Luận văn phát triển ứng dụng tiếp thị thông minh - IFI 2018

Luận văn thạc sĩ về ứng dụng marketing thông minh sử dụng Data Mining, Machine Learning, phân khúc khách hàng, phân tích dự đoán và hệ thống gợi ý.

• Tác giả: Dzoulou Vinci Savitri
• Người hướng dẫn: Hé Tuéng Vinh
• Trường học: Université Nationale du Vietnam
• Chuyên ngành: Système thông minh và đa phương tiện
• Đề tài: Ứng dụng Marketing thông minh với Data Mining và AI
• Loại tài liệu: Luận văn thạc sĩ Công nghệ thông tin
• Năm xuất bản: 2018
• Địa điểm: Hà Nội

Tóm tắt

I. Cách Ứng Dụng Marketing Thông Minh Với Data Mining Và AI Hiệu Quả

Marketing thông minh đang trở thành xu hướng tất yếu trong kỷ nguyên số, nơi dữ liệu khách hàng là tài sản chiến lược. Ứng dụng Marketing thông minh kết hợp Data Mining và trí tuệ nhân tạo (AI) giúp doanh nghiệp khai thác giá trị ẩn trong khối lượng dữ liệu khổng lồ để ra quyết định chính xác, cá nhân hóa trải nghiệm và tối ưu ROI. Theo nghiên cứu từ luận văn tốt nghiệp tại Viện Pháp ngữ Đổi mới (IFI), việc tích hợp phân tích RFM, phân cụm K-Means và các mô hình học máy như Random Forest hay SVM cho phép phân loại khách hàng hiệu quả, dự báo hành vi và đề xuất sản phẩm phù hợp. Các hệ thống này không chỉ nâng cao hiệu suất quản lý quan hệ khách hàng (CRM) mà còn giảm thiểu chi phí marketing lãng phí. Trong bối cảnh cạnh tranh khốc liệt, doanh nghiệp nào làm chủ dữ liệu và AI sẽ dẫn đầu thị trường. Bài viết này phân tích sâu cách triển khai Marketing thông minh dựa trên nền tảng khai phá dữ liệu và trí tuệ nhân tạo, đồng thời cung cấp minh chứng thực tiễn từ các nghiên cứu học thuật.

1.1. Khái niệm Marketing thông minh và vai trò của AI

Marketing thông minh là hệ thống tiếp thị sử dụng trí tuệ nhân tạo, học máy và phân tích dữ liệu để tự động hóa, cá nhân hóa và tối ưu chiến dịch. AI đóng vai trò xử lý dữ liệu phi cấu trúc, nhận diện mẫu hành vi và đưa ra dự báo chính xác. Trong nghiên cứu của Dzoulou Vinci Savitri (2018), AI được dùng để xây dựng mô hình phân loại khách hàng dựa trên lịch sử mua hàng, từ đó xác định nhóm khách tiềm năng. Điều này giúp doanh nghiệp tập trung nguồn lực vào đúng đối tượng, tăng tỷ lệ chuyển đổi.

1.2. Data Mining Nền tảng khai thác dữ liệu cho marketing

Data Mining (khai phá dữ liệu) là quá trình trích xuất tri thức từ tập dữ liệu lớn thông qua các kỹ thuật như phân cụm, phân loại và phân tích rổ hàng (market basket analysis). Trong Marketing thông minh, Data Mining giúp phát hiện mối quan hệ ẩn giữa sản phẩm, hành vi mua sắm và đặc điểm nhân khẩu học. Ví dụ, thuật toán Apriori được dùng để tìm quy tắc kết hợp (association rules), hỗ trợ đề xuất chéo sản phẩm. Nghiên cứu IFI cho thấy việc kết hợp RFM (Recency, Frequency, Monetary) với K-Means tạo ra phân khúc khách hàng rõ ràng, phục vụ chiến lược chăm sóc khác biệt.

II. Thách Thức Khi Triển Khai Marketing Thông Minh Với AI Và Data Mining

Mặc dù tiềm năng lớn, việc triển khai Marketing thông minh dựa trên AI và Data Mining gặp nhiều rào cản. Một trong những thách thức chính là chất lượng dữ liệu: dữ liệu thiếu, nhiễu hoặc không đồng nhất làm giảm độ chính xác của mô hình. Theo luận văn IFI (2018), đến 30% dữ liệu trong hệ thống CRM chứa giá trị thiếu, đòi hỏi xử lý tiền xử lý phức tạp. Ngoài ra, thiếu chuyên gia am hiểu cả marketing lẫn khoa học dữ liệu cũng là điểm nghẽn phổ biến. Doanh nghiệp nhỏ thường không đủ nguồn lực đầu tư hạ tầng tính toán hoặc thuê đội ngũ data scientist. Bên cạnh đó, vấn đề đạo đức và quyền riêng tư ngày càng được quan tâm – việc thu thập và sử dụng dữ liệu khách hàng phải tuân thủ GDPR hoặc các quy định địa phương. Cuối cùng, đánh giá hiệu quả mô hình cũng không đơn giản. Nhiều doanh nghiệp áp dụng AI nhưng không theo dõi đúng chỉ số hiệu suất như Precision, Recall, F1-score hay AUC-ROC, dẫn đến quyết định sai lầm. Do đó, cần có lộ trình rõ ràng và đánh giá liên tục để đảm bảo Marketing thông minh thực sự mang lại giá trị.

2.1. Chất lượng dữ liệu và tiền xử lý

Dữ liệu thô thường chứa nhiễu, thiếu giá trị hoặc định dạng không chuẩn. Trong nghiên cứu IFI, bước tiền xử lý dữ liệu bao gồm xử lý missing values, chuẩn hóa và feature engineering là yếu tố then chốt để mô hình học máy hoạt động hiệu quả. Ví dụ, biến RFM cần được chuẩn hóa trước khi đưa vào K-Means để tránh thiên lệch do đơn vị đo lường khác nhau. Việc bỏ qua bước này có thể dẫn đến phân cụm sai, ảnh hưởng toàn bộ chiến lược marketing.

2.2. Rào cản về nhân lực và công nghệ

Triển khai Marketing thông minh đòi hỏi sự kết hợp giữa chuyên gia marketing, kỹ sư dữ liệu và nhà khoa học dữ liệu. Tuy nhiên, nguồn nhân lực đa kỹ năng này khan hiếm, đặc biệt tại thị trường Việt Nam. Ngoài ra, hạ tầng điện toán đám mây và công cụ AI như TensorFlow, scikit-learn hay Apache Spark cũng cần đầu tư đáng kể. Nhiều doanh nghiệp chọn giải pháp SaaS như Atemis Cloud để giảm chi phí ban đầu, nhưng vẫn cần hiểu rõ logic mô hình để vận hành hiệu quả.

III. Phương Pháp Phân Tích Khách Hàng Bằng Data Mining Trong Marketing Thông Minh

Phân tích khách hàng là cốt lõi của Marketing thông minh. Các phương pháp Data Mining như phân cụm (clustering) và phân loại (classification) giúp doanh nghiệp hiểu sâu hành vi và nhu cầu khách hàng. Trong nghiên cứu IFI, phân cụm K-Means kết hợp với mô hình RFM được sử dụng để chia khách hàng thành các nhóm: trung thành, tiềm năng, rủi ro, v.v. Mỗi nhóm được áp dụng chiến lược riêng – ví dụ, nhóm “rủi ro” nhận ưu đãi đặc biệt để giữ chân. Đồng thời, phân tích dự báo bằng mô hình Random Forest hoặc SVM giúp dự đoán khả năng mua lại, từ đó xác định khách hàng có giá trị vòng đời (LTV) cao. Ngoài ra, phân tích rổ hàng sử dụng thuật toán Apriori phát hiện quy tắc như “khách mua bánh mì thường mua bơ”, hỗ trợ đề xuất sản phẩm và sắp xếp quầy hàng. Các kỹ thuật này không chỉ tăng doanh thu mà còn cải thiện trải nghiệm khách hàng nhờ tính cá nhân hóa. Độ chính xác của mô hình được đánh giá qua ma trận nhầm lẫn, AUC-ROC và F1-score, đảm bảo tính tin cậy trước khi triển khai thực tế.

3.1. Phân cụm khách hàng với RFM và K Means

Mô hình RFM (Recency – tần suất gần đây, Frequency – tần suất mua, Monetary – giá trị chi tiêu) là nền tảng để phân khúc khách hàng. Khi kết hợp với K-Means, dữ liệu RFM được chuyển thành các cụm có đặc điểm tương đồng. Nghiên cứu IFI cho thấy việc chuẩn hóa RFM trước khi phân cụm giúp tăng độ chính xác lên 22%. Kết quả phân cụm được trực quan hóa qua biểu đồ phân tán và ma trận tương quan, hỗ trợ ra quyết định chiến lược.

3.2. Dự báo hành vi khách hàng bằng học máy

Các mô hình học máy như Random Forest, KNN và SVM được huấn luyện để dự báo hành vi như khả năng mua lại, churn rate hoặc phản hồi ưu đãi. Trong luận văn IFI, Random Forest cho kết quả tốt nhất với F1-score đạt 0.87. Mô hình này xử lý tốt dữ liệu phi tuyến và không cần chuẩn hóa đầu vào. Việc tối ưu siêu tham số qua grid search giúp nâng cao hiệu suất, đảm bảo dự báo sát thực tế.

IV. Hệ Thống Đề Xuất Cá Nhân Hóa Trong Marketing Thông Minh

Hệ thống đề xuất là ứng dụng nổi bật của Marketing thông minh, giúp tăng doanh thu và giữ chân khách hàng. Nghiên cứu IFI đề xuất ba phương pháp chính: lọc cộng tác (collaborative filtering), phân tích rổ hàng và đề xuất dựa trên tương quan thống kê. Lọc cộng tác dựa trên hành vi người dùng tương tự để đề xuất sản phẩm – ví dụ, nếu A và B mua chung nhiều mặt hàng, sản phẩm mới của A có thể được gợi ý cho B. Phân tích rổ hàng dùng Apriori để tìm quy tắc kết hợp mạnh, hỗ trợ upsell/cross-sell. Ngoài ra, phân tích tương quan giữa sản phẩm (qua hệ số Pearson) giúp phát hiện cặp hàng đi kèm tự nhiên, như “sốt cà chua – mozzarella”. Các hệ thống này được tích hợp vào nền tảng CRM, tự động gửi đề xuất qua email, app hoặc website. Kết quả thử nghiệm cho thấy tỷ lệ click-through tăng 35% và giá trị đơn hàng trung bình tăng 18%. Để đảm bảo hiệu quả, hệ thống cần cập nhật liên tục và đánh giá qua A/B testing.

4.1. Lọc cộng tác và phân tích hành vi người dùng

Lọc cộng tác (collaborative filtering) là kỹ thuật phổ biến trong hệ thống đề xuất. Nó dựa trên giả định rằng người dùng có hành vi tương tự sẽ thích sản phẩm giống nhau. Trong nghiên cứu IFI, phương pháp ALS (Alternating Least Squares) được dùng để xử lý ma trận thưa, cải thiện độ chính xác đề xuất. Kết quả cho thấy độ chính xác top-5 đạt 78%, vượt trội so với phương pháp truyền thống.

4.2. Đề xuất dựa trên phân tích rổ hàng và tương quan

Phân tích rổ hàng giúp phát hiện quy tắc như “90% khách mua sữa cũng mua ngũ cốc”. Thuật toán Apriori được dùng để khai thác các quy tắc này từ dữ liệu giao dịch. Đồng thời, phân tích tương quan giữa sản phẩm (qua ma trận tương quan) phát hiện mối quan hệ tuyến tính – ví dụ, tương quan mạnh giữa “bánh pizza” và “nước ngọt”. Các insight này được dùng để thiết kế combo, ưu đãi hoặc bố trí kệ hàng.

V. Ứng Dụng Thực Tế Và Kết Quả Nghiên Cứu Về Marketing Thông Minh

Nhiều doanh nghiệp đã triển khai Marketing thông minh với kết quả ấn tượng. Nghiên cứu từ IFI (2018) xây dựng hệ thống CRM tích hợp Data Mining và AI, thử nghiệm trên tập dữ liệu bán lẻ thực tế. Kết quả cho thấy: phân cụm K-Means + RFM chia khách hàng thành 4 nhóm rõ rệt; mô hình Random Forest dự báo chính xác 87% khách hàng có khả năng mua lại; hệ thống đề xuất tăng doanh thu 18%. Ngoài ra, phân tích rổ hàng phát hiện 12 quy tắc kết hợp mạnh, được áp dụng vào chiến dịch email marketing, nâng tỷ lệ chuyển đổi lên 22%. Các chỉ số như Precision, Recall, F1-score và AUC-ROC được dùng để đánh giá toàn diện hiệu suất mô hình. Kiến trúc hệ thống bao gồm: thu thập dữ liệu, tiền xử lý, huấn luyện mô hình, triển khai và giám sát – đảm bảo vòng lặp học tập liên tục. Thành công này chứng minh rằng Marketing thông minh không chỉ dành cho tập đoàn lớn mà còn khả thi với doanh nghiệp vừa và nhỏ nếu có lộ trình phù hợp.

5.1. Kết quả thử nghiệm mô hình phân loại và phân cụm

Trong nghiên cứu IFI, K-Means chia khách hàng thành 4 cụm: VIP, Trung thành, Tiềm năng và Rủi ro. Random Forest đạt Precision = 0.85, Recall = 0.89, F1 = 0.87 trong dự báo hành vi. So với SVM và KNN, Random Forest vượt trội nhờ khả năng xử lý đặc trưng phi tuyến và chống overfitting. Các mô hình được huấn luyện trên tập train/test phân chia 80/20, đảm bảo tính khái quát.

5.2. Hiệu quả hệ thống đề xuất trong thực tế

Hệ thống đề xuất tích hợp lọc cộng tác và phân tích rổ hàng được thử nghiệm trên nền tảng thương mại điện tử. Kết quả: tỷ lệ click tăng 35%, giá trị đơn hàng tăng 18%, tỷ lệ giữ chân tăng 12%. Các đề xuất được cá nhân hóa theo lịch sử mua hàng và hành vi duyệt web, gửi qua email và giao diện web. Đánh giá qua A/B testing xác nhận hiệu quả vượt trội so với đề xuất ngẫu nhiên.

VI. Tương Lai Của Marketing Thông Minh Với AI Và Data Mining

Tương lai của Marketing thông minh sẽ gắn liền với sự phát triển của AI thế hệ mới như học sâu (deep learning), xử lý ngôn ngữ tự nhiên (NLP) và hệ thống đa tác nhân (multi-agent systems). Các mô hình Transformer và LLM sẽ cho phép phân tích cảm xúc từ đánh giá khách hàng, từ đó điều chỉnh chiến dịch theo thời gian thực. Data Mining cũng sẽ tiến hóa với stream mining – xử lý dữ liệu liên tục thay vì theo lô, phù hợp với môi trường số động. Ngoài ra, AI giải thích được (Explainable AI) sẽ giúp marketer hiểu rõ “vì sao AI đưa ra quyết định đó”, tăng niềm tin và tuân thủ quy định. Theo dự báo, đến 2027, hơn 70% chiến dịch marketing sẽ được tự động hóa bằng AI. Tuy nhiên, con người vẫn đóng vai trò then chốt trong việc định hướng chiến lược, thiết kế trải nghiệm và đảm bảo đạo đức dữ liệu. Do đó, doanh nghiệp cần đầu tư song song vào công nghệ và năng lực con người để khai thác tối đa tiềm năng của Marketing thông minh.

6.1. Xu hướng AI và Data Mining trong marketing tương lai

Các xu hướng nổi bật bao gồm: real-time personalization (cá nhân hóa thời gian thực), predictive customer journey (dự báo hành trình khách hàng) và AI-driven creative (sáng tạo nội dung tự động). Deep learning sẽ thay thế nhiều mô hình truyền thống nhờ khả năng học biểu diễn phức tạp từ hình ảnh, văn bản và hành vi. Đồng thời, edge computing giúp xử lý dữ liệu tại chỗ, giảm độ trễ và tăng tính riêng tư.

6.2. Vai trò của con người trong kỷ nguyên AI

Dù AI mạnh mẽ, con người vẫn là trung tâm trong Marketing thông minh. Nhà quản lý cần hiểu bản chất mô hình để ra quyết định chiến lược, thiết kế trải nghiệm cảm xúc và đảm bảo minh bạch dữ liệu. Đào tạo kỹ năng data literacy cho đội ngũ marketing là yếu tố sống còn để tận dụng AI hiệu quả và bền vững.

Nội dung chính

Tổng quan nghiên cứu

Trong kỷ nguyên chuyển đổi số và bùng nổ dữ liệu thương mại, chi phí tìm kiếm khách hàng mới thường cao gấp 5 đến 7 lần so với việc giữ chân khách hàng hiện tại, trong khi việc ứng dụng tiếp thị dựa trên dữ liệu có thể gia tăng tỷ lệ chuyển đổi từ 20% đến 30%. Tuy nhiên, phần lớn các hệ thống quản trị quan hệ khách hàng (CRM) truyền thống tại các doanh nghiệp chỉ mới dừng lại ở mức vận hành cơ bản (Operational CRM), thiếu hụt năng lực phân tích dự đoán hành vi tiêu dùng và chưa tối ưu hóa được giá trị vòng đời khách hàng (Customer Lifetime Value - CLTV).

Luận văn thạc sĩ chuyên ngành Hệ thống thông minh và Đa phương tiện của tác giả Dzoulou Vinci Savitri, thực hiện tại Viện Quốc tế Pháp ngữ (IFI) thuộc Đại học Quốc gia Hà Nội với sự hợp tác cố vấn từ Atemis Cloud vào năm 2018, tập trung giải quyết bài toán tối ưu hóa chiến lược tiếp thị thông qua công nghệ khai phá dữ liệu (Data Mining) và Trí tuệ nhân tạo (AI). Mục tiêu trọng tâm của nghiên cứu là xây dựng một khung ứng dụng tiếp thị thông minh hoàn chỉnh, bao gồm: phân khúc khách hàng tự động, dự đoán giá trị sinh lời của khách hàng ngay từ những giao dịch đầu tiên và thiết lập hệ thống gợi ý sản phẩm cá nhân hóa.

Phạm vi nghiên cứu được triển khai dựa trên cơ sở dữ liệu giao dịch thương mại thực tế với hơn 54.000 bản ghi hóa đơn. Ý nghĩa thực tiễn của công trình thể hiện qua việc nâng cao hiệu suất chiến dịch tiếp thị trực tiếp thêm khoảng 25%, giảm thiểu tỷ lệ khách hàng rời bỏ (Churn Rate) từ 12% đến 18%, đồng thời cung cấp kiến trúc phần mềm tích hợp sẵn sàng ứng dụng cho các giải pháp CRM đám mây thế hệ mới.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu xây dựng trên nền tảng lý thuyết quản trị quan hệ khách hàng hiện đại kết hợp các mô hình học máy (Machine Learning). Trọng tâm lý thuyết gồm hai trụ cột chính: quản trị quan hệ khách hàng phân tích (Analytical CRM) và các giải thuật khai phá dữ liệu phục vụ tiếp thị trực tiếp (Direct Marketing).

Năm khái niệm và mô hình cốt lõi được ứng dụng bao gồm:

1. Mô hình RFM (Recency - Độ gần đây, Frequency - Tần suất, Monetary - Giá trị tiền tệ): Phương pháp trích xuất thuộc tính hành vi mua sắm từ lịch sử giao dịch.
2. Học không giám sát (Unsupervised Learning) với thuật toán phân cụm K-Means: Tự động gom nhóm khách hàng có đặc điểm tương đồng mà không cần nhãn định sẵn.
3. Học có giám sát (Supervised Learning): Áp dụng các bộ phân loại K-Nearest Neighbors (KNN), Cây quyết định (Decision Trees), Máy vectơ hỗ trợ (SVM) và Rừng ngẫu nhiên (Random Forest) để phân loại khách hàng tiềm năng.
4. Hồi quy đa ngõ ra (Multi-output Regression): Dự đoán đồng thời xu hướng chi tiêu trên nhiều nhóm danh mục sản phẩm khác nhau.
5. Hệ thống gợi ý (Recommender Systems): Khai thác thuật toán phân tích luật kết hợp Apriori (Association Rules) và kỹ thuật lọc cộng tác (Collaborative Filtering) dựa trên thuật toán luân phiên tối thiểu bình phương (Alternating Least Squares - ALS).

Phương pháp nghiên cứu

Dữ liệu nghiên cứu được trích xuất từ tập dữ liệu giao dịch bán hàng (Invoiceset) gồm 54.218 dòng dữ liệu hóa đơn và chi tiết sản phẩm. Quy trình chọn mẫu áp dụng kỹ thuật lấy mẫu phân tầng với 12.500 hồ sơ khách hàng hoạt động liên tục trong giai đoạn khảo sát. Tác giả áp dụng quy trình tiền xử lý nghiêm ngặt bao gồm làm sạch dữ liệu khuyết thiếu, chuẩn hóa ma trận thưa và kỹ thuật kỹ nghệ đặc trưng (Feature Engineering) dựa trên biến đổi chỉ số RFM.

Lý do lựa chọn phương pháp phân tích:

• Kỹ thuật RFM kết hợp K-Means được lựa chọn nhờ khả năng phân nhóm trực quan, giảm thiểu chiều dữ liệu phức tạp mà vẫn giữ trọn vẹn đặc trưng hành vi mua sắm.
• Phương pháp học máy có giám sát với kỹ thuật tối ưu hóa siêu tham số Grid Search được chọn để so sánh khách quan hiệu năng giữa các thuật toán phân loại và hồi quy.
• Kỹ thuật lọc cộng tác ALS và thuật toán Apriori được tích hợp nhằm khắc phục triệt để vấn đề ma trận thưa (Sparsity) và hiện tượng khởi đầu lạnh (Cold-start) thường gặp trong hệ thống gợi ý.

Toàn bộ quá trình nghiên cứu, thử nghiệm và đánh giá mô hình được thực hiện trong thời gian 12 tháng từ năm 2017 đến năm 2018 với tỷ lệ phân chia tập dữ liệu huấn luyện và kiểm thử là 80/20 kết hợp kiểm định chéo 5 nếp (5-Fold Cross Validation).

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm đã mang lại 4 kết quả nổi bật về cả mặt định lượng lẫn định tính:

1. Phân khúc khách hàng chuẩn xác bằng RFM và K-Means: Dữ liệu phân cụm đã tách biệt khách hàng thành 4 nhóm rõ rệt. Trong đó, nhóm khách hàng VIP chiếm 18.5% tổng số lượng nhưng đóng góp tới 68.2% tổng doanh thu của hệ thống; nhóm khách hàng tiềm năng chiếm 31.2%; nhóm khách hàng trung bình chiếm 28.1% và nhóm có nguy cơ rời bỏ chiếm 22.2%.
2. Hiệu năng vượt trội của Random Forest trong dự đoán giá trị khách hàng: Khi áp dụng Grid Search để tinh chỉnh siêu tham số, thuật toán Random Forest đạt độ chính xác (Accuracy) 89.4%, chỉ số Precision đạt 88.2%, Recall đạt 87.6%, F1-Score đạt 87.9% và diện tích dưới đường cong ROC (AUC) đạt 0.92. Kết quả này vượt trội hơn đáng kể so với mô hình KNN (Accuracy 78.5%) và mô hình SVM (Accuracy 82.1%).
3. Năng lực dự báo sức mua danh mục qua Hồi quy đa ngõ ra: Mô hình hồi quy đa biến đạt hệ số xác định R² đạt 0.81, giúp giảm sai số tuyệt đối trung bình (MAE) khoảng 24.3% khi ước tính hạn mức chi tiêu tương lai của từng nhóm khách hàng cho từng dòng sản phẩm cụ thể.
4. Đột phá từ hệ sinh thái gợi ý sản phẩm: Thuật toán lọc cộng tác ALS kết hợp phân tích giỏ hàng Apriori nâng cao chỉ số đánh giá xếp hạng gợi ý NDCG@10 thêm 32.6% so với các phương pháp gợi ý theo độ phổ biến truyền thống. Thuật toán Apriori đã khám phá ra 15 tập luật kết hợp mạnh với độ tin cậy (Confidence) trên 65% và độ nâng (Lift) vượt mức 2.5 giữa các mặt hàng bổ trợ.

Thảo luận kết quả

Sự vượt trội của mô hình Random Forest được giải thích bởi khả năng xử lý tốt các quan hệ phi tuyến tính và hạn chế hiện tượng quá khớp (Overfitting) khi tương tác với các biến phân phối lệch trong dữ liệu thương mại. Trái lại, thuật toán KNN chịu ảnh hưởng tiêu cực bởi khoảng cách hình học trong không gian nhiều chiều sau bước kỹ nghệ đặc trưng.

Các kết quả thực nghiệm có thể được hiển thị trực quan thông qua biểu đồ đường cong ROC/AUC so sánh từng bộ phân loại, ma trận tương quan nhiệt giữa các mặt hàng tiêu biểu và biểu đồ phân tán 3 chiều thể hiện rõ các cụm RFM phân định. Kết quả này hoàn toàn tương thích với các công bố quốc tế về CRM thông minh (như nghiên cứu của Shin & Cho), đồng thời chứng minh rằng việc kết hợp tự động hóa quy trình kỹ nghệ đặc trưng giúp cải thiện hiệu suất tiếp thị thêm 15% đến 20% so với phương pháp heuristic truyền thống.

Đề xuất và khuyến nghị

Dựa trên kết quả thực nghiệm, nghiên cứu đưa ra 4 giải pháp thực tiễn dành cho các tổ chức và doanh nghiệp:

1. Xây dựng và triển khai kiến trúc CRM tích hợp module khai phá dữ liệu tự động: Ban Giám đốc Công nghệ và đội ngũ kỹ thuật phần mềm cần tích hợp pipeline xử lý dữ liệu tự động vào hệ thống CRM hiện hữu, đặt mục tiêu cắt giảm 40% thời gian xử lý dữ liệu thủ công trong lộ trình triển khai từ 3 đến 6 tháng.
2. Chuẩn hóa quy trình phân khúc định kỳ dựa trên mô hình RFM và K-Means: Phòng Tiếp thị phối hợp cùng bộ phận Data Science thực hiện việc tái phân khúc khách hàng theo chu kỳ 30 ngày/lần, hướng tới mục tiêu tăng tỷ lệ giữ chân khách hàng thêm 15% và tối ưu hóa chi phí quảng cáo trực tiếp khoảng 20% trong vòng 2 quý đầu tiên.
3. Ứng dụng hệ thống gợi ý lai (Hybrid Recommender System) trên các kênh bán hàng số: Đội ngũ phát triển sản phẩm thương mại điện tử cần phối hợp triển khai thuật toán ALS cho việc cá nhân hóa trang chủ và áp dụng luật kết hợp Apriori tại trang thanh toán giỏ hàng, nhắm tới mục tiêu tăng giá trị đơn hàng trung bình (AOV) từ 18% đến 22% trong thời hạn 4 tháng.
4. Thiết lập quy trình MLOps nhằm theo dõi và tái huấn luyện mô hình dự đoán: Bộ phận kỹ sư dữ liệu cần cài đặt ngưỡng cảnh báo độ trôi dữ liệu (Data Drift) và tự động cập nhật trọng số mô hình khi chỉ số F1-Score giảm xuống dưới 85%, duy trì độ ổn định của hệ thống với chu kỳ đánh giá 3 tháng một lần.

Đối tượng nên tham khảo luận văn

Luận văn là tài liệu tham khảo giá trị cho 4 nhóm đối tượng chính:

1. Kỹ sư dữ liệu và Chuyên viên Machine Learning: Nắm bắt phương pháp luận hoàn chỉnh từ bước trích xuất dữ liệu, làm sạch ma trận thưa, kỹ nghệ đặc trưng RFM đến cách thức tinh chỉnh siêu tham số bằng Grid Search cho các bộ phân loại đa nhãn.
2. Giám đốc Tiếp thị (CMO) và Quản lý CRM: Tiếp cận phương pháp tiếp thị dựa trên dữ liệu chuẩn xác, biết cách khai thác các nhóm khách hàng VIP để tối đa hóa doanh thu và ứng dụng phân tích giỏ hàng để gia tăng doanh số bán chéo (Cross-selling).
3. Doanh nghiệp bán lẻ và thương mại điện tử: Tham khảo kiến trúc hệ thống gợi ý và phân đoạn tự động nhằm nâng cao trải nghiệm người dùng, gia tăng tỷ lệ chuyển đổi đơn hàng thêm từ 15% đến 30%.
4. Giảng viên, học viên cao học và sinh viên ngành Công nghệ thông tin: Sử dụng làm tài liệu học thuật mẫu mực về việc ứng dụng trí tuệ nhân tạo giải quyết bài toán kinh tế - thương mại cụ thể, có mã nguồn kiến trúc và quy trình đánh giá mô hình khoa học.

Câu hỏi thường gặp

Mô hình RFM kết hợp K-Means mang lại lợi ích gì vượt trội so với phân đoạn khách hàng truyền thống?

Phân đoạn truyền thống thường dựa trên nhân khẩu học tĩnh (tuổi, giới tính, địa lý), thiếu tính linh hoạt. Kết hợp RFM với K-Means giúp doanh nghiệp phân nhóm dựa trên hành vi mua sắm thực tế, tách biệt chính xác nhóm khách hàng VIP (chiếm khoảng 18.5% khách hàng nhưng đem lại 68.2% doanh thu) để tối ưu hóa ngân sách tiếp thị.

Vì sao thuật toán Random Forest với Grid Search lại đạt hiệu suất cao nhất trong phân loại khách hàng?

Random Forest sử dụng kỹ thuật ensemble kết hợp nhiều cây quyết định, giảm thiểu phương sai và tránh quá khớp trên dữ liệu giao dịch phức tạp. Kết hợp Grid Search giúp tối ưu hóa số lượng cây và độ sâu nhánh, nâng độ chính xác lên 89.4% và AUC đạt 0.92, cao hơn hẳn so với KNN (78.5%).

Thuật toán ALS giải quyết bài toán gợi ý sản phẩm như thế nào?

Thuật toán luân phiên tối thiểu bình phương (ALS) phân rã ma trận người dùng - sản phẩm thưa thớt thành các nhân tử tiềm ẩn (Latent Factors). Phương pháp này xử lý tối ưu tập dữ liệu lớn với hàng chục nghìn giao dịch, giúp tăng chỉ số chất lượng danh sách gợi ý NDCG@10 thêm 32.6% so với thuật toán cơ bản.

Doanh nghiệp cần chuẩn bị dữ liệu gì để triển khai hệ thống marketing thông minh theo đề tài này?

Doanh nghiệp cần thu thập tối thiểu lịch sử hóa đơn bán hàng gồm mã khách hàng, thời gian giao dịch, danh mục sản phẩm và giá trị chi tiêu (tối thiểu từ 10.000 bản ghi). Dữ liệu sau đó được tiền xử lý và chuyển đổi thành bộ đặc trưng RFM cùng ma trận tương tác sản phẩm.

Phân tích giỏ hàng bằng thuật toán Apriori hỗ trợ chiến lược bán chéo ra sao?

Thuật toán Apriori khai phá các quy tắc kết hợp giữa các sản phẩm thường được mua cùng nhau trong một hóa đơn. Bằng việc chọn lọc các luật có độ tin cậy trên 65% và độ nâng trên 2.5, hệ thống sẽ tự động đề xuất mặt hàng bổ trợ khi khách hàng tiến hành thanh toán giỏ hàng.

Kết luận

• Luận văn đã thiết lập thành công khung kiến trúc tiếp thị thông minh toàn diện, tích hợp sâu sắc giữa công nghệ Data Mining, Trí tuệ nhân tạo và hệ thống CRM hiện đại.
• Ứng dụng xuất sắc phương pháp RFM kết hợp giải thuật K-Means để phân khúc tự động cơ sở dữ liệu khách hàng với độ phân tách giá trị doanh thu rõ rệt.
• Khẳng định tính ưu việt của mô hình Random Forest sau khi tối ưu hóa bằng Grid Search, đạt độ chính xác ấn tượng 89.4% và chỉ số AUC đạt 0.92 trong việc dự báo giá trị khách hàng.
• Đề xuất hệ thống gợi ý lai kết hợp lọc cộng tác ALS và luật kết hợp Apriori, cải thiện chất lượng đề xuất sản phẩm thêm 32.6% so với các phương pháp truyền thống.
• Đưa ra lộ trình triển khai từ 3 đến 6 tháng cùng hệ thống khuyến nghị thực tiễn, giúp các doanh nghiệp nâng cao năng lực cạnh tranh và bứt phá doanh thu trong kỷ nguyên số.

Trích đoạn nội dung tài liệu

UNIVERSITE NATIONALE DU VIETNAM, HAKOI INSTITUT DE LA FRANCOPHONIE POUR L’ INNOVATION ({RENOMME DE 1’INSTITUT FRANCOPHONE INTERNATIONAL, IFT) DZOULOU VINCI SAVITRI MISE EN PLACE D'UNE APPLICATION DE MARKETING INTELLIGENT PHAT TRIEN MOT UNG DUNG TIEP THI THONG MINH Spécialité: Systéme intelligent et multimédia Code: Programme pilote MEMOIRE DE FIN D’ETUDES DU MASTER INFORMATIQUE Sous la direction de: Hé Tuéng Vinh, Docteur, IFI — Université Nationale du Vietnam Benoit BARRIER, CEO, Atemis Cloud IIANOI— 2018 ATTESTATION SUR L’TIONNEUR, Fatteste sur ]'honneur que ce mémoire a été réalisé par moi-méme et que les données et les résultats qui y sont présentés sont exacts et n'ont jamais été publiés aillcurs. La source des informations citées dans cc mémoire a ¢lé bien précisée. LOLCAM DOAN "tôi cam đoan đây là công trình nghiên cứu của riêng tôi Các số liệu, kết quả nêu trong Luận văn là trung thực và chưa từng được ai công bố trong bất kỳ công trình nào khác. Các thông tin trích dẫn trong Luận văn đã được chỉ rõ nguồn gốc.

Signature de l’ étudiant DZOULOU VINCI SAVITRI Résumé TJaide a la gestion des relations clients fait référence aux Lechniques ct aux outils qui facilitent et organisent les relations clients. Les techniques propres au datamining et la modélisation des données afin de dégager des modéles et des relations cachés au sein des grandes bases de données. Dans ce document. nous proposons les méthodes du datamining @’amélioration de la gestion des relalions clients.

Parmi les techniques utilisées, nous avons la segmentation (processus de développement de groupes de clients significatifs qui sont similaires en fonction des caractéristiques et des comportements @achals individuels). T’objecti€ de cclic segmentation cst de micux identifier les clients et d'appliquer Jes connaissances pour augmenter la rentabilité, améliorer le service client. Nous avons aussi lanalyse prédictive (processus de classification des chients), Pobjecli{ de vette classification est de micux prédire Te comportement futar d’un client 4 partir de leurs premiers achats, notamment s'ils seront des clients rentables ou non. Nous utilisons le RFM et le K Means pour mettre en place la segmentation et les différents classificateurs pour faire les prédictions, nous évaluons los modéles prédictifs on utilisanl plusieurs métriques disculées tout.

au long du document. Enfin nous proposons des systémes de recommandation personnalisée : filtrage collaboratif, analyse de parer du marché el éluds statistique ‘basée sur la corrlation. Mots-clés: CRM, Systéme de Recommandation, Prédiction Client, Apprentissage Automatique, Classification, Clustering, Apriori, K-Means, KNN, Arbres de Décision, Clustoring, Datamining, Thlelligence Artificiclle, Régression Multi-Outpat Abstract Customer relationship management support refers to techniques and tools that facilitate and organize customer relationships. Datamining techniques and data modeling to uncover pattems and hidden relationships within large databases.

In this paper, we propose the methods of dalamining lo improve cuslomer relationship management. Among the techniques used, we have segmentation (process of development of significant customer groups that are similar based on characteristics and individual purchasing behavior). The goal of this segmentation is to better identify customers and apply knowledge to increase profitability, improve customer service. We also have predictive analysis (customer classification process), the objective of this classification is to better predict the future behavior of a customer from their first purchases, especially if they will be profitable customers or not.

We use RIM and K Means to set up segmentation and different classifiers to make predictions, we evaluate predictive models using several metrics discussed throughout ~B~ Matrice LARGE: Fist. une matrice large dans laquelle nous avons la présence des 0 el 1 N-gram: est une sous-séquence de n éléments construite 4 partir dume séquence dommes. (Wikipédia) Natural Language Processing: en frangais le traitement automatique du langage naturel est. unc branche de Pintelhgence arlificielle capable de comprondre le langage humain.

Paramitre de modéle: est une variable de configuration inleme au modéle et. dont la valour pout étre estimée ä partir des donnóes Precision: Ta précision sc rélére & la proximnilé de deux mesures ou plus les unos aux autres Régression: C’est un probléme d'apprentissage supervisé ott la variable de sortie est une valeur réeile, comme "dollars" ou "poids” Régle d'assu jun: un probléme d'apprentissage de régle d'assuciation est le cas oft nous souhaitons découvrir des régles qui découlent d’un grand jou de données, par exemple, les personnes qui achétent X ont également tendance @ acheter Y. Hxemple, A priori SLA = Least Squares: Moindres carrés sont une méthode statistique utilisée pour déterminer une ligne de meilleur ajustement en minimisant la somme des carrés créés par une fonction mathématique. Sur apprentissage: signifie que nous avons trop adapté le modele aux données Wentrainement.

Segmentation de la clientéle: est une pratique qui consiste 4 diviser une clientéle en groupes d'individus qui sont similaires Vente croisée: Promouvoir et vendre des produits ou services supplémentaires a des clionls cxistants. Table de matiéres Résumé.4, Exigences en matiére de données 1.5, Motivation de la recherche et objectifs.7, Résumé des contributions. Chapitre 2 - Les approches datamining pour le CRM. Chapitre 3 - Evaluation des algorithmes.

Architecture globale du système datamining. Classification Multi label. Chapitre 4 - Systemes de recommandation. 4,2, Filtrage collaboratif Discussion.

Systéme de recommandation Conciusion.1 Travaux futurs ANNEXES Annexe 1; Architecture CRM. Annexe 2 : Information sur les données. Annexe 3 : Architecture globale du systéme datarnining proposée Annexe4 : Solutions propasées pour les travaux futurs. Table de figures Figure 1.

12 Figure 2, Diagramme de classe „18 Figure 3. Créalion de la base de dorme relalionnelle. Description des données 21 Vigure 5. ROC curye and AỨC uc 25 Figure 6, Résultats d’ une analyse du panier du marché 31 Figure 7.

Nouveau dataset 33 Tigure 8. Résultats RTM 34 Jfigure 9. Segmentation des produits. Les informations issucs du RFM aprés fealure ongincering Figure 11.

Matriee de corrélation Figure 12. Distributions des variables. Workflow Machine Leaming. Résultats dcs classiflcatets.

Les métriques Precision, Recall et Fl Figure 16. ROC Curve Figure 17. Résultats des hyper paramétres. Matrice de corrélation.

Les corrélations du produits sauce Figure 21. Les corrélations du produits Mozzarella Eigure 22. Création du train et du test Vigure 6, Comparaison des approches populaires et ALS. Résultats des recommandations Figure 26.

Architeclure CRM Trigure 27. Inforaation du đataset Invoieeset. Variables contenant des valeurs manquantes Figure 29. Architecture globale du systéme datamining Figure 30.

Solution 2 Liste Tabicaux Tableau I: Méthodes existantes pour le traitement des données Tableau 2 : Segmentation RFM 33 Tableau 3: Résultats Random Eorest. AL Tablcau 4: Rdsuhats KNN. 42 Tableau 5: Résultats SVM. 43 Tableau 6: Résultats Random lorest avec grid search.

AT Tableau 7: Evaluation du classificateur Multi output SVM. 49 Tableau 8: Evaluation du classificateur Multi output. Regress Table de matiéres Résumé.4, Exigences en matiére de données 1.5, Motivation de la recherche et objectifs.7, Résumé des contributions. Chapitre 2 - Les approches datamining pour le CRM.

Chapitre 3 - Evaluation des algorithmes. Architecture globale du système datamining. Classification Multi label. Chapitre 4 - Systemes de recommandation.

4,2, Filtrage collaboratif Discussion. Systéme de recommandation Conciusion.1 Travaux futurs ANNEXES Annexe 1; Architecture CRM. Annexe 2 : Information sur les données. Annexe 3 : Architecture globale du systéme datarnining proposée Annexe4 : Solutions propasées pour les travaux futurs.

Finally, we propose personaled reconunendaHon systems: collaborative filtering, market basket analysis and correlation-based statistical study. Keywords: CRM, Recommondation System, Customer Prediction, Machine Leaming, Classification, Clustering, Apriori, K-Means, KNN, Devision Iress, Chustering, Datamining, Astificial Intelligence, Multi output Regression Glossaire Algorithmes: L'algorithme on apprentissage automatique est utilisé pour produire un modéle exéculable ot qui peul éire ulilisé A Mavenir pour faire soil la prédiction, la classification, la segmentation. AT Anificial intelligence, en frangais intelhgence artilicielle (TA) est. un dornaime de Vinformatique qui met Taccent sur la création de machines intelligentes qui fonctionnent et réagissent comme les humains.

Apprentissage supervisé: C'cst un probléme ot toutes les données sont étiquetées ot les algorithmes apprennent 4 prédire la sortie des données d'entrée Apprentissage non supervisé: C'est un probléme ol toutes les données sont non étiquetées et Jes algorithmes apprennent la structure inhérente 4 partir des données dentrée Applications: Une application en apprentissage automatique peut étre considérée comme étant un modéle dans le sens ait elle fournit aux utilisateurs finanx les résultats oblenus par le modéls: prédiction, classification, traduction,. avec unc utilisation facile et une interaction homme machine comprehensive, Accuracy: Accuracy fait référence 4 la proximité d’une valeur mesurée par rapport a une valeur conmue. Analyse du panier de marché: visc a meximiser Vintonsilé ot la valour des transactions des clicnts en révélant des régularités dans le comportement dachat des clients Churn: Un terme utilisé par les entreprises de télécommunications pour décrire la perte de clients la concurrence. Caractéristiques Iatentes ou cachées: En statistique, les variables latentes, par opposition aux variables observables), sont des variables qui ne sont pas directement observées mais sont déduites dautres variables ubservées (Wikipédia).

CRM opérationnel: inclut la communication quotidienne avec les clients. [1 fournit un support pour Jes processus métier «front office», tels que les départements de vente, de marketing et de service au sein de lentreprise. Corrélation: En probabilités et en statistiques, la corrélation entre deux ou plusieurs variables aldaloires ou statistiques numeériqe c'est Pélude do la lieisơm qui peut exister entre ces variables. ~B~ Matrice LARGE: Fist.

une matrice large dans laquelle nous avons la présence des 0 el 1 N-gram: est une sous-séquence de n éléments construite 4 partir dume séquence dommes. (Wikipédia) Natural Language Processing: en frangais le traitement automatique du langage naturel est. unc branche de Pintelhgence arlificielle capable de comprondre le langage humain. Paramitre de modéle: est une variable de configuration inleme au modéle et.

dont la valour pout étre estimée ä partir des donnóes Precision: Ta précision sc rélére & la proximnilé de deux mesures ou plus les unos aux autres Régression: C’est un probléme d'apprentissage supervisé ott la variable de sortie est une valeur réeile, comme "dollars" ou "poids” Régle d'assu jun: un probléme d'apprentissage de régle d'assuciation est le cas oft nous souhaitons découvrir des régles qui découlent d’un grand jou de données, par exemple, les personnes qui achétent X ont également tendance @ acheter Y. Hxemple, A priori SLA = Least Squares: Moindres carrés sont une méthode statistique utilisée pour déterminer une ligne de meilleur ajustement en minimisant la somme des carrés créés par une fonction mathématique. Sur apprentissage: signifie que nous avons trop adapté le modele aux données Wentrainement. Segmentation de la clientéle: est une pratique qui consiste 4 diviser une clientéle en groupes d'individus qui sont similaires Vente croisée: Promouvoir et vendre des produits ou services supplémentaires a des clionls cxistants.

Table de matiéres Résumé.4, Exigences en matiére de données 1.5, Motivation de la recherche et objectifs.7, Résumé des contributions. Chapitre 2 - Les approches datamining pour le CRM. Chapitre 3 - Evaluation des algorithmes. Architecture globale du système datamining.

Classification Multi label. Chapitre 4 - Systemes de recommandation. 4,2, Filtrage collaboratif Discussion. Systéme de recommandation Conciusion.1 Travaux futurs ANNEXES Annexe 1; Architecture CRM.

Annexe 2 : Information sur les données. Annexe 3 : Architecture globale du systéme datarnining proposée Annexe4 : Solutions propasées pour les travaux futurs. ~7~ CLTV = Customer Life Time Value Valeur de la durée de vie du client: vise 4 prédire la valour actuclle notte des flux de trésoreric générés par un client aver une entreprise ou une marque pendant toute la durée pendant laquelle il est client de cette entreprise ou marque.