 bao gồm 71,047 bản ghi và 71 cột – Bộ dữ liệu Campaign 2 bao gồm 41,188 bản ghi và 17 cột – Bộ dữ liệu Bank 3 bao gồm 10,000 bản ghi và 12 cột • Customer Shopping Trends 4 bao gồm 3,900 bản ghi và 18 cột Dựa trên kết quả dự đoán của mô hình, doanh nghiệp có thể hiểu được nhu cầu của khách hàng và đưa ra các quyết định kinh doanh liên quan đến chiến lược định giá, các kênh tiếp thị và cơ hội bán hàng bổ sung.com/jpacse/telecom-churn-new-cell2cell-dataset.edu/dataset/222/bank+marketing.com/datasets/shrutimechlearn/churn-modelling.com/datasets/iamsouravbanerjee/customer-shopping-trends-dataset? select=shopping_trends_updated. Phát biểu bài toán Bài toán xây dựng mô hình dự đoán hành vi của khách hàng được mô tả với đầu vào và đầu ra như sau: • Đầu vào: Bài toán này tập trung vào việc dự đoán hành vi rời bỏ hoặc tần suất mua hàng của khách hàng dựa trên một tập hợp các trường dữ liệu. Đầu vào của bài toán được biểu diễn bởi tập X = x1 , ., xn là các trường dữ liệu của bộ dữ liệu được sử dụng. Chúng có thể là dữ liệu số hoặc dữ liệu phân loại, được mô tả kỹ hơn trong phần sau.

• Đầu ra: Dự đoán tần suất mua hàng của khách hàng, rời bỏ/chưa rời bỏ trong tương lai. Trong đó: – y là nhãn được gán cho người dùng. – Đối với bộ dữ liệu sử dụng để dự đoán tần suất mua hàng với 6 lớp tương ứng với tần suất mua hàng của khách hàng đạt mức hàng tuần, Hai tuần một lần, hàng tháng, 3 tháng một lần, hàng quý, Hàng năm. – Đối với bộ dữ liệu sử dụng để dự đoán hành vi rời bỏ, nhãn 0 tương ứng với khách hàng có khả năng chưa rời bỏ sản phẩm, dịch vụ, ngược lại, nhãn 1 thể hiện khách hàng có khả năng rời bỏ sản phẩm, dịch vụ trong tương lai.

Các đặc trưng dữ liệu của bài toán Dự đoán tần suất mua hàng, dự đoán rời bỏ dịch vụ của khách hàng Các đặc trưng dữ liệu của bài toán dự đoán tần suất mua hàng và dự đoán rời bỏ dịch vụ của khách hàng có những yếu tố đặc thù và đòi hỏi các phương pháp và kỹ thuật riêng biệt so với phân lớp thông thường. Việc phân loại hành vi khách hàng và phân lớp thông thường đều là những vấn đề quan trọng trong lĩnh vực phân tích dữ liệu và học máy. • Lịch sử giao dịch: Các trường dữ liệu này liên quan đến thông tin về các giao dịch trước đó của khách hàng. - Kiểu dữ liệu: Số hoặc phân loại.

Ví dụ, số tiền giao dịch, loại giao dịch (mua hàng, hoàn trả), thời gian giao dịch. • Tần suất: Các trường dữ liệu này liên quan đến tần suất mua hàng của khách hàng trong một khoảng thời gian cụ thể. - Kiểu dữ liệu: Số nguyên hoặc phân loại. Ví dụ, số lần mua hàng trong 1 tháng, khoảng tần suất (như "thấp", "trung bình", "cao").

13 • Tương tác khách hàng: Các trường dữ liệu này liên quan đến tương tác của khách hàng với hệ thống, chẳng hạn như số lần truy cập vào ứng dụng, số lần xem sản phẩm, số lần thực hiện giao dịch, v. - Kiểu dữ liệu: Số nguyên hoặc phân loại. Ví dụ, số lần truy cập, số lần xem sản phẩm, mức độ tương tác (như "thấp", "trung bình", "cao"). • Đặc điểm khách hàng: Các trường dữ liệu này liên quan đến các thông tin cá nhân của khách hàng, chẳng hạn như độ tuổi, giới tính, địa chỉ, thu nhập, v.

- Kiểu dữ liệu: Phân loại hoặc số. Ví dụ, giới tính (như "nam", "nữ"), độ tuổi (số nguyên), thu nhập (số hoặc khoảng giá trị). • Đặc trưng khác: thông tin về sản phẩm/dịch vụ,. Các trường dữ liệu này liên quan đến thông tin về sản phẩm/dịch vụ, chẳng hạn như danh mục, danh mục con, thương hiệu, đặc điểm sản phẩm, v.

- Kiểu dữ liệu: Phân loại hoặc số. Ví dụ, danh mục sản phẩm (như "điện thoại", "máy tính"), đặc điểm sản phẩm (như "màn hình cảm ứng", "hỗ trợ 4G"). Tổng quan các nghiên cứu liên quan Trong phần này, luận văn trình bày tóm tắt ngắn gọn về các nghiên cứu liên quan đến dự đoán hành vi của khách hàng đối với sản phẩm và dịch vụ, được công bố trong các tạp chí, hội nghị uy tín. Các nghiên cứu này được tóm tắt dựa trên ba khía cạnh chính: phương pháp tiền xử lý dữ liệu, kỹ thuật học máy để dự đoán hành vi khách hàng và phương pháp đánh giá mô hình.

Phương pháp tiền xử lý dữ liệu Tiền xử lý dữ liệu đóng vai trò là nền tảng cơ bản trong lĩnh vực khai thác dữ liệu, phục vụ cho việc tinh chỉnh và chắt lọc các bộ dữ liệu thô thành thông tin có ý nghĩa. Quy trình này bao gồm việc chỉnh sửa các điểm không nhất quán, giảm thiểu các giá trị bị thiếu hoặc rỗng và chỉnh sửa các phân phối lớp bị sai lệch [24]. Hơn nữa, việc xác định và lựa chọn các đặc trưng thích hợp đồng thời loại bỏ các đặc trưng thừa và nhiễu là những nhiệm vụ quan trọng, có khả năng nâng cao độ chính xác, hiệu quả bộ nhớ và tốc độ tính toán của các mô hình dự đoán. Trong nghiên cứu trước đây về chủ đề dự đoán hành vi khách hàng, quá trình tiền xử lý dữ liệu đã được thực hiện thông qua nhiều bước khác nhau nhằm mục đích nâng cao chất lượng dữ liệu trước khi phân tích.

Quá trình này thường diễn ra từ một đến 6 bước. Thông tin về số lượng các bước tiền xử lý dữ liệu sử dụng trong các nghiên cứu trước đây được tổng hợp trong bảng 1. Các bước này được mô tả chi tiết dưới đây. Dalli [7] (2022) đã thực hiện sáu bước tiền xử lý dữ liệu để cải thiện quá trình đào tạo mô hình.

Các bước này bao gồm xử lý các giá trị bị thiếu, loại bỏ các giá trị ngoại 14 Bảng 1. Tổng hợp các bước tiền xử lý dữ liệu sử dụng trong các nghiên cứu trước đây Nguồn Số bước Các bước tiền xử lý dữ liệu (1) Xử lý các giá trị bị thiếu (2) Loại bỏ các giá trị ngoại lai (3) Mã hóa các biến phân loại [7] 6 (4) Chuẩn hóa dữ liệu (5) Giải quyết sự mất cân bằng lớp (6) Trích chọn đặc trưnG (1) Xử lý dữ liệu bị thiếu (2) Mã hóa các trường dữ liệu phân loại [12] 5 (3) Chuẩn hóa các giá trị có phương sai cao (4) Trích chọn đặc trưng (5) Xử lý mất cân bằng lớp (1) Xử lý các ID mẫu đặc trưng trùng lặp và các giá trị số bị thiếu (2) Chuyển đổi từ hạng mục sang số [33] 4 (3) Biến đổi dữ liệu (4) Trích chọn đặc trưng (1) Loại bỏ các bản ghi có giá trị bị thiếu [20] 3 (2) Chuyển đổi các đặc trưng danh mục thành số (3) Chuẩn hóa dữ liệu (1) Cân bằng lớp dữ liệu [24] 3 (2) Xử lý các giá trị bị thiếu (3) Trích chọn đặc trưng (1) Số hóa [41] 3 (2) Chuẩn hóa (3) Trích chọn đặc trưng (1) Giải quyết vấn đề giá trị bị thiếu [5] 3 (2) Mã hóa biến phân loại (3) Trích chọn đặc trưng (1) Chuyển đổi loại dữ liệu đối tượng sang định dạng số [25] 3 (2) Loại bỏ trùng lặp dữ liệu (3) Trích chọn đặc trưng (1) Tiền xử lý dữ liệu văn bản [19] 2 (2) Trích chọn đặc trưng (1) Xử lý các giá trị bị thiếu [38] 2 (2) Trích chọn đặc trưng [1, 37, 48] 1 (1) Trích chọn đặc trưng 15 lai, mã hóa các biến phân loại, chuẩn hóa dữ liệu, giải quyết vấn đề mất cân bằng giữa các lớp sử dụng SMOTE (Synthetic Minority Over-sampling Technique) và trích chọn đặc trưng dựa trên mối tương quan cao. Tuy nhiên, việc phụ thuộc vào các đặc trưng có mối tương quan cao để lựa chọn đặc trưng có thể bỏ qua các trường dữ liệu hữu ích khác, cho thấy cần có chiến lược trích chọn đặc trưng toàn diện hơn. Bên cạnh đó, do chỉ tập trung vào các đặc trưng có mối tương quan cao nên cách tiếp cận của tác giả Dalli có thể vô tình bỏ qua các trường dữ liệu khác có thể góp phần cải thiện hiệu suất dự đoán.

Điều này nhấn mạnh tiềm năng của một quá trình trích chọn đặc trưng toàn diện hơn. Phương pháp SMOTE được sử dụng trong nghiên cứu này cũng được áp dụng bởi Tékouabou và cộng sự [43] (2022) và Usman-Hamza và cộng sự [45] (2022) trong các nghiên cứu của họ. Fujo và cộng sự [12] (2022) đã áp dụng một chiến lược tiền xử lý dữ liệu gồm năm bước. Nhóm tác giả xử lý dữ liệu bị thiếu, mã hóa các trường dữ liệu phân loại bằng "label encoding" và "one-hot encoding", chuẩn hóa các giá trị có phương sai cao, thực hiện trích chọn đặc trưng và xử lý mất cân bằng lớp thông qua oversampling.

Nhóm tác giả thực hiện phương pháp trích chọn đặc trưng sử dụng ma trận tương quan với ngưỡng phương sai trên 0.