Bối cảnh và vấn đề nghiên cứu

Trong bối cảnh công nghệ thông tin phát triển mạnh mẽ và sự thay đổi trong hành vi tiêu dùng sau đại dịch Covid-19, thương mại điện tử (TMĐT) đã trở thành phương thức mua sắm quen thuộc đối với người tiêu dùng tại Việt Nam thông qua các nền tảng như Shopee, Lazada, Tiki. Trên thị trường quốc tế, các sàn TMĐT lâu đời như Amazon, eBay, Alibaba từ lâu đã chiếm lĩnh thị phần đáng kể. Sự đa dạng về hàng hóa trên các nền tảng trực tuyến mang lại nhiều tiện ích nhưng đồng thời đặt người mua trước vô số lựa chọn cạnh tranh. Khi đó, đánh giá và bình luận trực tuyến (online customer reviews) từ những người mua trước trở thành nguồn tham khảo khách quan, có tính định hướng trực tiếp đến hành vi ra quyết định mua sắm của khách hàng, đồng thời giúp các nhà bán hàng nhận diện điểm yếu để hoàn thiện sản phẩm và dịch vụ.

Nhiều nghiên cứu trước đây đã phân tích phản hồi của người tiêu dùng đối với ngành hàng áo phông nam trên các nền tảng lớn như Amazon (Donghyeon Lee và cộng sự, 2017; Hui-Chun Hsu và cộng sự, 2016; Chih-Hsuan Huang, 2016). Các công trình này chỉ ra sự quan tâm của người mua đối với chất lượng vải, độ bền, thiết kế và giá cả. Tuy nhiên, các nghiên cứu trên chưa phân tách rõ ràng sự khác biệt về chủ đề thảo luận giữa nhóm khách hàng hài lòng (đánh giá 4–5 sao) và nhóm khách hàng không hài lòng (đánh giá 1–2 sao). Mặt khác, phần lớn dữ liệu trước đây tập trung vào Amazon hay eBay, trong khi Etsy – sàn TMĐT toàn cầu nổi tiếng về các sản phẩm thủ công (handmade), thiết kế sáng tạo và vintage với phân khúc áo phông nam rất phát triển – vẫn chưa được khai thác sâu.

Khóa luận xác định mục tiêu và nhiệm vụ nghiên cứu cụ thể như sau:

  1. Phân tích các đánh giá và bình luận của khách hàng nhằm tìm ra các chủ đề tiềm ẩn mà người mua quan tâm nhiều nhất đối với sản phẩm áo phông nam trên sàn thương mại điện tử Etsy.
  2. Đề xuất các giải pháp nâng cao chất lượng sản phẩm và dịch vụ đối với ngành hàng áo phông nam trên sàn Etsy dựa trên kết quả khai thác dữ liệu văn bản.

Đối tượng và phạm vi nghiên cứu của đề tài bao gồm:

  • Đối tượng nghiên cứu: Các bài đánh giá, bình luận bằng chữ và điểm số đánh giá của khách hàng đã mua sản phẩm áo phông nam trên sàn Etsy.
  • Phạm vi không gian: Sàn thương mại điện tử Etsy, tập trung vào danh mục sản phẩm "Men’s T-shirt" (https://www.etsy.com/c/clothing/mens-clothing/shirts-and-tees/tshirts).
  • Phạm vi thời gian: Dữ liệu được thu thập và xử lý trong tháng 3 năm 2023.
  • Phạm vi nội dung: Ứng dụng kỹ thuật khai thác dữ liệu văn bản không giám sát với mô hình Phân bổ Dirichlet tiềm ẩn (Latent Dirichlet Allocation – LDA).

Cơ sở lý thuyết và phương pháp

Khóa luận xây dựng nền tảng nghiên cứu dựa trên lý thuyết tổng quan về thương mại điện tử và các kỹ thuật xử lý ngôn ngữ tự nhiên, khai thác dữ liệu văn bản:

  • Tổng quan về sàn TMĐT và hành vi đánh giá: Sàn TMĐT được phân loại theo các mô hình B2C, B2B, C2B và C2C (theo định nghĩa từ Shopify). Các yếu tố khách hàng thường đánh giá bao gồm: chất lượng sản phẩm, giá cả, dịch vụ khách hàng, trải nghiệm mua sắm trực tuyến cùng các hình thức thể hiện (số sao, văn bản bình luận, hình ảnh minh họa, đánh giá chi tiết).
  • Khái niệm và đặc điểm dữ liệu văn bản: Dữ liệu văn bản là nguồn dữ liệu phi cấu trúc phong phú nhưng phức tạp do tính chất đa nghĩa và phi chuẩn của ngôn ngữ tự nhiên (Manning và cộng sự, 2008; Alpaydin, 2010). Các kỹ thuật truyền thống như TF-IDF, LSA (Latent Semantic Analysis) và pLSA (Probabilistic Latent Semantic Analysis) tồn tại các hạn chế về việc bỏ qua quan hệ ngữ nghĩa giữa các từ hoặc gặp khó khăn khi xác định số lượng chủ đề tự động trên văn bản dài.
  • Mô hình Phân bổ Dirichlet tiềm ẩn (LDA): Được phát triển bởi Blei và cộng sự (2003), LDA là mô hình sinh xác suất ba cấp (three-level generative model). Mỗi tài liệu trong tập dữ liệu được giả định là một hỗn hợp ngẫu nhiên của các chủ đề tiềm ẩn ($K$ chủ đề), và mỗi chủ đề là một phân phối xác suất trên toàn bộ kho từ vựng ($V$ từ).
    • Tham số $\alpha$ đại diện cho phân phối tiên nghiệm Dirichlet của chủ đề trong văn bản.
    • Tham số $\beta$ đại diện cho phân phối tiên nghiệm Dirichlet của từ ngữ trong chủ đề.
    • Phép ước lượng tham số của mô hình được thực hiện thông qua kỹ thuật lấy mẫu Gibbs (Gibbs Sampling).

Quy trình thu thập và xử lý dữ liệu được tiến hành qua các công đoạn:

  1. Thu thập dữ liệu (Web Scraping): Xây dựng công cụ thu thập dữ liệu bằng ngôn ngữ lập trình Python, sử dụng các thư viện webdriver (Selenium) và BeautifulSoup để trích xuất dữ liệu từ mã HTML của 10 trang đầu tiên trong danh mục áo phông nam trên Etsy. Dữ liệu sau thu thập được lưu trữ dưới định dạng .csv.
  2. Tiền xử lý văn bản: Toàn bộ quy trình tiền xử lý được lập trình bằng ngôn ngữ R với gói chuyên dụng quanteda (Benoit và Watanabe) và topicmodels (Blei và cộng sự). Các bước chuẩn hóa gồm:
    • Chuyển toàn bộ văn bản về chữ thường (lowercasing).
    • Chuẩn hóa từ gốc và thay thế từ đồng nghĩa.
    • Loại bỏ các từ dừng (stopwords) và các từ không mang giá trị giải thích (ví dụ: "na", "n/a", "all", "order", "nothing", "great"...).
    • Áp dụng kỹ thuật tách từ đơn (unigram) và cặp từ liền kề (bigram) bằng phương pháp $n$-grams (ví dụ: tạo các cụm fun_comfort, ship_fast) nhằm tăng cường khả năng biểu đạt ngữ nghĩa của chủ đề.
  3. Lựa chọn số lượng chủ đề tối ưu ($k$): Dựa trên 4 chỉ số thống kê gồm Griffiths2004, Deveaud2014 (giá trị càng cao càng tối ưu) cùng CaoJuan2009, Arun2010 (giá trị càng thấp càng tối ưu).

Nội dung chính theo từng chương

Chương 1: Cơ sở lý thuyết và phương pháp khai thác dữ liệu văn bản

Chương 1 cung cấp hệ thống lý luận hoàn chỉnh về thương mại điện tử và mô hình toán học của kỹ thuật LDA:

  • Thương mại điện tử: Trình bày 4 mô hình giao dịch cơ bản (B2C, B2B, C2B, C2C), mô hình vận hành sàn kết nối người mua và người bán, phân tích 10 ưu điểm lớn theo Amazon (tiết kiệm chi phí, tiếp cận toàn cầu, tăng doanh số, tăng tương tác, giảm thiểu sai sót, quản lý kho hàng, tăng cạnh tranh, mở rộng thị trường, tiện lợi linh hoạt, tối ưu vận chuyển) cùng các thách thức về mức độ cạnh tranh và trải nghiệm trực tiếp theo Suresh Kumar và cộng sự (2015).
  • Hệ thống đánh giá trực tuyến: Làm rõ 4 nhóm yếu tố được người tiêu dùng đánh giá (chất lượng, giá cả, dịch vụ, trải nghiệm) và các hình thức đánh giá (sao, văn bản, hình ảnh, chi tiết).
  • Cơ chế tính toán của LDA: Chứng minh ưu thế giảm tải độ phức tạp tính toán của LDA so với phương pháp phân tích cặp từ - văn bản thông thường. Ví dụ với 2.000 từ ngữ và 1.000 tài liệu, phương pháp truyền thống đòi hỏi xử lý $2.000.000$ cặp kết hợp, trong khi mô hình LDA với 3 chủ đề trung gian chỉ cần xử lý $9.000$ cặp kết hợp $(2.000 \times 3 + 1.000 \times 3)$.
  • Tổng quan ứng dụng LDA: Điểm lại các nghiên cứu tiêu biểu ứng dụng LDA trong phân tích đánh giá thời trang trực tuyến (Kim và cộng sự, 2019), phân tích phản hồi du lịch trên TripAdvisor (Liu và cộng sự, 2017), phân tích tài liệu y khoa (Chen và cộng sự, 2016) và nghiên cứu giáo dục (Lee và cộng sự, 2018).

Chương 2: Vận dụng phương pháp khai thác dữ liệu văn bản nghiên cứu đánh giá của khách hàng đã mua sản phẩm áo phông nam trên sàn thương mại điện tử Etsy

Chương 2 trình bày chi tiết thực nghiệm phân tích trên tập dữ liệu thực tế thu thập từ Etsy:

  • Đặc trưng nền tảng: Giới thiệu sàn Etsy (thành lập năm 2005 bởi Robert Kalin, Chris Maguire, Haim Schoppik; hiện thuộc Etsy Inc.) – chuyên về hàng thủ công, vintage, thiết kế sáng tạo. Ngách sản phẩm áo phông nam là một trong những mặt hàng có lượng giao dịch lớn nhất.
  • Đặc điểm mẫu nghiên cứu: Tổng số dữ liệu thô thu thập được từ 10 trang đầu hiển thị gồm 516 sản phẩm với 40.513 lượt đánh giá và bình luận. Phân tích phân phối giá qua biểu đồ Histogram cho thấy có 2 sản phẩm ngoại lai (Outliers) có giá quá cao so với mặt bằng chung (mã sản phẩm 247868316 và 244524812), các quan sát này đã được loại bỏ khỏi mẫu phân tích.

Bảng 1: Thống kê mô tả các thuộc tính cơ bản của 516 sản phẩm áo phông nam trên Etsy

Thuộc tính Số quan sát Trung bình Trung vị Độ lệch chuẩn Giá trị nhỏ nhất (Min) Giá trị lớn nhất (Max)
Giá bán (VNĐ) 516 509.983 492.611 281.729,3 47.041 4.378.238
Số sao đánh giá 516 4,75 4,8876 0,59 1,00 5,00
Tổng số lượng đánh giá 516 6.186,67 2.987 7.910,74 2 45.852

Bảng 2: Cơ cấu phân bố số sao đánh giá trong tập dữ liệu 40.513 bình luận

Mức đánh giá (Số sao) Tần số (Lượt đánh giá) Tần suất (%)
1 sao 1.273 3,14
2 sao 474 1,16
3 sao 951 2,34
4 sao 2.464 6,08
5 sao 35.351 87,25
Tổng cộng 40.513 100,00
  • Độ dài và tần suất từ trong đánh giá: Phân tích độ dài cho thấy đánh giá dài nhất chứa 59 từ, ngắn nhất 1 từ; độ dài trung bình là 13,59 từ và trung vị là 12 từ. Đám mây từ ngữ (Word Cloud) chỉ ra rằng đánh giá chung và nhóm 4–5 sao tập trung vào các từ: comfort, ship, fast, expect, soft, qualiti. Ngược lại, nhóm đánh giá 1–2 sao xuất hiện nhiều từ ngữ tiêu cực: wash, print, refund, wait, differ, wrong.

Kết quả và đóng góp

Kết quả mô hình phân bổ chủ đề tiềm ẩn (LDA)

Sau khi kiểm định 4 chỉ số thống kê để chọn số lượng cụm tối ưu, nghiên cứu xác định được số lượng chủ đề phù hợp: mô hình đánh giá chung ($k = 4$), mô hình đánh giá 4–5 sao ($k = 6$), mô hình đánh giá 1–2 sao ($k = 6$). Dựa vào hệ số phân phối $\beta$ của các từ khóa quan trọng, các chủ đề được định danh và xếp hạng theo mức độ đại diện (tần suất xuất hiện của chủ đề trong tập văn bản).

Bảng 3: Tổng hợp kết quả trích xuất chủ đề từ mô hình LDA

Nhóm phân tích Chủ đề Mức đại diện Từ khóa tiêu biểu Tên chủ đề gán nhãn
Đánh giá chung 1 183 qualiti, time, arriv, seller, soft, fast, custom, first, made, true Chất lượng
2 146 ship, cute, shop, pictur, print, make, item, receiv, quick, custom Vận chuyển
3 111 qualiti, design, color, came, fast, day, soft, comfort, expect, quick Thiết kế
4 59 size, fit, materi, nice, small, littl, big, larg, mani, medium Kích cỡ
Đánh giá 4–5 sao 1 144 ship, quick, shop, big, deliveri, bit, comfort, tshirt, wonder, glad Thời gian vận chuyển
(Nhóm hài lòng) 2 124 size, print, small, true, high, medium, pictur, run, comfort, favorit Kích cỡ
3 81 qualiti, arriv, design, nice, make, custom, exact, excel, receiv, back Chất lượng in
4 78 fit, color, littl, soft, made, fast, seller, wash, comfi, boyfriend Độ thoải mái
5 51 fast, time, came, day, servic, first, beauti, befor, ask, fit Thời gian phản hồi
6 17 cute, soft, materi, larg, nice, custom, thing, old, expect, work Chất liệu và thiết kế
Đánh giá 1–2 sao 1 54 size, seller, item, shop, receiv, correct, come, week, last, tshirt Hiệu quả tư vấn
(Nhóm không hài lòng) 2 43 color, time, custom, came, nice, month, pictur, black, differ, white Màu sắc
3 42 wash, design, cute, back, letter, said, sinc, respons, deliv, receiv_item Độ bền hình in
4 38 qualiti, small, item, refund, befor, wrong, thought, feel, use, Servic Chất lượng
5 15 ship, day, print, fit, arriv, still, qualiti, expect, two, track Vận chuyển
6 4 receiv, wait, say, pictur, imag, exchang, arriv, can, etsi, need Không nhận được hàng/sai mô tả

Các giải pháp đề xuất từ kết quả nghiên cứu

Từ các phát hiện định lượng, tác giả đề xuất 4 nhóm giải pháp thực tiễn cho các doanh nghiệp và người bán hàng áo phông nam trên Etsy:

  1. Nâng cao chất lượng sản phẩm và dịch vụ: Hợp tác với các đơn vị sản xuất uy tín nhằm đảm bảo chất lượng phôi vải và công nghệ in ấn; lựa chọn đối tác vận chuyển chuyên nghiệp để đảm bảo tiến độ giao nhận.
  2. Cải thiện trải nghiệm mua sắm trực tuyến: Xây dựng quy trình hỗ trợ khách hàng đa kênh, phản hồi nhanh chóng và thiết lập chính sách đổi trả, hoàn tiền linh hoạt nhằm củng cố lòng tin của người mua.
  3. Tăng cường quản lý chất lượng trước khi giao hàng: Kiểm tra nghiêm ngặt tính chính xác của đơn hàng (đúng bảng size, đúng mã màu thực tế, chất lượng hình in không bong tróc sau khi giặt) nhằm hạn chế tối đa các đánh giá 1–2 sao.
  4. Nâng cao hiệu quả tư vấn: Đào tạo chuyên sâu cho đội ngũ nhân viên tư vấn về thông số kích cỡ (fit/size), chất liệu vải và thời gian xử lý đơn hàng để trả lời chính xác nhu cầu của khách hàng trước khi mua.

Đóng góp học thuật và thực tiễn

  • So với các nghiên cứu trước của Donghyeon Lee và cộng sự (2017) hay Chih-Hsuan Huang (2016), đề tài đã mở rộng phạm vi sang sàn TMĐT ngách chuyên biệt Etsy.
  • Tách biệt rõ ràng ma trận chủ đề giữa nhóm khách hàng hài lòng (4–5 sao) và không hài lòng (1–2 sao), chỉ ra các yếu tố then chốt dẫn tới trải nghiệm tiêu cực như "Hiệu quả tư vấn" (mức đại diện 54), "Màu sắc sai lệch" (43) và "Độ bền hình in khi giặt" (42).

Hạn chế và hướng nghiên cứu tiếp

  • Hạn chế về phạm vi mẫu: Nghiên cứu chỉ thu thập dữ liệu trong phạm vi 10 trang đầu tiên của danh mục Men's T-shirt trên Etsy trong một thời điểm nhất định (tháng 3 năm 2023), chưa phản ánh toàn bộ các sản phẩm ở các trang tiếp theo hoặc biến động theo mùa vụ trong năm.
  • Hạn chế của thuật toán mô hình: Bản chất của mô hình LDA là học máy không giám sát, kết quả phân cụm và gán nhãn phụ thuộc vào việc lựa chọn số lượng chủ đề $k$, bộ từ điển dừng và kinh nghiệm chuyên môn của người nghiên cứu khi diễn giải ma trận trọng số $\beta$.
  • Hướng nghiên cứu tiếp theo: Mở rộng thu thập dữ liệu theo chuỗi thời gian dài hơn, kết hợp phân tích đa ngành hàng thời trang và ứng dụng các kỹ thuật xử lý ngôn ngữ tự nhiên tiên tiến để so sánh hiệu quả phân cụm chủ đề.

Giá trị tham khảo

Khóa luận là tài liệu tham khảo hữu ích cho:

  • Sinh viên và học viên ngành Thống kê kinh tế, Phân tích dữ liệu kinh doanh (Business Analytics), Hệ thống thông tin quản lý: Tham khảo phương pháp xây dựng pipeline xử lý dữ liệu văn bản từ khâu cào dữ liệu web (Python với BeautifulSoup/Selenium), tiền xử lý $n$-grams (quanteda trong R) đến ước lượng mô hình LDA (topicmodels).
  • Các doanh nghiệp, nhà bán hàng (sellers) và cá nhân khởi nghiệp kinh doanh trên nền tảng Etsy: Nắm bắt chi tiết các thuộc tính sản phẩm quyết định đến sự hài lòng của khách hàng quốc tế đối với ngành hàng áo phông nam để tối ưu hóa mô tả sản phẩm, kiểm soát chất lượng in và cải thiện dịch vụ chăm sóc khách hàng.

Câu hỏi thường gặp

1. Dữ liệu nghiên cứu của đề tài được thu thập như thế nào và quy mô mẫu là bao nhiêu?
Dữ liệu được thu thập tự động từ 10 trang đầu của danh mục áo phông nam trên Etsy vào tháng 3/2023 bằng mã nguồn Python (webdriver, BeautifulSoup). Tập dữ liệu gồm 516 sản phẩm (sau khi loại 2 quan sát ngoại lai có giá bất thường) với tổng cộng 40.513 bình luận văn bản và điểm đánh giá sao.

2. Tại sao nghiên cứu lại chọn mô hình LDA thay vì các phương pháp như TF-IDF hay LSA?
Mô hình LDA (Latent Dirichlet Allocation) là mô hình sinh xác suất cho phép trích xuất tự động các chủ đề tiềm ẩn dưới dạng phân phối xác suất của từ vựng, khắc phục nhược điểm không xử lý được quan hệ ngữ nghĩa của TF-IDF và giải quyết tình trạng kém hiệu quả trên văn bản phức tạp của LSA/pLSA.

3. Cơ cấu số sao đánh giá của khách hàng đối với áo phông nam trên Etsy có đặc điểm gì?
Phần lớn khách hàng đánh giá tích cực với 87,25% đánh giá 5 sao (35.351 lượt) và 6,08% đánh giá 4 sao (2.464 lượt). Tỷ lệ đánh giá tiêu cực chiếm tỷ trọng rất nhỏ: 1 sao chiếm 3,14% (1.273 lượt), 2 sao chiếm 1,16% (474 lượt) và 3 sao chiếm 2,34% (951 lượt). Điểm số đánh giá trung bình đạt 4,75/5 sao.

4. Khách hàng hài lòng (4–5 sao) và khách hàng không hài lòng (1–2 sao) quan tâm đến những chủ đề khác nhau như thế nào?
Khách hàng đánh giá 4–5 sao nhắc nhiều nhất đến "Thời gian vận chuyển" (mức đại diện 144), "Kích cỡ" (124) và "Chất lượng in" (81). Ngược lại, nhóm đánh giá 1–2 sao tập trung phàn nàn về "Hiệu quả tư vấn của người bán" (mức đại diện 54), "Màu sắc thực tế khác hình ảnh" (43) và "Độ bền hình in bị hỏng khi giặt" (42).

5. Công cụ và gói phần mềm nào đã được sử dụng để xử lý dữ liệu trong khóa luận?
Quá trình thu thập dữ liệu web sử dụng Python với thư viện BeautifulSoup và webdriver. Toàn bộ công đoạn tiền xử lý văn bản, tạo $n$-grams và mô hình hóa chủ đề LDA được thực hiện trên môi trường R bằng các gói quanteda, topicmodels và wordcloud.

Kết luận

Khóa luận tốt nghiệp của sinh viên Lê Quang Anh đã ứng dụng thành công kỹ thuật khai thác dữ liệu văn bản bằng mô hình Phân bổ Dirichlet tiềm ẩn (LDA) trên tập dữ liệu 40.513 đánh giá sản phẩm áo phông nam từ sàn Etsy. Kết quả nghiên cứu đã làm rõ các chủ đề then chốt chi phối mức độ hài lòng của khách hàng và nhận diện chính xác các nguyên nhân cốt lõi gây ra đánh giá tiêu cực liên quan đến tư vấn, sai lệch màu sắc và độ bền in ấn. Các phát hiện định lượng cung cấp cơ sở thực tiễn vững chắc giúp các nhà bán hàng trực tuyến nâng cao năng lực cạnh tranh và chất lượng dịch vụ trên thị trường thương mại điện tử quốc tế.