PHÂN TÍCH CẢM XÚC NGƯỜI DÙNG SHOPEE BẰNG HỌC MÁY: BÁO CÁO NGHIÊN CỨU & KHAI PHÁ DỮ LIỆU ĐÁNH GIÁ TRỰC TUYẾN

Tóm tắt nghiên cứu (Research Summary)

  • Câu hỏi nghiên cứu chính: Người tiêu dùng Việt Nam bộc lộ cảm xúc và thái độ như thế nào đối với trải nghiệm sử dụng sàn thương mại điện tử (TMĐT) Shopee qua các đánh giá trực tuyến trên App Store và Google Play? Những mô hình học máy (Machine Learning) có giám sát nào đạt hiệu năng tối ưu trong việc tự động phân loại cảm xúc từ dữ liệu văn bản tiếng Việt ngắn?
  • Tổng quan phương pháp tiếp cận: Nghiên cứu xây dựng một quy trình khai phá dữ liệu toàn diện bao gồm: thu thập đánh giá người dùng trên hai kho ứng dụng Google Play và App Store; thực hiện tiền xử lý ngôn ngữ tự nhiên tiếng Việt chuyên sâu (loại bỏ emoji, chuẩn hóa từ lóng/teencode, xóa stop words); trích xuất đặc trưng văn bản bằng mô hình không gian vector kết hợp trọng số TF-IDF; sau đó tiến hành huấn luyện và so sánh ba thuật toán phân lớp kinh điển: Naive Bayes, Hồi quy Logistic (Logistic Regression) và Máy Vector Hỗ trợ (Support Vector Machine - SVM).
  • Phát hiện cốt lõi: Các mô hình học máy có giám sát chứng minh khả năng phân loại chính xác các luồng ý kiến tích cực và tiêu cực của người dùng. Nghiên cứu đã bóc tách được các cụm nguyên nhân chính dẫn đến sự thất vọng của khách hàng—tập trung vào lỗi cập nhật ứng dụng, chính sách voucher, phí vận chuyển và giao diện tương tác—đồng thời chỉ ra các điểm chạm mang lại sự hài lòng vượt trội.
  • Hàm ý thực tiễn: Nghiên cứu cung cấp một khuôn khổ công nghệ tự động hóa quy trình lắng nghe khách hàng (Social/App Listening), giúp các nhà phát triển ứng dụng và nhà quản trị TMĐT tại Việt Nam chuyển hóa phản hồi phi cấu trúc thành các quyết định cải tiến sản phẩm và dịch vụ có căn cứ dữ liệu chuẩn xác.

Bối cảnh và tầm quan trọng (Context & Significance)

Thực trạng phát triển của Thương mại Điện tử tại Việt Nam

Thương mại điện tử đã trở thành một phần thiết yếu trong hành vi tiêu dùng hiện đại. Tại Việt Nam, hơn 74,8% người dùng Internet tham gia mua sắm trực tuyến với thời lượng truy cập trung bình 6,38 giờ mỗi ngày. Theo các báo cáo thị trường từ Momentum Works và VnEconomy, Shopee đang giữ vị thế thống lĩnh áp đảo khi chiếm tới 63% thị phần toàn ngành (gấp 2,7 lần đối thủ đứng thứ hai là Lazada) và cùng với TikTok Shop chi phối hơn 90% giao dịch trực tuyến.

Khoảng trống nghiên cứu (Research Gap)

Sự bùng nổ của các kho ứng dụng di động đã biến hệ thống đánh giá trực tuyến (Reviews & Ratings) trên App Store và Google Play thành nguồn dữ liệu phản ánh trung thực và tức thời nhất về trải nghiệm khách hàng. Theo Lý thuyết Thống nhất về Chấp nhận và Sử dụng Công nghệ (UTAUT) cùng lý thuyết về Ảnh hưởng xã hội (Social Influence), các đánh giá công khai này có tác động trực tiếp, mang tính quyết định đến ý định tải ứng dụng và hành vi mua sắm của người dùng mới.

Tuy nhiên, phần lớn các công trình nghiên cứu phân tích cảm xúc (Sentiment Analysis) trước đây chủ yếu tập trung vào ngữ liệu tiếng Anh hoặc tiếng Indonesia/Bahasa. Tại Việt Nam, việc nghiên cứu khai phá văn bản và phân loại cảm xúc tự động từ đánh giá ứng dụng di động còn rất hạn chế. rào cản ngữ nghĩa tiếng Việt—với đặc trưng từ ngữ phong phú, nhiều từ lóng (slang), teencode, viết tắt và cách diễn đạt ẩn dụ phức tạp—tạo ra một khoảng trống nghiên cứu lớn cần được giải quyết bằng các kỹ thuật học máy hiện đại.

Tính thời điểm và Tác động tiềm năng

Đề tài "Sử dụng phương pháp học máy để phân tích cảm xúc người dùng về trải nghiệm sử dụng sàn TMĐT Shopee dựa trên bình luận trực tuyến" (tham gia xét Giải thưởng “Nhà nghiên cứu trẻ UEH 2024”) ra đời đúng thời điểm các doanh nghiệp số đang dịch chuyển mạnh mẽ từ khảo sát thủ công sang phân tích dữ liệu lớn theo thời gian thực. Nghiên cứu không chỉ giải quyết bài toán công nghệ xử lý ngôn ngữ tự nhiên (NLP) cho tiếng Việt mà còn tạo ra công cụ quản trị chiến lược giúp doanh nghiệp tối ưu hóa chi phí vận hành và giữ chân khách hàng.

Phương pháp luận và Tiếp cận nghiên cứu (Methodology & Approach)

Nghiên cứu áp dụng quy trình kết hợp giữa nghiên cứu định tính (tổng hợp y văn, xây dựng quy tắc chuẩn hóa văn bản tiếng Việt) và nghiên cứu định lượng (thực nghiệm mô hình hóa học máy) qua 5 giai đoạn chặt chẽ:

[Thu thập dữ liệu] ➔ [Tiền xử lý văn bản] ➔ [Trích xuất đặc trưng TF-IDF] ➔ [Huấn luyện mô hình ML] ➔ [Đánh giá & Khai phá]

1. Thu thập dữ liệu (Data Collection)

Dữ liệu nghiên cứu gồm các bình luận, đánh giá thực tế của người dùng Việt Nam về ứng dụng Shopee trên cả hai nền tảng phân phối ứng dụng di động lớn nhất: Google Play Store (Android) và Apple App Store (iOS). Quá trình thu thập được tự động hóa bằng các công cụ trích xuất dữ liệu web chuyên dụng (Scraping tools).

2. Tiền xử lý dữ liệu tiếng Việt (Data Preprocessing)

Văn bản đánh giá trên môi trường di động thường chứa nhiều nhiễu. Nhóm tác giả đã thiết lập pipeline làm sạch toàn diện:

  • Loại bỏ biểu tượng cảm xúc (Demoji): Sử dụng thư viện demoji để lọc bỏ các ký tự icon, emoji không chuẩn hóa.
  • Chuẩn hóa chữ viết và lỗi chính tả: Chuyển đổi toàn bộ văn bản về chữ thường (Lowercasing), sửa lỗi gõ tiếng Việt, chuẩn hóa từ viết tắt và tiếng lóng mạng (teencode).
  • Loại bỏ ký tự đặc biệt: Xóa bỏ dấu câu thừa, khoảng trắng dư thừa, ký tự số không mang giá trị phân loại.
  • Loại bỏ từ dừng (Stopwords Removal): Xây dựng bộ từ điển từ dừng tiếng Việt riêng biệt để loại bỏ các hư từ xuất hiện nhiều nhưng ít giá trị phân biệt cảm xúc.
  • Gán nhãn dữ liệu: Dữ liệu sau khi làm sạch được phân loại thành hai nhãn nhị phân: Tích cực (Positive) và Tiêu cực (Negative).

3. Trích xuất đặc trưng (Feature Extraction)

Dữ liệu văn bản được ánh xạ sang không gian vector số học thông qua mô hình Không gian Vector (VSM - Vector Space Model) kết hợp kỹ thuật TF-IDF (Term Frequency - Inverse Document Frequency): $$\text{TF-IDF}(t, d, D) = \text{TF}(t, d) \times \text{IDF}(t, D) = \text{TF}(t, d) \times \log\left(\frac{N}{|{d \in D : t \in d}| + 1}\right)$$ Kỹ thuật này cho phép định lượng chính xác tầm quan trọng của một từ khóa trong từng bình luận so với toàn bộ tập ngữ liệu.

4. Kỹ thuật phân tích và Huấn luyện mô hình

Nghiên cứu triển khai thực nghiệm trên môi trường lập trình Python kết hợp thư viện scikit-learn với ba thuật toán học máy có giám sát:

  • Naive Bayes: Mô hình phân loại xác suất dựa trên định lý Bayes với giả định ngây thơ về tính độc lập giữa các thuộc tính đặc trưng.
  • Support Vector Machine (SVM): Tìm kiếm siêu phẳng phân cách tối ưu trong không gian nhiều chiều nhằm tối đa hóa khoảng cách biên (Margin) giữa hai lớp cảm xúc, kết hợp kỹ thuật Soft Margin để xử lý dữ liệu chồng lấn.
  • Hồi quy Logistic (Logistic Regression): Mô hình phân loại tuyến tính sử dụng hàm kích hoạt Sigmoid $S(z) = \frac{1}{1 + e^{-z}}$ và tối ưu hóa hàm mất mát Cross-Entropy thông qua thuật toán Gradient Descent.

5. Đánh giá độ tin cậy và Kiểm định

Hiệu năng của các mô hình được đo lường khách quan thông qua Ma trận nhầm lẫn (Confusion Matrix) cùng hệ thống chỉ số chuẩn mực:

  • Accuracy (Độ chính xác tổng thể)
  • Precision (Độ chính xác trên từng lớp)
  • Recall (Độ phủ/Độ nhạy)
  • F1-Score (Trung bình điều hòa giữa Precision và Recall): $$F_1 = 2 \times \frac{\text{Precision} \times \text{Recall}}{\text{Precision} + \text{Recall}}$$

Phát hiện chính của nghiên cứu (Key Findings)

1. Hiệu năng vượt trội của mô hình học máy trên dữ liệu tiếng Việt

Kết quả thực nghiệm khẳng định việc kết hợp tiền xử lý văn bản chuyên sâu với kỹ thuật TF-IDF cho phép các thuật toán học máy có giám sát phân loại chính xác cảm xúc người dùng tiếng Việt. Cả ba mô hình đều đạt được các chỉ số phân lớp ấn tượng:

  • SVM và Logistic Regression thể hiện tính ổn định vượt trội trong không gian đặc trưng nhiều chiều, hạn chế tối đa hiện tượng quá khớp (overfitting).
  • Naive Bayes duy trì tốc độ huấn luyện và dự đoán theo thời gian thực cực nhanh, phù hợp cho các tác vụ tiền xử lý quy mô lớn.

2. Sự phân cực rõ rệt trong tâm lý người dùng

Phân tích cho thấy người tiêu dùng đánh giá cao Shopee ở khía cạnh sự tiện lợi, tính đa dạng của sản phẩm và chương trình ưu đãi giảm giá. Các từ khóa mang trọng số tích cực cao nhất gắn liền với trải nghiệm mua hàng suôn sẻ, tốc độ giao nhận và ưu đãi miễn phí vận chuyển.

3. Bóc tách các điểm nghẽn trải nghiệm (Pain Points) từ bình luận tiêu cực

Khai phá sâu các bình luận thuộc nhãn Tiêu cực (Negative) đã chỉ ra 4 nhóm nguyên nhân cốt lõi khiến khách hàng không hài lòng:

  1. Sự cố kỹ thuật và cập nhật ứng dụng (38% phản hồi tiêu cực): Các phản ánh gay gắt nhất xuất hiện ngay sau các đợt cập nhật phiên bản mới—ứng dụng gặp tình trạng giật lag, tự động thoát (crash), nóng máy hoặc tiêu hao dung lượng bộ nhớ bất thường.
  2. Chính sách ưu đãi và phí vận chuyển (27%): Người dùng thể hiện sự thất vọng sâu sắc khi mã giảm giá (voucher) khó sử dụng, phí ship tăng cao hoặc điều kiện áp dụng mã miễn phí vận chuyển trở nên khắt khe.
  3. Chất lượng hỗ trợ khách hàng (20%): Sự phụ thuộc vào chatbot trả lời tự động thiếu linh hoạt, thời gian phản hồi khiếu nại của nhân viên hỗ trợ chậm trễ và khó khăn trong việc kết nối với tổng đài viên trực tiếp.
  4. Trải nghiệm giao diện người dùng (UI/UX - 15%): Giao diện trang chủ bị phàn nàn là quá nhiều banner quảng cáo, thông tin rối rắm và tính năng gợi ý sản phẩm đôi khi chưa bám sát nhu cầu cá nhân hóa.

Đóng góp khoa học và Ý nghĩa thực tiễn (Contributions & Implications)

Trụ cột Giá trị đóng góp cụ thể
Lý thuyết khoa học • Bổ sung bằng chứng thực nghiệm cho mô hình UTAUT trong bối cảnh TMĐT di động tại thị trường mới nổi.
• Làm phong phú kho ngữ liệu và lý thuyết khai phá văn bản tiếng Việt phân tích cảm xúc.
Phương pháp luận • Đề xuất khung tiền xử lý văn bản tiếng Việt tiêu chuẩn hóa cho dữ liệu đánh giá app store.
• Tích hợp hiệu quả giữa kỹ thuật demoji, chuẩn hóa teencode và mô hình VSM/TF-IDF.
Thực tiễn doanh nghiệp • Cung cấp giải pháp App Listening tự động, giảm thiểu 90% thời gian rà soát thủ công.
• Thiết lập hệ thống cảnh báo sớm lỗi ứng dụng ngay sau khi phát hành bản cập nhật mới.
Chiến lược thị trường • Định hướng tối ưu hóa chính sách phí vận chuyển và cơ chế phân phối voucher minh bạch.
• Đổi mới dịch vụ chăm sóc khách hàng bằng cách kết hợp hài hòa giữa AI bot và nhân viên tư vấn.

Đối tượng hưởng lợi từ nghiên cứu (Target Audience)

  1. Nhà nghiên cứu học thuật & Sinh viên ngành CNTT/Khoa học Dữ liệu: Tài liệu tham khảo chuẩn mực về quy trình NLP tiếng Việt, phương pháp xây dựng ma trận đặc trưng TF-IDF và kỹ thuật đánh giá mô hình học máy phân lớp.
  2. Đội ngũ Phát triển Sản phẩm (Product Managers & App Developers): Công cụ đắc lực để theo dõi "sức khỏe" ứng dụng sau mỗi bản release, nhanh chóng phát hiện các lỗi tương thích hệ điều hành.
  3. Đội ngũ Chăm sóc Khách hàng & Tiếp thị (Marketing & CX Teams): Hiểu rõ ngôn ngữ tự nhiên và tâm lý khách hàng để thiết kế các chiến dịch truyền thông phù hợp, cải thiện chất lượng dịch vụ hỗ trợ.
  4. Cơ quan Quản lý Nhà nước và Hiệp hội TMĐT: Cung cấp phương pháp luận khoa học để đo lường chỉ số hài lòng của người tiêu dùng đối với các nền tảng kinh tế số.

Câu hỏi thường gặp (FAQ)

1. Phát hiện quan trọng nhất của đề tài nghiên cứu này là gì?

Nghiên cứu chỉ ra rằng cảm xúc tiêu cực của người dùng Shopee trên kho ứng dụng phần lớn không xuất phát từ chất lượng hàng hóa của người bán, mà bắt nguồn trực tiếp từ trải nghiệm kỹ thuật trên ứng dụng (lỗi lag sau cập nhật, chiếm dụng tài nguyên) và sự thay đổi chính sách phí vận chuyển/voucher.

2. Quy trình tiền xử lý văn bản tiếng Việt trong nghiên cứu có gì đặc thù?

Khác với văn bản thông thường, đánh giá trên kho ứng dụng chứa rất nhiều icon cảm xúc, từ lóng mạng và lỗi chính tả. Nhóm tác giả đã xây dựng quy trình kết hợp thư viện demoji để bóc tách emoji, sử dụng từ điển chuẩn hóa teencode tiếng Việt và loại bỏ danh sách stopwords được tinh chỉnh riêng cho ngữ cảnh TMĐT.

3. Kết quả mô hình có thể khái quát hóa (Generalize) cho các nền tảng khác không?

Hoàn toàn có thể. Quy trình tiền xử lý và pipeline học máy (TF-IDF + SVM/Logistic Regression) trong nghiên cứu này có tính linh hoạt cao, có thể áp dụng trực tiếp cho các sàn TMĐT khác như Lazada, Tiki, TikTok Shop hoặc các ứng dụng dịch vụ như giao đồ ăn, đặt xe công nghệ, ví điện tử.

4. Đâu là hạn chế của nghiên cứu và các bước phát triển tiếp theo?

Nghiên cứu hiện tập trung vào phân loại nhị phân (Tích cực - Tiêu cực) trên các mô hình Machine Learning truyền thống. Hướng phát triển tiếp theo là mở rộng sang phân loại cảm xúc đa khía cạnh (Aspect-Based Sentiment Analysis) và ứng dụng các mô hình học sâu/ngôn ngữ lớn tiên tiến như PhoBERT, LSTM, hoặc Transformers.

5. Doanh nghiệp có thể ứng dụng kết quả này vào vận hành thực tế như thế nào?

Doanh nghiệp có thể tích hợp pipeline này vào hệ thống CI/CD để tự động quét đánh giá người dùng 24/7. Khi tỷ lệ bình luận tiêu cực về một tính năng vượt ngưỡng cảnh báo, hệ thống sẽ tự động kích hoạt ticket kỹ thuật để đội ngũ lập trình viên xử lý kịp thời.

Kết luận (Conclusion)

Đề tài nghiên cứu khoa học "Sử dụng phương pháp học máy để phân tích cảm xúc người dùng về trải nghiệm sử dụng sàn TMĐT Shopee dựa trên bình luận trực tuyến" đã giải quyết xuất sắc bài toán kết nối giữa kỹ thuật phân tích dữ liệu hiện đại và nhu cầu quản trị kinh doanh thực tiễn. Bằng việc xây dựng thành công pipeline xử lý ngôn ngữ tự nhiên tiếng Việt kết hợp các mô hình học máy có giám sát (SVM, Logistic Regression, Naive Bayes), nghiên cứu đã chứng minh tính khả thi và hiệu quả vượt bậc của việc tự động hóa lắng nghe tiếng nói khách hàng.

Trong tương lai, việc tích hợp các kiến trúc Deep Learning chuyên sâu cho tiếng Việt như PhoBERT sẽ tiếp tục nâng cao độ chính xác trong việc giải mã các ngữ cảnh phức tạp. Đây là bước đi tất yếu để các doanh nghiệp số tại Việt Nam xây dựng lợi thế cạnh tranh bền vững dựa trên dữ liệu.

Hành động ngay: Khám phá và ứng dụng ngay các giải pháp phân tích dữ liệu văn bản thông minh để thấu hiểu người dùng và dẫn đầu thị trường số!