ỨNG DỤNG BIGDATA VÀO QUẢN LÝ RỦI RO TRONG BỐI CẢNH THƯƠNG MẠI ĐIỆN TỬ PHÁT TRIỂN

Nghiên cứu ứng dụng Big Data trong quản lý rủi ro thương mại điện tử. Giải pháp giúp Hải quan phát hiện gian lận, tối ưu hóa quy trình quản lý xuất nhập khẩu.

• Trường học: Trường Đại Học Kinh Tế TP. Hồ Chí Minh
• Chuyên ngành: Tài Chính Công
• Đề tài: Ứng Dụng Bigdata Vào Quản Lý Rủi Ro Trong Bối Cảnh Thương Mại Điện Tử Phát Triển
• Loại tài liệu: Công trình dự thi
• Năm xuất bản: 2022
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• TÓM TẮT ĐỀ TÀI NGHIÊN CỨU
• DANH MỤC VIẾT TẮT
• DANH MỤC BẢNG BIỂU
• 1. CHƯƠNG 1: CƠ SỞ LÝ THUYẾT
• 1.1. Tổng quan về Big Data
• 1.2. Các cách phân tích Big Data
• 1.3. Chuỗi giá trị phân tích Big Data
• 1.4. Phân tích dữ liệu Big Data bằng Machine Learning (Học máy)
• 1.5. Natural language processing (Xử lý ngôn ngữ tự nhiên)
• 1.6. Một công cụ hỗ trợ cho công tác quản lý rủi ro - Trình thu thập thông tin web (Web-crawling)
• 1.7. Cơ chế hoạt động
• 1.8. Các thành phần thu thập thông tin web
• 1.9. Trình thu thập thông tin web thông minh
• 1.10. Thu thập thông tin thương mại điện tử
• 1.11. Tổng quan về quản lý rủi ro
• 1.12. Quy trình quản lý rủi ro
• 1.13. Vai trò của quản lý rủi ro
• 1.14. Tổng quan thương mại điện tử
• 1.15. Ứng dụng Big Data vào quản lý rủi ro đối với thương mại điện tử xuyên quốc gia
• 1.16. Cách ứng dụng
• 1.17. Ưu điểm khi sử dụng Big Data để quản lý rủi ro Hải quan
• 1.18. Nhược điểm khi sử dụng Big Data trong quản lý rủi ro
• 2. CHƯƠNG 2: PHÂN TÍCH THỰC TRẠNG
• 2.1. Bối cảnh thương mại điện tử xuyên quốc gia của Việt Nam và trên thế giới
• 2.2. Trên thế giới
• 2.3. Thực tiễn áp dụng Big Data trong quản lý rủi ro đối với thương mại điện tử xuyên biên giới
• 2.4. Cục Hải quan Hàn Quốc (KCS)
• 2.5. Cục Hải quan và Biên phòng Hoa Kỳ (CBP)
• 2.6. Cơ quan Hải quan Hà Lan (DCA)
• 2.7. Bối cảnh của Việt Nam khi áp dụng Big Data trong việc quản lý rủi ro đối với thương mại điện tử xuyên quốc gia
• 2.8. Thách thức
• 3. CHƯƠNG 3: KẾT LUẬN VÀ HÀM Ý CHÍNH SÁCH
• 3.1. Hàm ý chính sách
• 3.2. Hạn chế của bài nghiên cứu
• 3.3. Hướng nghiên cứu trong tương lai
• DANH MỤC TÀI LIỆU THAM KHẢO

Tóm tắt

I. Big Data và Hải Quan Thông Minh Tổng Quan Về Giải Pháp

Sự trỗi dậy của cuộc cách mạng công nghiệp 4.0 đã thúc đẩy mạnh mẽ thương mại điện tử, đặc biệt trong giai đoạn đại dịch COVID-19 và hậu đại dịch. Theo Tổ chức Thương mại Thế giới (WTO), thương mại điện tử bao gồm sản xuất, quảng cáo, bán hàng và phân phối sản phẩm được mua bán và thanh toán qua Internet. Tuy nhiên, sự phát triển nhanh chóng này đặt ra nhiều thách thức cho Tổng cục Hải quan Việt Nam, đặc biệt trong việc quản lý các giao dịch xuyên biên giới. Nhóm tác giả nhận thấy sự cần thiết của việc ứng dụng Big Data để tăng cường khả năng truy xuất, thống kê và đưa ra các đề xuất phù hợp, góp phần giải quyết vấn đề quản lý rủi ro trong hải quan hiện đại. Giải pháp hải quan thông minh sử dụng Big Data giúp tự động hóa việc thu thập thông tin mô tả hàng hóa từ tờ khai hải quan, so sánh với giá trên các trang thương mại điện tử và đưa ra chỉ số dự báo rủi ro.

1.1. Định Nghĩa và Đặc Điểm Nổi Bật của Big Data

Big Data là tập hợp dữ liệu lớn, đa dạng, tốc độ cao và phức tạp, vượt quá khả năng xử lý của các công nghệ truyền thống. Một cách tượng hình, một Petabyte (PB) dữ liệu tương đương với một quyển sách khổ A4 dày 300.000 km. Big Data không chỉ dừng lại ở khối lượng mà còn ở khả năng khai thác thông tin hữu ích. Ví dụ, phân tích thói quen mua sắm có thể giúp sắp xếp sản phẩm hợp lý hơn. Tiềm năng của Big Data là vô cùng lớn, có thể ứng dụng trong nhiều lĩnh vực, từ y tế đến hải quan.

1.2. Tầm Quan Trọng của Big Data Trong Quản Lý Hải Quan Hiện Đại

Tầm quan trọng của Big Data không nằm ở khối lượng dữ liệu mà ở khả năng khai thác giá trị từ dữ liệu đó. Big Data có thể giúp giảm chi phí, thời gian (dự đoán thời gian vận chuyển), tối ưu dịch vụ, ra quyết định thông minh và tính toán rủi ro gian lận. Việc ứng dụng Big Data trong hải quan thông minh giúp phân tích dữ liệu để đưa ra các quyết định chuẩn xác và nhanh chóng, tận dụng sức mạnh của phân tích và chất lượng dữ liệu liên quan đến hàng hóa, lô hàng và vận chuyển.

II. Thách Thức Quản Lý Rủi Ro TMĐT Vì Sao Cần Big Data

Trong bối cảnh thương mại điện tử xuyên biên giới phát triển mạnh mẽ, Tổng cục Hải quan Việt Nam đối mặt với nhiều thách thức trong công tác quản lý. Một trong những vấn đề lớn là việc thiếu thông tin chi tiết về đơn hàng, vận chuyển và thanh toán. Điều này gây khó khăn trong việc quản lý rủi ro, tạo điều kiện cho các doanh nghiệp gian lận, khai sai thông tin để trục lợi. Big Data được xem là giải pháp tiềm năng để giải quyết vấn đề này bằng cách thu thập và phân tích lượng dữ liệu lớn từ nhiều nguồn khác nhau, giúp phát hiện và điều chỉnh sự chênh lệch giá bất thường, giảm thiểu rủi ro thất thu thuế.

2.1. Khó Khăn Trong Tiếp Cận Thông Tin Giao Dịch TMĐT Xuyên Biên Giới

Theo Tổng cục Hải quan, việc thiếu thông tin về đơn hàng, vận chuyển và thanh toán của các giao dịch thương mại điện tử xuyên biên giới là một thách thức lớn. Điều này gây khó khăn trong việc quản lý rủi ro và kiểm soát luồng hàng hóa. Do đó, nguy cơ gian lận và khai sai thông tin tăng lên, dẫn đến thất thu thuế. Hiện tại, vẫn chưa có văn bản pháp lý cụ thể quy định về việc cung cấp thông tin liên quan đến đơn hàng, thanh toán và vận chuyển cho hàng hóa xuất nhập khẩu qua thương mại điện tử.

2.2. Nguy Cơ Gian Lận và Thất Thu Thuế Trong Thương Mại Điện Tử

Thủ thuật gian lận phổ biến là khai sai thông tin về trị giá thật của hàng hóa, tạo ra sự chênh lệch giá để trốn thuế. Điều này dẫn đến nguy cơ thất thu thuế rất lớn cho nhà nước. Việc kiểm soát nguồn gốc và trọng lượng hàng hóa cũng gặp khó khăn, tạo điều kiện cho buôn lậu. Big Data có thể giúp phát hiện các hành vi gian lận này bằng cách phân tích dữ liệu lớn và xác định các giao dịch đáng ngờ.

III. Cách Big Data Ứng Dụng Quản Lý Rủi Ro Hải Quan Hiệu Quả Nhất

Nhóm tác giả đề xuất mô hình ứng dụng Big Data để phát hiện và điều chỉnh sự chênh lệch giá trong hoạt động giao thương thương mại điện tử xuyên biên giới. Mô hình này tự động hóa việc thu thập thông tin từ tờ khai hải quan và các trang thương mại điện tử, so sánh giá và phát chỉ số dự báo rủi ro (màu xanh hoặc đỏ). Ngoài ra, mô hình còn giúp phát hiện rủi ro về nguồn gốc hàng hóa và trọng lượng, góp phần giảm nguy cơ buôn lậu. Việc ứng dụng Big Data giúp đưa ra quyết định nhanh chóng và chính xác hơn trong công tác quản lý rủi ro.

3.1. Mô Hình Ứng Dụng Big Data Tự Động Hóa Thu Thập và So Sánh Dữ Liệu

Mô hình ứng dụng Big Data tự động hóa việc thu thập thông tin mô tả hàng hóa từ tờ khai hải quan và các trang thương mại điện tử. Sau đó, hệ thống sẽ so sánh giá của sản phẩm trên các nền tảng thương mại điện tử với trị giá khai báo trên tờ khai hải quan. Dựa trên kết quả so sánh, hệ thống sẽ phát chỉ số dự báo rủi ro (màu xanh hoặc đỏ) để cảnh báo cho cơ quan hải quan.

3.2. Phát Hiện Rủi Ro Nguồn Gốc Hàng Hóa và Trọng Lượng Bằng Big Data

Ngoài việc phát hiện chênh lệch giá, Big Data còn giúp phát hiện các rủi ro về nguồn gốc hàng hóa và trọng lượng. Bằng cách thu thập và phân tích các biến liên quan đến thông tin hàng hóa, hệ thống có thể phát hiện sự chênh lệch so với số liệu quy chuẩn, từ đó giảm nguy cơ buôn lậu. Điều này góp phần nâng cao hiệu quả quản lý rủi ro trong hoạt động hải quan.

IV. Lợi Ích và Nhược Điểm Của Big Data Trong Quản Lý Rủi Ro

Ứng dụng Big Data trong quản lý rủi ro hải quan mang lại nhiều lợi ích, bao gồm: đưa ra quyết định chính xác và nhanh chóng hơn, tối ưu hóa quy trình nghiệp vụ, phát hiện gian lận hiệu quả hơn, và cải thiện an ninh thương mại. Tuy nhiên, cũng có những nhược điểm cần lưu ý, như: chi phí đầu tư ban đầu lớn, yêu cầu đội ngũ chuyên gia có kỹ năng, và nguy cơ về bảo mật dữ liệu. Việc đánh giá kỹ lưỡng các lợi ích và nhược điểm là cần thiết để triển khai Big Data thành công.

4.1. Ưu Điểm Vượt Trội Khi Sử Dụng Big Data Quản Lý Rủi Ro Hải Quan

Việc sử dụng Big Data để quản lý rủi ro trong hải quan mang lại nhiều ưu điểm. Thứ nhất, nó giúp đưa ra quyết định chính xác và nhanh chóng hơn. Thứ hai, Big Data giúp tối ưu hóa quy trình nghiệp vụ, giảm thiểu thời gian và chi phí. Thứ ba, Big Data cho phép phát hiện gian lận hiệu quả hơn bằng cách phân tích dữ liệu lớn và xác định các mẫu bất thường. Cuối cùng, nó cải thiện an ninh thương mại bằng cách kiểm soát luồng hàng hóa và ngăn chặn buôn lậu.

4.2. Nhược Điểm Cần Cân Nhắc Chi Phí Kỹ Năng và Bảo Mật Dữ Liệu

Bên cạnh những ưu điểm, cũng có những nhược điểm cần cân nhắc khi sử dụng Big Data trong quản lý rủi ro hải quan. Chi phí đầu tư ban đầu lớn, bao gồm chi phí cho phần cứng, phần mềm và cơ sở hạ tầng. Yêu cầu đội ngũ chuyên gia có kỹ năng phân tích và quản lý dữ liệu. Nguy cơ về bảo mật dữ liệu, đặc biệt là dữ liệu nhạy cảm. Việc bảo vệ dữ liệu khỏi các cuộc tấn công mạng là rất quan trọng. Do đó, cần có các biện pháp bảo mật phù hợp để đảm bảo an toàn cho dữ liệu.

V. Phân Tích Thực Trạng Ứng Dụng Big Data Hải Quan Trên Thế Giới

Nhiều quốc gia trên thế giới đã triển khai thành công ứng dụng Big Data trong quản lý rủi ro hải quan. Cục Hải quan Hàn Quốc (KCS) sử dụng Big Data để phân tích dữ liệu giao dịch và phát hiện gian lận. Cục Hải quan và Biên phòng Hoa Kỳ (CBP) sử dụng Big Data để dự đoán rủi ro và kiểm soát biên giới. Cơ quan Hải quan Hà Lan (DCA) sử dụng Big Data để tối ưu hóa quy trình thông quan hàng hóa. Việc tham khảo kinh nghiệm của các quốc gia này giúp Việt Nam có thể học hỏi và áp dụng Big Data hiệu quả hơn.

5.1. Kinh Nghiệm Ứng Dụng Big Data Thành Công Tại Hàn Quốc KCS

Cục Hải quan Hàn Quốc (KCS) đã thành công trong việc ứng dụng Big Data để quản lý rủi ro. KCS sử dụng Big Data để phân tích dữ liệu giao dịch và phát hiện các hành vi gian lận, như khai sai giá trị hàng hóa. KCS cũng sử dụng Big Data để dự đoán rủi ro và cải thiện hiệu quả kiểm soát hàng hóa. Kinh nghiệm của KCS cho thấy Big Data có thể giúp nâng cao hiệu quả quản lý rủi ro hải quan và giảm thiểu gian lận.

5.2. Bài Học Từ Hoa Kỳ CBP và Hà Lan DCA Về Triển Khai Big Data

Cục Hải quan và Biên phòng Hoa Kỳ (CBP) sử dụng Big Data để dự đoán rủi ro và kiểm soát biên giới. CBP phân tích dữ liệu từ nhiều nguồn khác nhau để xác định các lô hàng có nguy cơ cao. Cơ quan Hải quan Hà Lan (DCA) sử dụng Big Data để tối ưu hóa quy trình thông quan hàng hóa. DCA phân tích dữ liệu để xác định các lô hàng cần kiểm tra và rút ngắn thời gian thông quan cho các lô hàng ít rủi ro. Bài học từ CBP và DCA cho thấy Big Data có thể giúp cải thiện hiệu quả kiểm soát biên giới và tối ưu hóa quy trình nghiệp vụ.

VI. Hàm Ý Chính Sách Để Big Data Thúc Đẩy Hải Quan Thông Minh Việt Nam

Để ứng dụng Big Data thành công trong quản lý rủi ro hải quan, Việt Nam cần có những chính sách hỗ trợ phù hợp. Cần đầu tư vào cơ sở hạ tầng công nghệ thông tin, đào tạo nguồn nhân lực có kỹ năng phân tích và quản lý dữ liệu, xây dựng khung pháp lý về bảo mật dữ liệu, và tăng cường hợp tác quốc tế. Việc thực hiện các chính sách này sẽ giúp Việt Nam tận dụng tối đa tiềm năng của Big Data và xây dựng hệ thống hải quan thông minh hiệu quả.

6.1. Đầu Tư Cơ Sở Hạ Tầng Công Nghệ và Đào Tạo Nguồn Nhân Lực

Để ứng dụng Big Data thành công, Việt Nam cần đầu tư mạnh mẽ vào cơ sở hạ tầng công nghệ thông tin, bao gồm hệ thống máy chủ, mạng lưới và phần mềm. Đồng thời, cần đào tạo nguồn nhân lực có kỹ năng phân tích và quản lý dữ liệu. Các trường đại học và viện nghiên cứu cần phát triển các chương trình đào tạo về Big Data và machine learning để đáp ứng nhu cầu của thị trường.

6.2. Xây Dựng Khung Pháp Lý Về Bảo Mật Dữ Liệu và Hợp Tác Quốc Tế

Việc xây dựng khung pháp lý về bảo mật dữ liệu là rất quan trọng để đảm bảo an toàn cho dữ liệu nhạy cảm. Khung pháp lý cần quy định rõ trách nhiệm của các bên liên quan và các biện pháp bảo mật cần thiết. Đồng thời, cần tăng cường hợp tác quốc tế với các quốc gia có kinh nghiệm trong ứng dụng Big Data để học hỏi và chia sẻ kinh nghiệm. Hợp tác quốc tế cũng giúp Việt Nam tiếp cận các công nghệ tiên tiến và các nguồn tài trợ.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: CƠ SỞ LÝ THUYẾT 1. Tổng quan về Big Data: 1. Khái niệm: Big Data là tập hợp dữ liệu rất lớn (cấu trúc và phi cấu trúc), đa dạng, thay đổi nhanh và phức tạp đến nỗi những công nghệ hay phần mềm truyền thống không có khả năng xử lý trong một khoảng thời gian nhất định. Không có giới hạn rõ ràng rằng dữ liệu lớn thế nào thì mới gọi là Big Data, tuy nhiên một thông số mang tính trung bình được gọi là Big Data khi nó đạt ngưỡng vài Petabyte.

Để dễ hình dung, lấy một ví dụ cụ thể để thấy được sự khổng lồ đó. Thông thường đối với phần mềm Word: 1MB = 3.000 tỷ trang) Nếu một quyển sách 500 trang dày khoảng 5cm thì 1PB dữ liệu tương đương một quyển sách khổ A4 có độ dày 300.000 Km, bằng hơn một nửa khoảng cách từ Trái Đất đến Mặt Trăng. Do đó, nếu có thể khai thác được lượng dữ liệu khổng lồ này thì cuộc sống của chúng ta sẽ đơn giản và hiện đại hơn rất nhiều. Giả sử việc tìm 1 key word trong 1.000 trang sách là một công việc rất khó, tuy nhiên với sự hỗ trợ của máy tính và các phần mềm khác thì thậm chí là 3.000 tỷ trang, nó cũng tìm được.

Rõ ràng với lượng dữ liệu khổng lồ, việc áp dụng công nghệ để khai thác sẽ mang lại hiệu suất cực kì cao trong công việc. Không dừng lại ở đó, Big Data còn có thể làm được những việc mà con người chưa từng nghĩ đến. Giả sử người ta thu thập một lượng dữ liệu cực lớn về thói quen mua hàng của khách sau đó dùng máy tính để phân tích và thấy rằng khách hàng nữ thường mua chảo cùng với dầu ăn, hoặc khách nam thường mua dao cạo râu và sữa rửa mặt. Từ đó họ sắp xếp những sản phẩm này gần nhau để vừa tiện cho khách và cũng để kích thích khách hàng mua nhiều hơn.

Một giả thuyết tiên tiến hơn được đặt ra là về sinh trắc vân tay. Hầu hết các hãng điện thoại hiện nay đều có mở khóa vân tay, vậy chuyện gì sẽ xảy ra nếu họ theo dõi hành vi của người dùng để phân tích? Rất có khả 2 năng rằng họ có thể biết được rằng người có dấu vân tay loại X sẽ có thói quen thích đọc sách, trong khi người sở hữu dấu vân tay loại Y sẽ có thói quen mua sắm. Như vậy, chúng ta hoàn toàn có thể đánh giá về sở trường, thói quen, năng lực bẩm sinh của một người thông qua các loại vân tay. Big Data có tiềm năng vô cùng lớn, với lượng dữ liệu khổng lồ, có thể áp dụng chúng cho vô vàn lĩnh vực khác nhau, từ giáo dục y tế cho đến ngân hàng, Hải quan.

Có thể hiểu đơn giản rằng Big Data là công việc liên quan đến việc phân tích lượng dữ liệu khổng lồ để khai thác những giá trị hữu ích. Tầm quan trọng của Big Data trong quản lý Hải quan. Thực chất tầm quan trọng của Big Data không nằm ở lượng dữ liệu khổng lồ mà nó nằm ở việc chúng ta làm gì với lượng dữ liệu đó. Ta có thể sử dụng nguồn dữ liệu đó để phân tích tìm ra đáp án cho các câu hỏi liên quan đến Hải quan như giảm chi phí, giảm thời gian (dự đoán thời gian các tuyến vận chuyển tàu biển), dịch vụ tối ưu, ra quyết định thông minh, tính toán được những rủi ro có thể gặp phải đối với việc gian lận.

Tiêu chí Dữ liệu truyền thống Big Data Dung lượng GB TB, PB Tốc độ hình thành Mỗi giờ, ngày Mỗi phút, giây Cấu trúc Có cấu trúc Bán cấu trúc, phi cấu trúc Nguồn dữ liệu Tập trung Phân phối đầy đủ Tích hợp dữ liệu Dễ Khó Kho dữ liệu RDBMS HDFS, NoSQL Truy cập tương tác Theo lô Gần thời gian thực Bảng 1.1 Sự khác nhau giữa Big Data và dữ liệu truyền thống (theo Hu et al., 2014) Sự khác biệt chính đến từ cái tên, đó là về khối lượng thông tin lớn hơn của Big Data so với dữ liệu truyền thống và về tốc độ hình thành nó, bao gồm cả việc chúng được cung cấp "gần thời gian thực", tức là dòng chảy liên tục và không thông qua các lô (theo Wu et al. Những khác biệt khác liên quan đến sự phức tạp của việc xử lý loại dữ liệu này vì chúng không được tổ chức và sẵn sàng để sử dụng, và chúng được phân phối ở nhiều vị trí. Do đó, việc tích hợp dữ liệu lớn và lưu trữ nó đòi hỏi những kỹ thuật tiên tiến hơn. Các cách phân tích Big Data: Big Data có thể làm cho quá trình ra quyết định đáng tin cậy hơn và tăng năng suất của các tổ chức.

Điều này là hoàn toàn khả thi khi thông qua việc sử dụng các phương pháp phân tích tiên tiến được áp dụng để rút ra ý nghĩa từ dữ liệu này. Descriptive Analytics (Phân tích mô tả): phân tích dữ liệu để mô tả hoặc xác định những gì được đại diện bởi tập dữ liệu. Inquisitive Analytics (Phân tích tìm hiểu): loại phân tích dữ liệu này nhằm xác minh hoặc phủ nhận một đề xuất nhất định. Đó là bác bỏ hoặc chấp nhận giả thuyết.

Predictive Analytics (Phân tích dự đoán): liên quan đến dự báo và mô hình thống kê để xác định các khả năng trong tương lai. Prescriptive Analytics (Phân tích đề xuất): nó là về tối ưu hóa và thử nghiệm ngẫu nhiên để đưa ra lời khuyên về một vấn đề nhất định. Pre-emptive Analytics (Phân tích ưu tiên): là phân tích dữ liệu nhằm đưa ra các hành động phòng ngừa trước các tình huống tiêu cực.2 Sơ đồ phân loại các loại phương pháp phân tích Big Data theo (theo Sivarajah et al, 2016) Trong số năm loại phân tích, thích hợp để phân tích ba loại chính (3 vòng tròn lớn) chi tiết hơn. Descriptive Analytics (Phân tích mô tả) là dạng đơn giản nhất của 4 phương pháp phân tích Big Data và liên quan đến việc tóm tắt và mô tả các mẫu kiến thức bằng cách sử dụng các phương pháp thống kê đơn giản, chẳng hạn như giá trị trung bình, trung vị, chế độ, độ lệch chuẩn, phương sai và đo tần suất của các sự kiện cụ thể trong các dòng Big Data.

Một phần của Descriptive Analytics cũng là báo cáo, trang tổng quan, bảng điểm cân bằng và trực quan hóa dữ liệu. Các kỹ thuật này liên quan đến việc giải thích một tập dữ liệu. Ví dụ như trong kinh doanh, theo dõi một quy trình bằng cách phân tích mô tả của nó theo thời gian bằng cách thiết lập các số liệu giám sát. Theo ví dụ này, Descriptive Analytics được coi là xem xét ngược lại và dự đoán những gì đã xảy ra.

Hầu hết các kỹ thuật phân tích Big Data là mô tả và sử dụng các phương pháp thống kê mô tả còn được gọi là công cụ khai thác dữ liệu. Ngược lại, Predictive Analytics (Phân tích dự đoán) lại tập trung vào dự báo và xác định các khả năng trong tương lai thông qua mô hình thống kê. Các kỹ thuật này dựa trên các phương pháp thống kê tiên tiến nhằm tìm cách khám phá các mẫu và mối quan hệ giữa các dữ liệu. Vì lý do này, Gandomi và Haider (2015) đã liên kết các kỹ thuật dự đoán với các kỹ thuật hồi quy và xu hướng mới của phân tích Machine Learning (học máy), vì chúng đều nhằm dự đoán tương lai bằng cách phân tích dữ liệu hiện tại và lịch sử.

Prescriptive Analytics (Phân tích đề xuất) tập trung vào việc điều tra các mối quan hệ nguyên nhân - kết quả để đưa ra lời khuyên về các vấn đề khác nhau. Nó thường liên quan đến các vấn đề về tối ưu hóa hoặc ra quyết định.3 Các phương pháp phân tích Big Data theo độ phức tạp và giá trị nó mang lại (theo Gartner, 2017) 1. Chuỗi giá trị phân tích Big Data: Một chuỗi giá trị cho phân tích Big Data được chia thành bốn giai đoạn generation, acquisition, storage, và analytics (tạo, thu thập, lưu trữ và phân tích) cùng với một sơ đồ liên kết các công nghệ hàng đầu trong lĩnh vực này cho từng giai đoạn này. Do đó, thông qua phần này, nhóm tác giả muốn đề cập đến hai khái niệm chính: phân tích Big Data và web-crawling (thu thập thông tin web).4 Sơ đồ chuỗi giá trị phân tích Big Data (theo Hu et al., 2014) Sơ đồ chia một hệ thống Big Data điển hình thành bốn giai đoạn liên tiếp: generation, acquisition, storage, và analytics (tạo dữ liệu, thu thập dữ liệu, lưu trữ dữ liệu và phân tích dữ liệu).

Cần lưu ý rằng không có giai đoạn data visualization (trực quan hóa dữ liệu), nhưng nó được coi là một phần của giai đoạn phân tích dữ liệu. Đối với các khuôn khổ khác thì giai đoạn trực quan hóa dữ liệu được coi là một giai đoạn riêng biệt. Giai đoạn đầu tiên là generation (tạo dữ liệu), giai đoạn này chỉ đơn giản là tìm hiểu quan tâm về cách mà dữ liệu được tạo ra. Giai đoạn acquisition (thu thập dữ liệu) xuất hiện sau và đề cập đến quá trình thu thập thông tin và được chia thành thu thập dữ liệu, truyền dữ liệu và xử lý trước dữ liệu.

Quá trình này bắt đầu với việc thu thập dữ liệu thô và sau đó kiểm tra xem dữ liệu này 6 có ý nghĩa hay không. Việc thu thập dữ liệu vô nghĩa làm tăng dung lượng lưu trữ và tài nguyên một cách không cần thiết để tiến hành phân tích. Do đó, các hoạt động xử lý trước dữ liệu phải được thực hiện để hạn chế thừa thải dữ liệu và lọc ra được những thông tin vô ích. Tiếp theo là giai đoạn storage (lưu trữ dữ liệu).

Cụ thể, đây là việc lưu trữ và quản lý hiệu quả các tập Big Data. Giai đoạn này là một thách thức đối với cả khía cạnh phần cứng, nơi luôn cần những hệ thống công nghệ phức tạp để hỗ trợ các hoạt động Big Data và các phần mềm liên quan. Bước cuối cùng, analytics (phân tích dữ liệu) là tận dụng các phương pháp phân tích hoặc công cụ để kiểm tra, chuyển đổi và mô hình hóa dữ liệu để chiết xuất giá trị. Sáu nhân tố quan trọng có thể được xác định bao gồm: phân tích dữ liệu có cấu trúc, phân tích văn bản, phân tích đa phương tiện, phân tích trang web, phân tích mạng và phân tích di động.

Phân tích dữ liệu Big Data bằng Machine Learning (Học máy): Machine Learning có thể được định nghĩa là một tập hợp con của khai thác dữ liệu, có nghĩa đó là quá trình tính toán, khám phá các mẫu trong tập Big Data mà bản thân nó là một tập con của phân tích dữ liệu.