Trí tuệ nhân tạo trong nghiên cứu marketing: Mô hình hóa các chủ đề chính

Trí tuệ nhân tạo (AI) đã trở thành một phần không thể thiếu trong nghiên cứu marketing hiện đại. 84 trang · Trường Đại Học Công Nghiệp TP.HCM · 2021.

• Tác giả: Võ Thị Thu Thủy
• Người hướng dẫn: Th. Lê Hoàng Việt Phương
• Trường học: Trường Đại Học Công Nghiệp TP.HCM
• Chuyên ngành: Quản trị Kinh doanh & Marketing
• Đề tài: Trí Tuệ Nhân Tạo Trong Nghiên Cứu Marketing: Mô Hình Hóa Các Chủ Đề
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2021
• Địa điểm: Thành Phố Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: GIỚI THIỆU TỔNG QUAN VỀ ĐỀ TÀI
• 1.1. Bối cảnh nghiên cứu và lý do chọn đề tài
• 1.2. Mục tiêu nghiên cứu
• 1.3. Câu hỏi nghiên cứu
• 1.4. Đối tượng và phạm vi nghiên cứu
• 1.4.1. Đối tượng nghiên cứu
• 1.4.2. Phạm vi nghiên cứu
• 1.5. Phương pháp nghiên cứu
• 1.6. Ý nghĩa của đề tài nghiên cứu
• 1.7. Kết cấu đề tài khóa luận
• 2. CHƯƠNG 2: TỔNG QUAN TÀI LIỆU
• 2.1. Các khái niệm chính
• 2.2. Trí tuệ nhân tạo (AI)
• 2.3. Tổng quan về các nghiên cứu liên quan đến đề tài
• 2.3.1. Nghiên cứu Trí tuệ nhân tạo sẽ thay đổi tương lai của ngành Marketing như thế nào? (Thomas Davenport & Abhijit Guha & Dhruv Grewal & Timna Bressgott, 2019)
• 2.3.2. Nghiên cứu liên quan đến tổ chức và chiến lược về việc sử dụng AI trong tiếp thị “Ứng dụng công nghiệp của trí tuệ nhân tạo và dữ liệu lớn – bigdata” (The Directorate-General for the Internal Market, Industry, Entrepreneurship and SMEs, 2020)
• 2.3.3. Nghiên cứu: “Sử dụng AI trong cải thiện mối quan hệ khách hàng” (Scott Clark, 2020)
• 2.3.4. Nghiên cứu: “Ứng dụng trí tuệ nhân tạo (AI) trong Tối ưu hóa Công Cụ Tìm kiếm (SEO)” (Yodhi Yuniarthe, 2017)
• 3. CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU
• 3.1. Quy trình nghiên cứu
• 3.2. Phương pháp nghiên cứu
• 3.2.1. Nghiên cứu định tính
• 3.2.2. Nghiên cứu định lượng
• 3.3. Tiến hành thu thập dữ liệu
• 3.4. Xử lý và làm sạch dữ liệu
• 3.5. Mã hóa và phân tích dữ liệu
• 4. CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN
• 4.1. Kết quả nghiên cứu
• 4.2. Mô tả chi tiết các xuất bản còn tồn tại
• 4.3. Mô hình chủ đề
• 5. CHƯƠNG 5: KẾT LUẬN
• 5.1. Kết luận chung
• 5.2. Kiến nghị và đề xuất
• 5.3. Đóng góp về mặt lý thuyết
• 5.4. Đóng góp về ngành
• 5.5. Đóng góp đối với doanh nghiệp
• 5.6. Hạn chế của nghiên cứu
• 5.7. Định hướng nghiên cứu tiếp theo
• 5.7.1. Tăng chiều sâu của nghiên cứu AI
• 5.7.2. Tăng chiều rộng của nghiên cứu AI
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về ứng dụng trí tuệ nhân tạo trong marketing

Trí tuệ nhân tạo (AI) đã trở thành một phần không thể thiếu trong nghiên cứu marketing hiện đại. Sự phát triển của công nghệ 4.0 đã tạo ra nhiều cơ hội cho các doanh nghiệp trong việc tối ưu hóa chiến lược marketing. AI không chỉ giúp phân tích dữ liệu lớn mà còn hỗ trợ trong việc dự đoán xu hướng thị trường và hành vi khách hàng. Theo nghiên cứu của PwC, AI có thể đóng góp lên đến 15,7 nghìn tỷ USD cho nền kinh tế toàn cầu vào năm 2030. Điều này cho thấy tầm quan trọng của AI trong việc nâng cao hiệu quả marketing.

1.1. Khái niệm trí tuệ nhân tạo trong marketing

Trí tuệ nhân tạo trong marketing đề cập đến việc sử dụng các thuật toán và công nghệ máy học để phân tích dữ liệu và tối ưu hóa các chiến dịch marketing. AI giúp các nhà tiếp thị hiểu rõ hơn về hành vi và nhu cầu của khách hàng, từ đó đưa ra các quyết định chính xác hơn.

1.2. Lợi ích của AI trong nghiên cứu marketing

AI mang lại nhiều lợi ích cho nghiên cứu marketing, bao gồm khả năng phân tích dữ liệu lớn, tối ưu hóa chi phí và tăng cường trải nghiệm khách hàng. Các công cụ AI như phân tích cảm xúc và dự đoán xu hướng giúp các doanh nghiệp nắm bắt nhanh chóng các thay đổi trong thị trường.

II. Thách thức trong việc ứng dụng AI vào marketing

Mặc dù AI mang lại nhiều lợi ích, nhưng việc ứng dụng nó trong marketing cũng gặp phải nhiều thách thức. Một trong những vấn đề lớn nhất là thiếu hụt nguồn nhân lực có kỹ năng trong lĩnh vực này. Ngoài ra, việc tích hợp AI vào các hệ thống hiện có cũng là một thách thức không nhỏ. Các doanh nghiệp cần phải đầu tư vào công nghệ và đào tạo nhân viên để có thể tận dụng tối đa tiềm năng của AI.

2.1. Thiếu hụt nguồn nhân lực có kỹ năng

Nhu cầu về nhân lực có kỹ năng trong lĩnh vực AI đang gia tăng, nhưng nguồn cung vẫn chưa đáp ứng đủ. Điều này gây khó khăn cho các doanh nghiệp trong việc triển khai các giải pháp AI hiệu quả.

2.2. Khó khăn trong việc tích hợp công nghệ

Việc tích hợp AI vào các hệ thống hiện có có thể gặp phải nhiều khó khăn, bao gồm vấn đề về dữ liệu và khả năng tương thích. Doanh nghiệp cần có kế hoạch rõ ràng để giải quyết những vấn đề này.

III. Phương pháp nghiên cứu ứng dụng AI trong marketing

Để nghiên cứu ứng dụng AI trong marketing, các phương pháp định tính và định lượng thường được sử dụng. Phương pháp định tính giúp hiểu rõ hơn về các xu hướng và hành vi của khách hàng, trong khi phương pháp định lượng cung cấp dữ liệu cụ thể để phân tích. Việc kết hợp cả hai phương pháp này sẽ mang lại cái nhìn toàn diện hơn về ứng dụng AI trong marketing.

3.1. Phương pháp định tính trong nghiên cứu

Phương pháp định tính thường bao gồm phỏng vấn sâu và khảo sát nhóm. Điều này giúp thu thập thông tin chi tiết về cách mà AI đang được sử dụng trong marketing và những thách thức mà các doanh nghiệp gặp phải.

3.2. Phương pháp định lượng trong nghiên cứu

Phương pháp định lượng sử dụng các công cụ thống kê để phân tích dữ liệu lớn. Điều này cho phép các nhà nghiên cứu xác định các xu hướng và mẫu hành vi của khách hàng một cách chính xác.

IV. Ứng dụng thực tiễn của AI trong marketing

AI đã được ứng dụng rộng rãi trong nhiều lĩnh vực của marketing, từ phân tích dữ liệu đến tối ưu hóa chiến dịch quảng cáo. Các công ty lớn như Google và Facebook đã sử dụng AI để cải thiện trải nghiệm người dùng và tăng cường hiệu quả quảng cáo. Việc sử dụng AI trong marketing không chỉ giúp tiết kiệm chi phí mà còn nâng cao khả năng tương tác với khách hàng.

4.1. Phân tích dữ liệu lớn trong marketing

AI giúp các doanh nghiệp phân tích dữ liệu lớn để hiểu rõ hơn về hành vi và nhu cầu của khách hàng. Điều này cho phép họ đưa ra các quyết định marketing chính xác hơn.

4.2. Tối ưu hóa chiến dịch quảng cáo bằng AI

AI có khả năng tối ưu hóa các chiến dịch quảng cáo bằng cách phân tích hiệu suất và điều chỉnh các yếu tố như ngân sách và đối tượng mục tiêu. Điều này giúp tăng cường hiệu quả quảng cáo và giảm chi phí.

V. Kết luận và tương lai của AI trong marketing

Trí tuệ nhân tạo đang định hình lại cách thức mà các doanh nghiệp tiếp cận marketing. Tương lai của AI trong marketing hứa hẹn sẽ mang lại nhiều cơ hội mới, nhưng cũng đặt ra nhiều thách thức. Các doanh nghiệp cần phải chuẩn bị sẵn sàng để thích ứng với những thay đổi này và tận dụng tối đa tiềm năng của AI.

5.1. Tương lai của AI trong marketing

Dự báo rằng AI sẽ tiếp tục phát triển và trở thành một phần không thể thiếu trong chiến lược marketing của các doanh nghiệp. Việc áp dụng AI sẽ giúp các doanh nghiệp nâng cao hiệu quả và tạo ra giá trị bền vững.

5.2. Các khuyến nghị cho doanh nghiệp

Doanh nghiệp cần đầu tư vào công nghệ và đào tạo nhân viên để có thể tận dụng tối đa tiềm năng của AI. Ngoài ra, việc xây dựng chiến lược rõ ràng cho việc ứng dụng AI trong marketing cũng rất quan trọng.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Khóa luận tốt nghiệp của tác giả Võ Thị Thu Thủy và Lê Thị Mỹ Duyên (chuyên ngành Quản trị Kinh doanh và Marketing, Trường Đại học Công nghiệp Thành phố Hồ Chí Minh, năm 2021) được thực hiện trong bối cảnh cuộc Cách mạng công nghiệp lần thứ tư đang diễn ra mạnh mẽ, đưa trí tuệ nhân tạo (AI) trở thành một trong những công nghệ cốt lõi và mũi nhọn của nền kinh tế toàn cầu. Đặc biệt, dưới tác động kéo dài gần hai năm của đại dịch COVID-19, AI càng thể hiện vai trò thiết yếu trong hoạt động sản xuất, kinh doanh và cung ứng dịch vụ. Báo cáo của PwC (Rao và cộng sự, 2017) chỉ ra rằng AI có thể đóng góp tới 15,7 nghìn tỷ USD cho nền kinh tế thế giới vào năm 2030, tương đương 14% GDP danh nghĩa toàn cầu (trong đó 6,6 nghìn tỷ USD đến từ gia tăng năng suất lao động và 9,1 nghìn tỷ USD từ các tác động tiêu dùng bổ sung). Cuộc đua phát triển AI diễn ra quyết liệt giữa hai cường quốc Mỹ và Trung Quốc, đồng thời thúc đẩy các quốc gia như Hàn Quốc, Nhật Bản, Phần Lan và Việt Nam ban hành các chiến lược quốc gia tương ứng. Tại Việt Nam, Hội nghị Quốc tế về Học máy (ICML 2020) ghi nhận Việt Nam có tổ chức nghiên cứu xếp vị trí thứ 21 trên bản đồ AI thế giới; Bộ Kế hoạch và Đầu tư hỗ trợ khơi thông vốn qua các quỹ đầu tư; các doanh nghiệp công nghệ như FPT, Viettel đẩy mạnh ứng dụng AI trong y tế, giáo dục, giao thông và thương mại điện tử; Trường Đại học Bách khoa Hà Nội mở ngành đào tạo AI trình độ đại học từ năm 2019 với mức điểm chuẩn xét tuyển trên 27 điểm (Hồ Đắc Lộc và Huỳnh Châu Duy, 2020). Theo thống kê được trích dẫn (AI, 2020), công cụ trợ lý ảo AI giúp doanh nghiệp tiết kiệm 50% chi phí vận hành và tăng 40% hiệu suất so với phương thức truyền thống.

Về lý do chọn đề tài, sự phát triển công nghệ và biến động dịch bệnh buộc các doanh nghiệp phải ứng dụng phần mềm AI trong marketing nhằm duy trì tương tác, giữ chân khách hàng và đáp ứng nhu cầu cá nhân hóa. Khoảng 72% nhà tiếp thị nhìn nhận AI là cơ hội kinh doanh thuận lợi (Huang và Rust, 2018; Rangaswamy và cộng sự, 2020). Dù vậy, hoạt động marketing học thuật vẫn thiếu tính liên kết hệ thống về cách thức công nghệ AI đã được áp dụng trong quá khứ và xu hướng vận động trong tương lai (Haenlein và Kaplan, 2019; Paschen và cộng sự, 2019). Do đó, nhóm tác giả thực hiện việc phân tích tài liệu học thuật khách quan nhằm đánh giá cơ sở tri thức hiện hữu, phát hiện các khoảng trống nghiên cứu và phác thảo các chủ đề chính qua đề tài "Trí tuệ nhân tạo trong nghiên cứu Marketing: Mô hình hóa các chủ đề".

Mục tiêu nghiên cứu tổng quát của đề tài là tìm hiểu sự tác động của trí tuệ nhân tạo trong nghiên cứu marketing thông qua mô hình hóa các chủ đề, cụ thể gồm 4 nhiệm vụ được đánh số theo văn bản:

1. Xác định các chủ đề nghiên cứu nổi bật liên quan đến AI trong Marketing.
2. Nghiên cứu sự ảnh hưởng của AI trong Marketing về các chủ đề, tác giả, ấn phẩm và tạp chí liên quan.
3. Xác định và phân tích các chủ đề chiếm ưu thế trong nghiên cứu về trí tuệ nhân tạo trong tiếp thị.
4. Dựa trên kết quả nghiên cứu để đưa ra các kiến nghị phù hợp.

Đề tài tập trung giải quyết 3 câu hỏi nghiên cứu:

• Các chủ đề nghiên cứu nổi bật liên quan như thế nào đến AI trong Marketing?
• Các chủ đề, tác giả, ấn phẩm và tạp chí ảnh hưởng như thế nào đến AI trong Marketing?
• Vai trò của AI trong Marketing?

Đối tượng nghiên cứu của khóa luận là trí tuệ nhân tạo trong nghiên cứu marketing thông qua mô hình hóa các chủ đề. Phạm vi nghiên cứu về không gian giới hạn ở các bài báo khoa học được lập chỉ mục trên hệ thống cơ sở dữ liệu Web of Science (WoS). Phạm vi thời gian thu thập dữ liệu trải dài từ năm 1984 đến tháng 09 năm 2021; thời gian thực hiện nghiên cứu của nhóm tác giả diễn ra từ tháng 09 năm 2021 đến tháng 12 năm 2021.

Cơ sở lý thuyết và phương pháp

Khóa luận xây dựng nền tảng lý luận dựa trên ba nhóm khái niệm và cơ sở lý thuyết chính:

• Marketing và Nghiên cứu Marketing: Định nghĩa của Hiệp hội Marketing Hoa Kỳ (AMA, 2017) xác định marketing là tập hợp các thể chế và quy trình nhằm tạo dựng, truyền thông, phân phối và trao đổi các đề xuất có giá trị. Nghiên cứu tiếp thị đóng vai trò liên kết khách hàng với nhà tiếp thị thông qua luồng thông tin để nhận diện cơ hội, giám sát và hoàn thiện hoạt động tiếp thị. Các doanh nghiệp hiện đại đầu tư mạnh vào AI để hỗ trợ chatbot, tối ưu hóa hành trình khách hàng, sáng tạo nội dung, quản lý quan hệ khách hàng (CRM), nhận dạng hình ảnh, tối ưu hóa công cụ tìm kiếm (SEO) và cá nhân hóa (Netzer và cộng sự, 2012; Haenlein và Kaplan, 2019).
• Trí tuệ nhân tạo (AI): Được hiểu như một khái niệm bao trùm chỉ các hệ thống máy tính sử dụng phần mềm và thuật toán để mô phỏng, thực hiện các tác vụ nhận thức của con người (McCarthy và cộng sự, 1995; Bruyn và cộng sự, 2020). Trong nghiên cứu marketing, AI gắn liền với học máy (Machine Learning), mạng nơ-ron nhân tạo (ANN), xử lý ngôn ngữ tự nhiên (NLP), dữ liệu lớn (Big Data) và Internet vạn vật (IoT).
• Mô hình hóa chủ đề (Topic Modeling): Kỹ thuật phân tích văn bản không giám sát dùng để phân loại tự động và phát hiện các cấu trúc chủ đề tiềm ẩn (latent topics) từ khối lượng lớn tài liệu phi cấu trúc mà không cần gán nhãn trước (Anupriya và Karpagavalli, 2015; Hagedorn và cộng sự, 2010).

Nhóm tác giả tổng quan 4 công trình nghiên cứu tiêu biểu liên quan trực tiếp đến đề tài:

• Nghiên cứu của Thomas Davenport, Abhijit Guha, Dhruv Grewal và Timna Bressgott (2019) về sự thay đổi tương lai ngành marketing dưới tác động của AI qua 3 trường hợp: (1) Xe tự hành làm thay đổi mô hình vận tải, bảo hiểm và thị trường bất động sản ngoại ô; (2) Trợ lý AI giám sát phân tích giọng nói cuộc gọi theo thời gian thực để hỗ trợ nhân viên bán hàng; (3) Chuyển đổi mô hình kinh doanh bán lẻ từ "mua sắm rồi vận chuyển" sang "vận chuyển rồi mua sắm" dựa trên thuật toán dự đoán nhu cầu, đồng thời đặt ra câu hỏi về khả năng dự đoán nhu cầu cho các sản phẩm thực sự mới (RNPs).
• Nghiên cứu của Tổng vụ Thị trường Nội bộ, Công nghiệp, Doanh nghiệp Vừa và Nhỏ thuộc Ủy ban châu Âu (2020) về ứng dụng công nghiệp của AI và dữ liệu lớn cho các doanh nghiệp vừa và nhỏ (SME) nhằm tối ưu quy trình sản xuất, dự đoán sự cố máy móc và thúc đẩy phục hồi kinh tế xanh.
• Bài viết của Scott Clark (2020) về sử dụng AI nâng cao quan hệ khách hàng và trải nghiệm khách hàng (CX), siêu cá nhân hóa dựa trên dữ liệu thời gian thực; tích hợp AI trong hệ thống CRM (Salesforce Einstein, Zoho) và Customer Data Platform - CDP (Amperity, BlueConic, Adobe, ActionIQ); viện dẫn báo cáo Robert Half cho thấy 39% lãnh đạo CNTT đang ứng dụng AI hoặc học máy.
• Nghiên cứu của Yodhi Yuniarthe (2017) về ứng dụng AI trong SEO, phân loại theo 3 nhóm phương pháp (tính toán tiến hóa, logic mờ, mô hình thống kê/phân loại); dẫn chứng thuật toán Polidoxa xếp hạng tin cậy dựa trên hành vi mạng, hệ thống logic mờ cho đối tượng tiếng Ba Tư và gói phần mềm thương mại SPSS Clementine của IBM sử dụng mạng nơ-ron nhân tạo (ANN) với 6 mô-đun phân tích trang web.

Về phương pháp nghiên cứu, đề tài kết hợp phương pháp định tính và định lượng:

• Phương pháp định tính: Thu thập, tổng hợp, phân loại và so sánh tài liệu học thuật từ sách, báo, tạp chí khoa học trong và ngoài nước nhằm xây dựng cơ sở lý luận.
• Phương pháp định lượng và xử lý tính toán: Sử dụng ngôn ngữ lập trình Python để viết chương trình tự động thu thập dữ liệu (crawl dữ liệu) và tiền xử lý, làm sạch văn bản từ tệp dữ liệu trích xuất. Tiếp đó, tác giả sử dụng thuật toán Phân bổ Dirichlet tiềm ẩn (Latent Dirichlet Allocation - LDA) thông qua thư viện Gensim trong Python để mô hình hóa và trích xuất các chủ đề tiềm ẩn từ tập văn bản phi cấu trúc. Các công cụ biểu diễn bao gồm biểu đồ phân phối tần suất số từ (Histogram), trực quan hóa đám mây từ khóa (Word-cloud), thuật toán biểu diễn t-SNE (t-Distributed Stochastic Neighbor Embedding) và Bản đồ khoảng cách giữa các chủ đề (Intertopic Distance Map).
• Nguồn dữ liệu: Dữ liệu thứ cấp gồm toàn văn 569 bài báo khoa học xuất bản trong giai đoạn từ năm 1984 đến tháng 09 năm 2021 được trích xuất từ cơ sở dữ liệu Web of Science (WoS).

Nội dung chính theo từng chương

Chương 1: Giới thiệu tổng quan về đề tài

Chương 1 thiết lập khung nghiên cứu tổng thể, lý giải sự cần thiết của đề tài xuất phát từ sự bùng nổ của công nghệ AI, tác động của dịch COVID-19 và nhu cầu cấp bách phải hệ thống hóa kho tàng nghiên cứu học thuật về marketing. Tác giả xác định rõ 4 mục tiêu nghiên cứu cụ thể, 3 câu hỏi định hướng, phạm vi dữ liệu từ Web of Science giai đoạn 1984 - 09/2021, đối tượng nghiên cứu và kết cấu đề tài gồm 5 chương. Chương này nhấn mạnh ý nghĩa lý thuyết trong việc cung cấp bức tranh chủ đề toàn diện và ý nghĩa thực tiễn giúp doanh nghiệp ứng dụng AI hiệu quả trong chiến lược tiếp thị tương tác.

Chương 2: Tổng quan tài liệu

Chương 2 tập trung phân tích hệ thống khái niệm cốt lõi gồm Marketing (định nghĩa chuẩn của AMA năm 2017), Nghiên cứu Marketing, Trí tuệ nhân tạo (AI) cùng các khái niệm kỹ thuật bổ trợ (Machine Learning, ANN, NLP, Big Data, IoT) và kỹ thuật Mô hình hóa chủ đề (Topic Modeling). Tiếp theo, chương phân tích sâu 4 công trình khoa học tiêu biểu của Davenport và cộng sự (2019), Tổng vụ Thị trường Nội bộ EU (2020), Scott Clark (2020) và Yuniarthe (2017), làm rõ các khía cạnh chuyển đổi chiến lược tiếp thị, nâng cao trải nghiệm khách hàng, tích hợp nền tảng CRM/CDP và ứng dụng AI trong thuật toán SEO.

Chương 3: Phương pháp nghiên cứu

Chương 3 trình bày chi tiết quy trình nghiên cứu thực nghiệm. Quy trình bắt đầu từ khâu tìm kiếm và thu thập dữ liệu bằng công cụ lập trình tự động trên nguồn Web of Science, thu về 569 bài báo khoa học. Dữ liệu văn bản thô được đưa qua quy trình làm sạch, tiền xử lý ngôn ngữ tự nhiên và mã hóa. Sau đó, tác giả thiết lập mô hình toán học Phân bổ Dirichlet tiềm ẩn (LDA) bằng ngôn ngữ Python thông qua gói Gensim để phân tích phân phối xác suất từ ngữ, trích xuất cấu trúc chủ đề tiềm ẩn và thiết lập ma trận tương quan giữa các chủ đề.

Chương 4: Kết quả nghiên cứu và thảo luận

Chương 4 công bố toàn bộ phát hiện định lượng từ tập dữ liệu 569 bài báo WoS. Về thống kê thư mục, số lượng công bố tăng đột biến từ năm 2017; tạp chí Industrial Marketing Management dẫn đầu với 16 bài báo; Hoa Kỳ và Canada (Bắc Mỹ), các nước Tây - Nam Âu và Trung Quốc, Ấn Độ (Đông Á) là các khu vực xuất bản chủ lực; Viện Quản lý Ấn Độ, Đại học Luân Đôn và Hệ thống Đại học Texas dẫn đầu về số công bố cấp trường (8 bài/đơn vị). Về mô hình hóa chủ đề, biểu đồ Histogram chỉ ra độ dài tài liệu trung bình là 1.324 từ/bài, tập trung chính trong khoảng 500 - 1.900 từ với phân phối lệch trái không cân xứng. Thuật toán LDA trích xuất thành công 10 chủ đề nghiên cứu tiềm ẩn, trong đó Chủ đề 1 và Chủ đề 9 chiếm ưu thế áp đảo về tần suất xuất hiện và dung lượng thảo luận; ngược lại, Chủ đề 2 và Chủ đề 4 có số lượng bài báo thấp nhất. Tác giả tiến hành phân loại toàn bộ các chủ đề thành 2 nhóm không gian chính: Nhóm nghiên cứu liên quan đến khách hàng và nhóm nghiên cứu liên quan đến tổ chức sử dụng AI trong marketing.

Chương 5: Kết luận

Chương 5 tóm tắt các kết quả chính của mô hình LDA, đối chiếu với mục tiêu nghiên cứu ban đầu. Tác giả trình bày các đóng góp học thuật về mặt lý thuyết mô hình hóa chủ đề, đóng góp cho ngành đào tạo đại học và các hàm ý thực tiễn cho nhà quản trị doanh nghiệp. Đồng thời, chương này chỉ rõ các hạn chế về nguồn dữ liệu và đề xuất hai định hướng nghiên cứu tiếp theo bao gồm tăng cường chiều sâu phân tích chuyên đề và mở rộng chiều rộng của tập dữ liệu nghiên cứu.

Kết quả và đóng góp

Nghiên cứu mang lại hệ thống kết quả định lượng cụ thể được trích xuất trực tiếp từ 569 bài báo khoa học trên Web of Science (1984 - 09/2021):

Tiêu chí thống kê	Chi tiết số liệu trong văn bản
Xu hướng xuất bản theo năm	Trước 2017: Số lượng rất thấp. Năm 2017: Bắt đầu tăng nhanh (≥ 20 bài/năm). Năm 2018: 55 bài báo. Năm 2019: 109 bài báo. Năm 2020: 138 bài báo. Tháng 01 - 09/2021: 118 bài báo.
Top tạp chí xuất bản nhiều nhất	1. Industrial Marketing Management: 16 bài. 2. Australasian Marketing Journal: 10 bài. 3. Journal of Business Research: 10 bài. 4. Technological Forecasting and Social Change: 9 bài. (Các tạp chí nổi bật khác: Journal of The Academy of Marketing Science, Journal of Business and Industrial Marketing).
Phân bố địa lý quốc gia	Tập trung tại 3 khu vực: - Bắc Mỹ: Hoa Kỳ, Canada. - Trung - Nam Âu: Anh, Đức, Pháp, Úc, Ý, Tây Ban Nha. - Đông Á: Trung Quốc, Ấn Độ.
Top trường đại học nghiên cứu	- Cùng dẫn đầu (8 bài): Viện Quản lý Ấn Độ, Đại học Luân Đôn, Đại học hệ thống Texas. - Vị trí tiếp theo (7 bài): Đại học Stanford, Đại học hệ thống Maryland. - Nhóm đạt 6 bài: ĐH Công nghệ Auckland, ĐH Harvard, ĐH Northeastern, Hệ thống ĐH bang Florida, ĐH Maryland.
Đặc trưng độ dài văn bản	Trung bình: 1.324 từ/bài; phân bố chủ yếu từ 500 đến 1.900 từ/bài; phân phối lệch trái không cân xứng.
Phân bổ chủ đề mô hình LDA	Trích xuất 10 chủ đề tiềm ẩn: - 2 chủ đề chiếm ưu thế lớn nhất: Chủ đề 1 và Chủ đề 9. - 2 chủ đề ít phổ biến nhất: Chủ đề 2 và Chủ đề 4. - 9 chủ đề nghiên cứu nổi bật được nêu tại tóm tắt: (1) Tiếp thị trí tuệ nhân tạo, (2) AI trong tiếp thị dịch vụ, (3) Marketing khai thác dữ liệu, (4) Ảnh hưởng của CEO và CMO trong chiến lược Marketing, (5) Nghiên cứu tiếp thị kỹ thuật số, (6) Sử dụng người máy trong bán hàng, (7) Hỗ trợ AI trong tuyển dụng, (8) Sử dụng AI trong mua hàng, (9) Công nghệ trong tiếp thị.

Các giải pháp và kiến nghị được tác giả đề xuất:

• Đóng góp và đề xuất đối với ngành giáo dục/đại học: Số lượng công bố tại các cơ sở giáo dục đại học hiện còn khiêm tốn (cao nhất chỉ đạt 8 bài/trường). Các trường đại học cần chủ động đưa nội dung nghiên cứu AI trong marketing vào chương trình đào tạo nhằm cập nhật xu hướng học thuật hiện đại cho sinh viên, đồng thời thúc đẩy các liên kết nghiên cứu khoa học liên trường và liên khu vực địa lý.
• Đóng góp và khuyến nghị đối với doanh nghiệp: Doanh nghiệp cần nhìn nhận rõ vai trò của AI trong việc tái định hình chiến lược tiếp thị, khai thác dữ liệu lớn và áp dụng các nền tảng tự động hóa (CRM, CDP, chatbot, trợ lý ảo) để thấu hiểu khách hàng, thực hiện siêu cá nhân hóa, tối ưu chi phí vận hành (tiết kiệm đến 50%) và nâng cao hiệu suất bán hàng.
• Đóng góp về mặt lý thuyết: Khóa luận xây dựng bức tranh tổng thể khách quan về cơ sở tri thức AI trong marketing thông qua thuật toán học máy LDA, cung cấp khung tham chiếu 10 chủ đề và phân loại 2 nhóm không gian (nghiên cứu hướng về khách hàng và nghiên cứu hướng về tổ chức ứng dụng AI) làm tiền đề cho các nghiên cứu định lượng tiếp theo.

Hạn chế và hướng nghiên cứu tiếp

Khóa luận chỉ ra các hạn chế gắn liền với phạm vi triển khai:

• Dữ liệu nghiên cứu chỉ giới hạn trong các bài báo khoa học xuất bản trên cơ sở dữ liệu Web of Science tính đến tháng 09 năm 2021, chưa bao quát các nguồn chỉ mục học thuật khác.
• Số lượng công trình nghiên cứu về AI trong marketing tại các trường đại học vẫn còn thấp, việc đánh giá các chủ đề tiềm ẩn mới dừng lại ở mức tổng hợp thư mục và mô hình hóa phân phối từ ngữ tổng thể.

Tác giả đề xuất 2 định hướng mở rộng nghiên cứu trong tương lai:

• Tăng chiều sâu của nghiên cứu AI: Tập trung phân tích chuyên sâu vào từng chủ đề cụ thể trong số các chủ đề đã phát hiện (đặc biệt là các chủ đề chuyên biệt về dịch vụ khách hàng, hành vi mua sắm, vai trò của lãnh đạo CEO/CMO hoặc các công nghệ AI chuyên sâu).
• Tăng chiều rộng của nghiên cứu AI: Mở rộng nguồn dữ liệu khảo sát sang các cơ sở dữ liệu học thuật quốc tế khác (ngoài Web of Science), cập nhật các công bố xuất bản mới sau năm 2021 và mở rộng phạm vi áp dụng AI trên nhiều ngành nghề và bối cảnh thị trường đa dạng hơn.

Giá trị tham khảo

Khóa luận là nguồn tài liệu hữu ích cho các đối tượng:

• Sinh viên và học viên chuyên ngành Quản trị Kinh doanh, Marketing và Hệ thống thông tin quản lý: Cung cấp phương pháp luận kết hợp liên ngành giữa khoa học dữ liệu (thuật toán LDA, lập trình Python, xử lý ngôn ngữ tự nhiên) với việc giải quyết bài toán tổng quan tài liệu trong quản trị và tiếp thị.
• Các nhà nghiên cứu học thuật về AI và Marketing: Cung cấp danh mục tài liệu thứ cấp được tổng hợp có hệ thống từ Web of Science, giúp nhận diện các chủ đề nghiên cứu đã bão hòa (Chủ đề 1, Chủ đề 9) và phát hiện các khoảng trống học thuật còn ít công bố (như Chủ đề 2 về AI trong tiếp thị dịch vụ, Chủ đề 4 về ảnh hưởng của CEO/CMO).
• Phần nội dung đáng tham khảo nhất: Chương 3 (Phương pháp nghiên cứu) và Chương 4 (Kết quả nghiên cứu và thảo luận), nơi trình bày chi tiết quy trình thu thập dữ liệu tự động, các kỹ thuật làm sạch văn bản, lập biểu đồ phân phối tần suất, trực quan hóa Word-cloud và ứng dụng thuật toán LDA để giải mã dữ liệu phi cấu trúc.

Câu hỏi thường gặp

Khóa luận sử dụng nguồn dữ liệu nào và bao phủ giai đoạn thời gian bao lâu?
Nghiên cứu thu thập dữ liệu thứ cấp gồm 569 bài báo khoa học được lập chỉ mục trên cơ sở dữ liệu Web of Science (WoS) trong khoảng thời gian từ năm 1984 đến tháng 09 năm 2021.

Số lượng bài báo về AI trong Marketing biến động ra sao trong giai đoạn nghiên cứu?
Từ năm 1984 đến trước 2017, số lượng bài báo duy trì ở mức rất thấp. Bắt đầu từ năm 2017, số lượng xuất bản tăng nhanh với ít nhất 20 bài mỗi năm: năm 2018 đạt 55 bài, năm 2019 đạt 109 bài, năm 2020 đạt 138 bài và 9 tháng đầu năm 2021 đạt 118 bài báo.

Tạp chí khoa học và trường đại học nào có số lượng xuất bản cao nhất về chủ đề này?
Tạp chí có nhiều bài báo nhất là Industrial Marketing Management với 16 bài. Các đơn vị đào tạo dẫn đầu gồm Viện Quản lý Ấn Độ, Đại học Luân Đôn và Đại học hệ thống Texas (mỗi đơn vị có 8 bài báo).

Thuật toán chính nào được nhóm tác giả sử dụng để phát hiện các chủ đề tiềm ẩn?
Tác giả sử dụng thuật toán Phân bổ Dirichlet tiềm ẩn (Latent Dirichlet Allocation - LDA) thông qua thư viện Gensim của ngôn ngữ lập trình Python để phân tích tập dữ liệu phi cấu trúc gồm 569 bài báo.

Hai chủ đề nào chiếm ưu thế lớn nhất và mười chủ đề được phân chia vào những nhóm nào?
Chủ đề 1 và Chủ đề 9 là hai chủ đề được thảo luận nhiều nhất trong tài liệu. Toàn bộ 10 chủ đề được phân loại vào 2 miền nghiên cứu chính: Nhóm nghiên cứu liên quan đến khách hàng và nhóm nghiên cứu liên quan đến tổ chức sử dụng AI trong marketing.

Kết luận

Khóa luận tốt nghiệp của tác giả Võ Thị Thu Thủy và Lê Thị Mỹ Duyên đã hệ thống hóa và phân tích khách quan cơ sở tri thức về trí tuệ nhân tạo trong marketing từ 569 bài báo khoa học trên Web of Science giai đoạn 1984 - 09/2021. Bằng việc ứng dụng thuật toán học máy không giám sát LDA kết hợp kỹ thuật xử lý ngôn ngữ tự nhiên trên nền tảng Python, công trình đã làm sáng tỏ xu hướng tăng trưởng nhanh chóng của các công bố học thuật từ sau năm 2017 và xác lập 10 chủ đề nghiên cứu tiềm ẩn cốt lõi. Kết quả phân loại hai miền nghiên cứu hướng đến khách hàng và hướng đến tổ chức không chỉ cung cấp khung lý thuyết tham chiếu cho các nghiên cứu định lượng tiếp theo, mà còn mang lại hàm ý thực tiễn quan trọng cho doanh nghiệp trong việc triển khai các giải pháp AI vào hoạt động tiếp thị.

Trích đoạn nội dung tài liệu

chương 1 nhằm giúp người đọc có cái nhìn tổng quan và nắm rõ hơn về đề tài nghiên cứu mà chúng tôi đang nghiên cứu. Đồng thời, giúp cho chúng tôi tạo tiền đề để tiến hành phân tích về cơ sở lý luận và tìm kiếm dữ liệu. 6 CHƯƠNG 2: TỔNG QUAN TÀI LIỆU 2. Các khái niệm chính 2.

Marketing Theo Hiệp hội Marketing Hoa Kỳ (AMA, 2017), Marketing là hoạt động, tập hợp các thể chế và quy trình để tạo, giao tiếp, phân phối và trao đổi các dịch vụ có giá trị cho khách hàng, đối tác và xã hội nói chung. Nghiên cứu Marketing là chức năng liên kết người tiêu dùng, khách hàng và công chúng với nhà tiếp thị thông qua thông tin được sử dụng để xác định các cơ hội và vấn đề tiếp thị; tạo, điều chỉnh và đánh giá các hành động tiếp thị; giám sát hoạt động tiếp thị; và nâng cao hiểu biết về tiếp thị như một quá trình. Nghiên cứu tiếp thị chỉ rõ thông tin cần thiết để giải quyết những vấn đề này, thiết kế phương pháp thu thập thông tin, quản lý và thực hiện quy trình thu thập dữ liệu, phân tích kết quả và truyền đạt những phát hiện cũng như hàm ý của chúng. Rất nhiều công ty đã đầu tư để hỗ trợ các nhiệm vụ khác nhau liên quan đến tiếp thị, chẳng hạn như chatbots, tối ưu hóa hành trình của khách hàng, nghiên cứu và sáng tạo nội dung, quản lý quan hệ khách hàng, nhận dạng hình ảnh, công cụ tìm kiếm tối ưu hóa, cá nhân hóa, lập hồ sơ và lập kế hoạch chiến lược (Haenlein và Kaplan, 2019; Luo và cộng sự, 2019; Netzer và cộng sự, 2012; Zhao, 2013).

Trí tuệ nhân tạo (AI) Trong nghiên cứu tiếp thị, AI được sử dụng như một thuật ngữ bao trùm, gồm nhiều khái niệm rộng rãi rằng các loại máy tính, thông qua việc sử dụng phần mềm và thuật toán, có thể tạo điều kiện hoặc thực hiện các nhiệm vụ trước đây đòi hỏi khả năng nhận thức của con người (Bruyn và cộng sự 2020; Haenlein và Kaplan, 2019; Huang và Rust, 2018; Kumar và cộng sự, 2019). Trí tuệ nhân tạo là khoa học và kỹ thuật tạo ra các máy móc thông minh, các chương trình máy tính đặc biệt thông minh. Nó liên quan đến nhiệm vụ tương tự của sử dụng máy tính để 7 hiểu trí thông minh của con người, nhưng AI không nhất thiết phải tự giới hạn trong các phương pháp có thể quan sát được về mặt sinh học (McCarthy và cộng sự, 1995). Ngoài ra, để chỉ AI các nhà nghiên cứu còn sử dụng các thuật ngữ như học máy, rô bốt dịch vụ, tự động hóa, dữ liệu lớn, mạng nơ-ron, xử lý ngôn ngữ tự nhiên và Internet vạn vật (IoT) (Huang và Rust, 2018; Kumar và cộng sự, 2019; Marinova và cộng sự, 2017; Netzer và cộng sự, 2012; Nunan và Domenico, 2013; Salminen và cộng sự, 2019; Tirunillai và Tellis, 2014; Wirtz và cộng sự, 2018).

Mô hình hóa Mô hình hóa chủ đề là một kỹ thuật tiềm năng mới để tự động phân loại tài liệu, phân tích không giám sát các nhóm tài liệu lớn. Các mô hình chủ đề hình thành các chủ đề tiềm ẩn trong văn bản bằng cách sử dụng ngẫu nhiên và khám phá các cấu trúc tài liệu. Mô hình này có nhiều ứng dụng như thẻ đề xuất, phân loại văn bản, trích xuất từ khóa và tìm kiếm sự tương đồng trong các lĩnh vực rộng lớn của khai thác văn bản, thông tin truy xuất, mô hình ngôn ngữ thống kê (Anupriya và Karpagavalli, 2015). Mô hình chủ đề có một vai trò quan trọng và hữu ích trong thư viện kỹ thuật số đối với tạo siêu dữ liệu bổ sung (Hagedorn và cộng sự, 2010) bằng cách cung cấp một cách đơn giản để phân tích khối lượng lớn văn bản không được gắn nhãn và chỉ ra các mối quan hệ ẩn giữa các mục cũng như các chủ đề được thể hiện trong các tiêu đề.

Mô hình chủ đề được sử dụng để xử lý và phân loại văn bản một cách hiệu quả và hoàn hảo. Tổng quan về các nghiên cứu liên quan đến đề tài 2. Nghiên cứu Trí tuệ nhân tạo sẽ thay đổi tương lai của ngành Marketing như thế nào? (Thomas Davenport, Abhijit Guha, Dhruv Grewal & Timna Bressgott, 2019) Trong tương lai, trí tuệ nhân tạo (AI) dường như có khả năng ảnh hưởng đến các chiến lược tiếp thị, bao gồm mô hình kinh doanh, quy trình bán hàng và các tùy chọn dịch vụ khách hàng, cũng như hành vi của khách hàng. Những chuyển đổi sắp xảy ra này có thể được hiểu rõ nhất bằng cách sử dụng ba trường hợp minh họa từ các ngành khác nhau.

Đầu tiên, trong ngành giao thông vận tải, những chiếc xe không người lái, hỗ trợ AI có thể đang ở rất gần, hứa hẹn 8 sẽ thay đổi cả mô hình kinh doanh và hành vi của khách hàng. Các doanh nghiệp đi chung xe và taxi phải phát triển để tránh bị gạt ra ngoài lề bởi các mô hình vận tải hỗ trợ AI; nhu cầu mua bảo hiểm ô tô (từ khách hàng cá nhân) và máy thở (ít người lái xe hơn, đặc biệt là sau khi uống rượu) có thể sẽ giảm xuống, trong khi nhu cầu về hệ thống an ninh bảo vệ ô tô khỏi bị hack sẽ tăng lên (Hayes, 2015). Xe không người lái cũng có thể ảnh hưởng đến sức hấp dẫn của bất động sản, bởi vì thứ nhất, xe không người lái có thể di chuyển với tốc độ nhanh hơn, do đó thời gian đi làm sẽ giảm và thời gian đi làm sẽ hiệu quả hơn cho hành khách, những người có thể làm việc an toàn khi lái xe đến đích của họ. Do đó, các vùng ngoại ô xa xôi có thể trở nên hấp dẫn hơn, so với trường hợp ngày nay.

Thứ hai, AI sẽ ảnh hưởng đến quy trình bán hàng trong các ngành khác nhau. Hầu hết các nhân viên bán hàng vẫn dựa vào một cuộc gọi điện thoại (hoặc tương đương) như một phần quan trọng của quy trình bán hàng. Trong tương lai, các nhân viên bán hàng sẽ được hỗ trợ bởi một nhân viên AI giúp giám sát các cuộc trò chuyện qua điện thoại trong thời gian thực. Ví dụ: Bằng cách sử dụng khả năng phân tích giọng nói nâng cao, nhân viên AI có thể suy ra từ giọng điệu của khách hàng rằng vấn đề chưa được đề cập vẫn là một vấn đề và cung cấp phản hồi theo thời gian thực để hướng dẫn cách tiếp cận tiếp theo của nhân viên bán hàng (con người).

Theo nghĩa này, AI có thể tăng cường khả năng của nhân viên bán hàng, nhưng nó cũng có thể gây ra những hậu quả tiêu cực ngoài ý muốn, đặc biệt nếu khách hàng cảm thấy không thoải mái về các cuộc trò chuyện giám sát AI. Ngoài ra, trong tương lai, các công ty có thể chủ yếu sử dụng các bot AI, Footnote1 - trong một số trường hợp - hoạt động giống như nhân viên bán hàng, để tiếp xúc ban đầu với các khách hàng tiềm năng. Nhưng điều nguy hiểm vẫn là nếu khách hàng phát hiện ra rằng họ đang tương tác với bot, họ có thể trở nên khó chịu, gây ra những hậu quả tiêu cực. Thứ ba, mô hình kinh doanh hiện đang được các nhà bán lẻ trực tuyến sử dụng thường yêu cầu khách hàng đặt hàng, sau đó nhà bán lẻ trực tuyến sẽ vận chuyển sản phẩm (mô hình mua sắm sau đó vận chuyển (Agrawal và cộng sự, 2018; Gans và cộng sự, 2017).

Với AI, các nhà bán lẻ trực tuyến có thể dự đoán khách hàng sẽ muốn gì; giả sử rằng những dự đoán này đạt được độ chính xác cao, các nhà bán lẻ có thể chuyển sang mô hình kinh doanh vận chuyển sau 9 đó mua sắm. Có nghĩa là, các nhà bán lẻ sẽ sử dụng AI để xác định sở thích của khách hàng và vận chuyển các mặt hàng cho khách hàng mà không cần đặt hàng chính thức, với việc khách hàng có tùy chọn trả lại những gì họ không cần (Agrawal và cộng sự, 2017; Gans và cộng sự, 2018). Sự thay đổi này sẽ thay đổi chiến lược tiếp thị, mô hình kinh doanh và hành vi của khách hàng (ví dụ: Tìm kiếm thông tin) của các nhà bán lẻ. Các doanh nghiệp như Birchbox, Stitch Fix và Trendy Butler đã sử dụng AI để cố gắng dự đoán những gì khách hàng của họ muốn, với các mức độ thành công khác nhau.

Ba trường hợp sử dụng ở trên minh họa lý do tại sao rất nhiều học giả và nhà thực hành dự đoán rằng AI sẽ thay đổi bộ mặt của các chiến lược tiếp thị và hành vi của khách hàng. Trên thực tế, một cuộc khảo sát của Salesforce cho thấy AI sẽ là công nghệ được các nhà tiếp thị áp dụng nhiều nhất trong những năm tới (Columbus, 2019). Các yếu tố cần thiết để cho phép AI thực hiện những lời hứa của nó có thể đã có sẵn; người ta đã tuyên bố rằng "chính khoảnh khắc này là điểm uốn nắn vĩ đại của lịch sử" (Reese, 2018). Tuy nhiên, lập luận này có thể bị thách thức.

Đầu tiên, khả năng công nghệ cần thiết để thực hiện các ví dụ trước vẫn không đủ. Nói cách khác, ô tô tự lái chưa sẵn sàng để triển khai (Lowy, 2016), vì trong số những thứ khác hiện ô tô tự lái không thể xử lý các điều kiện thời tiết xấu. Các phân tích dự đoán cũng cần được cải thiện đáng kể trước khi các nhà bán lẻ có thể áp dụng các phương thức vận chuyển sau đó mua sắm để tránh trả lại sản phẩm đáng kể và ảnh hưởng tiêu cực liên quan. Kết hợp tất cả những điều này lại với nhau, có vẻ như các nhà quản lý và nhà nghiên cứu tiếp thị cần hiểu biết sâu sắc không chỉ về lời hứa cuối cùng của AI mà còn cả lộ trình và thời gian mà AI có khả năng phát triển.

Bài báo này đề cập đến các vấn đề ở trên, không chỉ được xây dựng từ việc xem xét các tài liệu về tiếp thị (và nói chung là kinh doanh), tâm lý học, xã hội học, khoa học máy tính và người máy, mà còn từ những tương tác sâu rộng với các nhà thực hành. Cuối cùng nghiên cứu đã chỉ ra rằng AI có thể giúp các công ty dự đoán những gì khách hàng sẽ mua, việc sử dụng AI sẽ dẫn đến những cải tiến đáng kể về khả năng dự đoán. Không phụ thuộc vào mức độ chính xác của dự đoán, các công ty thậm chí có thể thay đổi đáng kể mô hình kinh doanh của mình, cung cấp hàng hóa và dịch vụ cho khách hàng liên tục dựa trên dữ 10 liệu và dự đoán về nhu cầu của họ.