321
Nguyễn Sĩ Thìn, Nguyễn Thị Tuyết Vân
Chiến Lược Khuyến Nghị Trong Điều Kiện Kinh Doanh Cụ Thể Của Doanh Nghiệp
Nguyễn Sĩ Thìn1[0000-0002-2583-1033], , Nguyễn Thị Tuyết Vân2
1,2 Trường Đại học công nghệ thông tin và truyền thông Việt – Hàn {nsthin, nttvan}@vku.udn.vn
Tóm tắt. Trong thời đại kinh tế số, việc các công ty thương mại điện tử lựa chọn chiến lược khuyến nghị nào để phù hợp điều kiện kinh doanh cụ thể là một nhiệm vụ trọng yếu bởi có rất nhiều mô hình, thuật toán phát triển cho hệ thống khuyến nghị hiện nay. Việc lựa chọn này, đang được giải quyết đa số bởi góc nhìn kỹ thuật trí tuệ nhân tạo bằng cách so sách độ chính xác mức độ dự đoán trong khi việc lựa chọn gắn kết với lợi nhuận, lượng khách hàng, điều kiện kinh tế…trong góc nhìn kinh doanh giành ít sự quan tâm, nghiên cứu. Chính vì điều này nhóm tác giả tập trung vào hai vấn đề: (i) có những chiến lược khuyến nghị nào để công ty áp dụng trong mô hinh kinh doanh; (ii) chiến lược khuyến nghị nào phù hợp với từng điều kiện kinh doanh cụ thể nào. Từ đó, nhóm tác giả đã xây dựng lý thuyết về chiến lược khuyến nghị và phân loại cụ thể; đề xuất khung tham chiếu chiến lược khuyến nghị với từng điều kiện kinh doanh. Bảng tham chiếu này được xây dựng từ cơ sở phân tích mô hình các công ty ứng dụng hệ thống khuyến nghị lớn trên thế giới và là bước đi mới trong nghiên cứu hệ thống khuyến nghị kết hợp góc nhìn kinh doanh.
Từ khóa: Hệ thống khuyến nghị, chiến lược khuyến nghị, tương tác người dùng – hệ thống
Abstract. In digital economy, making a decision of how to apply a suitable recommendation strategy become a crucial task in given certain business conditions. This problem has been mainly treated from the artificial intelligence or machine learning perspective by comparing predicted accuracy while there is relatively little study investigated from the business perspective. Stem from it, the research addressed two issues: (i) which recommendation strategies an e-commerce company can apply in certain business conditions, and (ii) which specific recommendation strategies should be preferred depending on these conditions. Based on literature analysis, the authors propose taxonomy and a framework to match each strategy with each certain condition. The implications of research is feasible to develop as the future direction research in business perspective.
Keywords: Recommendation system, recommendation strategies, user-business interactions
Giới thiệu
1
Mục đích ban đầu của hệ thống khuyến nghị (HTKN) là giúp giảm thiểu lượng thông tin quá tải trên hệ thống thương mại điện tử và tạo truy vấn hiệu quả hơn cho người dùng. Với sự phát triển của thương mại điện tử, HTKN nhanh chóng trở thành nhân tố quan trọng trong phát triển kinh doanh của các công ty mạng hàng đầu như Netflix, Amazon, Spotify hay ở Việt Nam như Shopee, Tiki…Để nâng cao hiệu quả, có rất nhiều nghiên cứu nhằm phát triển các thuật toán, tối ưu hóa mô hình. Theo đó, vấn đề nên lựa chọn mô hình, thuật toán nào và làm sao để chuyển tải sản phẩm khuyến nghị đến người dùng đa phần được giải quyết bằng phương pháp kỹ thuật trí tuệ nhân tạo. Đó là so sánh hiệu quả mô hình thông qua các tham số đo lường: độ chính xác, tính mới, đa dạng của thuật toán và độ tin cậy [1]. Xét về góc độ kinh doanh cũng đã có nghiên cứu về HTKN hướng đến việc tối ưu hóa thuật toán gắn liền lợi ích đầu ra kinh doanh như: lợi nhuận, doanh số, dòng vốn [2,3,4]. Tuy nhiên, hướng nghiên cứu này vẫn còn rất khiêm tốn so với hướng kỹ thuật. Đây là một thiếu sót bởi vì mục đích cuối cùng trong kinh doanh cũng như trong thương mại điện tử là cung cấp phương tiện tốt nhất để khách hàng tương tác, tạo thói quen sử dụng, trải nghiệm và cuối cùng là đem lại lợi nhuận lâu dài cho công ty [5].
322
KỶ YẾU HỘI THẢO KHOA HỌC QUỐC GIA CITA 2020 “CNTT VÀ ỨNG DỤNG TRONG CÁC LĨNH VỰC”
Việc phát triển HTKN theo hướng kinh doanh cũng đặt ra một cái nhìn mới khác với việc tối ưu hóa độ chính xác mô hình như các phương pháp trí tuệ nhân tạo vẫn làm [5]. Sự thay đổi này thể hiện rõ trong khoảng vài năm trở lại đây ở các công ty lớn như Amazon, Netflix, LinkedIn khi việc chuyển theo hướng kinh doanh đem lại lợi nhuận và hiệu quả cao hơn. Từ số liệu thống kê Wikipedia, Netflix giành được 80% lượng giờ khách hàng xem trực tuyến là từ sự thay đổi chiến lược khuyến nghị theo định hướng kinh doanh, đem lại doanh thu hàng năm ở mức 8.83 tỉ đô la năm 2016. Cụ thể vào năm 2006, Netflix đặt ra giải thưởng lớn cho các thuật toán trí tuệ nhân tạo nhằm đem lại độ chính xác cao nhất trong mô hình dự đoán đánh giá phim của người dùng của hãng. Tuy nhiên, sau đó, Netflix đã chuyển hướng từ dự đoán độ chính xác sang việc xây dựng HTKN kết hợp gia tăng lượng người dùng, quản lý vấn đề dữ liệu lớn, đem lại sự thuận lợi cho người dùng trong tương tác hệ thống.
Một vấn đề khác đó là hiện nay các công ty đã mở rộng, cung cấp các hình thức khuyến nghị đầu ra cho khách hàng với nhiều hình thức khác nhau phụ thuộc vào mục đích khuyến nghị khác nhau. Điều này thể hiện qua hình 1.
Hình thức Khuyến nghị 1 Vấn đề khuyến nghị 1 Mô hình/ thuật toán 1
…
… Vấn đề khuyến nghị n
Vấn đề khuyến nghị 2 Mô hình/ thuật toán 2 Hình thức Khuyến nghị 2
… Mô hình/ thuật toán m
Hình. 1. Vấn đề khuyến nghị, thuật toán và hình thức khuyến nghị
Trường hợp LinkedIn, mục đích ban đầu công ty là sử dụng thuật toán lọc cộng tác để khuyến nghị các công việc thích hợp cho người dùng bằng việc sử dụng dữ liệu đánh giá của người dùng [6]. Sau đó, LinkedIn đã chuyển hướng sang phân định các nhóm khách hàng và khuyến nghị họ cho bên thứ ba là các nhà quảng cáo, tuyển dụng. Để làm việc này, LinkedIn đã sử dụng các thông tin hồ sơ người dùng, hành vi sử dụng trên hệ thống thay vì sử dụng dữ liệu đánh giá như trước đây.
Tóm lại với bài toán, mục đích khuyến nghị khác nhau, các công ty sử dụng dữ liệu phân tích khác nhau và các hình thức khuyến nghị cho khách hàng cũng là khác nhau. Điều quan trọng là công ty lựa chọn chiến lược khuyến nghị nào phù hợp với từng điều kiện kinh doanh cụ thể của mình. Trong bài báo này, nhóm tác giả giải thích và đưa ra các điều kiện kinh doanh và các chiến lược khuyến nghị này là gì đồng thời xây dựng bảng tham chiếu từng chiến lược khuyến nghị cho từng điều kiện kinh doanh.
Việc xây dựng bảng tham chiếu này dựa trên ba khái niệm được minh họa trong hình 2. Phân tích các thành phần mô hình sẽ được trình bày cụ thể ở mục 4 của bài báo. Theo đó, “Chiến lược khuyến nghị” là quyết định chiến lược thể hiện được cách công ty tổ chức dữ liệu cho người dùng, cách thức lựa chọn khuyến nghị và hình thức đưa ra khuyến nghị cho người dùng. “Tương tác khách hàng-hệ thống” là một tập các điều kiện mô tả cách người dùng và hệ thống tương tác được thể hiện qua đặc tính về quan hệ, đặc tính về mức độ trao đổi thông tin và đặc tính về giao diện hệ thống. Cuối cùng “Các nhân tố phát triển” là các đặc tính về môi trường kinh doanh mà tạo ra sự thay đổi trong tương tác khách hàng-hệ thống từ đó thay đổi cả chiến lược khuyến nghị.
Tương tác khách hàng
– hệ thống
Chiến lược khuyến nghị
Nhân tố phát triển
Hình. 2. Mô hình chiến lược khuyến nghị
Hình thức Khuyến nghị k
323
Nguyễn Sĩ Thìn, Nguyễn Thị Tuyết Vân
Tổ chức của bài báo như sau: mục 2 trình bày thực trạng nghiên cứu HTKN theo xu hướng kinh doanh tại Việt Nam và thế giới, cơ sở lý thuyết để xây dựng các khái niệm về chiến lược kinh doanh, điều kiện kinh doanh được trình bày ở mục 3. Các khái niệm trong mô hình chiến lược kinh doanh được phân tích và trình bày trong mục 4. Khung tham chiếu đề xuất được trình bày trong mục 5 và mục 6 là kết luận nghiên cứu.
2
Thực trạng nghiên cứu hệ thống khuyến nghị theo góc nhìn kinh doanh ở Việt Nam và trên thế giới
2.1 Ở Việt Nam
Ở Việt Nam, các công ty thương mại điện tử đang phát triển, đứng đầu trong lĩnh vực bán hàng phải kể đến Shopee, Tiki…Tuy nhiên các nghiên cứu về ứng dụng HTKN là rất ít ngay cả theo định hướng kỹ thuật trí tuệ nhân tạo. Các nghiên cứu thường đi vào một mảng trong bài toán khuyến nghị và mô phỏng dữ liệu như bài toán lọc cộng tác [7], cộng tác dựa trên phân cụm bán giám sát mờ [8], cộng tác dựa trên phân tích ma trận nhân tử [9]. Công trình nghiên cứu HTKN theo định hướng kinh doanh là không có. Các nghiên cứu theo định hướng kỹ thuật và ứng dụng vào thực tế có công trình nghiên cứu ứng dụng hỗ trợ du lịch [10], dịch vụ viễn thông [11], thư viện sách [12].
2.2 Trên thế giới
Trên thế giới, nghiên cứu về HTKN theo kỹ thuật trí tuệ nhân tạo đang rất phát triển và đầy thu hút. Ở bài báo này, nhóm tác giả tập trung vào các nghiên cứu HTKN theo định hướng kinh doanh. Với góc nhìn này, có các công trình nghiên cứu kết hợp kỹ thuật trí tuệ nhân tạo với giá trị kinh doanh như: lợi nhuận và hiệu suất bán hàng [13], giá trị thặng dư [3], giảm thiểu tiêu hao năng lượng [14], hay sự bão hòa trong kinh doanh [4]. Một vài nghiên cứu đưa ra các chiến lược khuyến nghị cho từng điều kiện cụ thể, tuy nhiên chưa có nghiên cứu nào đưa ra bảng tham chiếu tổng quát cho từng chiến lược này. Mới nhất, nhóm tác giả Jugovac và Jannach [15] đã phân tích lý thuyết về phương diện tương tác người dùng trong HTKN. Các đề xuất mới về chiến lược khuyến nghị được đưa ra tuy nhiên nghiên cứu chỉ tập trung về phương diện người dùng và hệ thống một cách tổng quát và chưa cụ thể. Nghiên cứu của nhóm tác giả bài báo này nhằm mục đích cải thiện định hướng này bằng cách đưa ra khung tham chiếu chi tiết.
Cơ sở lý thuyết
3
Để giới thiệu khái niệm chiến lược khuyến nghị và đặt nó vào trong ngữ cảnh của các nghiên cứu trước đây, nhóm tác giả xem xét các tiêu chí phân loại HTKN, bắt đầu từ hàm biểu diễn cơ sở của HTKN [16]:
(1)
: ữ ệ → Đầ
Trong đó “Đầu ra” là các sản phẩm được khuyến nghị cho khách hàng sau khi đã xử lý “Dữ liệu” ở đầu vào. Hàm R trong công thức (1) có thể được xem như là các thuật toán được dùng trong HTKN. Nhìn chung có ba phương pháp được sử dụng trong HTKN: dựa trên kiến thức, dựa trên nội dung và dựa trên cộng tác [2]. Nếu hệ thống xây dựng dựa trên sự liên kết giữa các phương pháp trên thì được gọi là phương pháp kết hợp. Đối với phương pháp lọc cộng tác, “Dữ liệu” trong công thức (1) chính là tập ma trận đánh giá hai chiều (2C) của khách hàng cho các sản phẩm “Khách hàng Sản phẩm”. Thường thì ma trận này sẽ rất thưa dữ liệu và HTKN cần phải dự đoán những đánh giá chưa biết, và lấp đầy ma trận này. Tuy nhiên HTKN có thể không sử dụng dữ liệu ma trận đánh giá này mà sử dụng dữ liệu khác từ khách hàng như bình luận, hành vi, lịch sử mua sản phẩm để đưa ra khuyến nghị. Các hệ thống như vậy gọi là HTKN dựa trên kiến thức, dựa trên nội dung. Quay trở lại ma trận đánh giá, gần đây các nghiên cứu đã mở rộng số chiều của ma trận từ 2C lên đa chiều (ĐC) bằng cách chèn thêm các chiều bổ sung về ngữ cảnh: vị trí, cảm xúc, thời gian… [17,18,19]. Việc chèn chiều ngữ cảnh này đem lại kết quả tốt hơn cho HTKN [20].
324
KỶ YẾU HỘI THẢO KHOA HỌC QUỐC GIA CITA 2020 “CNTT VÀ ỨNG DỤNG TRONG CÁC LĨNH VỰC”
4 Mô hình chiến lược khuyến nghị
4.1 Chiến lược khuyến nghị
Dựa trên phân tích hàm cơ sở của HTKN và các tiêu chí phân loại ở mục trên, nhóm tác giả xác định chung ba tiêu chí phân loại chính cho HTKN gồm: hướng, chiều và giao thức. Trong đó, “hướng” liên quan đến thuật toán được sử dụng trong hệ thống sẽ hướng vào việc tối ưu hóa đối tượng nào, “chiều” liên quan đến việc hệ thống tổ chức dữ liệu đánh giá ban đầu ra sao, và giao thức là cách mà sản phẩm hay kết quả được đưa ra. Cụ thể, “hướng” chính là hàm số R sẽ được thiết kế hướng đến lợi ích là đối tượng khách hàng (hướng-khách hàng) hay là đối tượng khác (hướng-phi khách hàng). Hầu hết các HTKN đều đi theo hướng- khách hàng nhằm đem lại các lợi ích cho khách hàng như: đưa ra các sản phẩm khuyến nghị tốt nhất, mở rộng khuyến nghị các sản phẩm để đem đến cho khách hàng các sản phẩm mới mà họ chưa từng biết đến [22]. Ngược lại với hướng-phi khách hàng, HTKN sẽ tập trung tối ưu hóa lợi ích cho chính công ty [4], hoặc cho bên thứ ba (nhà quảng cáo, nhà đầu tư…) [13,17]. LinkedIn khuyến nghị phân khúc khách hàng cho các nhà quảng cáo là ví dụ điển hình cho hướng-phi khách hàng này.
Với tiêu chí “chiều” liên quan đến tổ chức dữ liệu đánh giá như đã nói trên, nhóm tác giả phân thành hai nhóm nhỏ: 2C và ĐC. Tương ứng HTKN chỉ sử dụng dữ liệu đánh giá (1 đến 5) của khách hàng đối với sản phẩm (2C) hoặc HTKN sử dụng thêm thông tin ngữ cảnh khác cho HTKN của mình (ĐC).
Tiêu chí cuối cùng “giao thức” liên quan đến cách kết quả được khuyến nghị đến người dùng. Theo đó có hai cách khuyến nghị, một là danh sách các sản phẩm được liệt kê cho người dùng nhóm tác giả gọi là “danh sách”, hai là HTKN sẽ cung cấp một giao diện tương tác buộc người dùng phải thao tác, điều hướng trên giao diện, nhóm tác giả gọi là “điều hướng”. Bảng 1. Tổng kết các tiêu chí và giá trị phân loại mà nhóm tác giả đã đề cập trên.
Bảng 1. Phân loại chiến lược khuyến nghị
Với hai giá trị phân loại cho mỗi ba tiêu chí phân loại, nhóm tác giả liệt kê 8 chiến lược khuyến nghị cụ thể như trong bảng 2
Bảng 2. Chiến lược khuyến nghị
Thành phần hàm số Hàm số R Dữ liệu Kết quả Tiêu chí Hướng Chiều Giao thức Giá trị phân loại Hướng-khách hàng Hai chiều (2C) Danh sách Hướng- phi khách hàng Đa chiều (ĐC) Điều hướng
STT
4.2 Tương tác khách hàng – hệ thống
Một trong những nhân tố quan trọng nhất ảnh hưởng đến hiệu quả của HTKN đó là quan hệ tương tác người dùng với hệ thống [23]. Cụ thể hơn, khả năng tương tác của hệ thống giúp người dùng đưa ra quyết định, so sánh, khám phá [24] được xem như những yếu tố quan trọng nhất. Nghiên cứu của nhóm tác giả dựa trên ý tưởng rằng chiến lược khuyến nghị phải so khớp với quan hệ tương tác khách hàng-hệ thống. Mối quan hệ tương tác này có thể thay đổi trong quá trình tương tác, buộc công ty phải điều chỉnh chiến lược khuyến nghị theo sự thay đổi này. Dựa vào lý thuyết thảo luận ở các phần trên, nhóm tác giả đưa ra ba đặc tính quan trọng của tương tác khách hàng-hệ thống quyết định một chiến lược khuyến nghị là phù hợp hay
1 2 3 4 5 6 7 8 Chiến lược khuyến nghị Hướng Khách hàng Khách hàng Phi khách hàng Phi khách hàng Khách hàng Khách hàng Phi khách hàng Phi khách hàng Chiều 2 chiều 2 chiều 2 chiều 2 chiều Đa chiều Đa chiều Đa chiều Đa chiều Giao diện Danh sách Điều hướng Danh sách Điều hướng Danh sách Điều hướng Danh sách Điều hướng
325
Nguyễn Sĩ Thìn, Nguyễn Thị Tuyết Vân
không: (1) “Độ chín muồi”, (2)“Độ phức tạp” và (3) “Độ hỗ trợ công nghệ” của mối quan hệ tương tác khách hàng- hệ thống. Độ chín muồi Các nhân tố liên quan đến trải nghiệm của người dùng với HTKN như sự quen thuộc và niềm tin được hình thành xuyên suốt vòng đời của một hệ thống, và sự phát triển liên tục này được đo lường bởi “độ chín muồi” trong mối quan hệ này. Nhiều nghiên cứu đồng ý rằng niềm tin, sự quen thuộc, tính dễ dàng sử dụng hệ thống ảnh hưởng đến việc khách hàng có tương tác hay không với các khuyến nghị mà hệ thống đưa ra [25,26]. Hơn nữa, sự tin cậy, tính khách quan và sự rõ ràng cũng ảnh hưởng đến việc khách hàng có làm theo HTKN hay không. Một điều quan trọng là tất cả các đặc tính kể trên sẽ thay đổi theo thời gian, theo vòng đời của HTKN [27,28].
Căn cứ theo các lý thuyết trên, nhóm tác giả đồng ý rằng các chiến lược khuyến nghị cần phải thay đổi khi “độ chín muồi” của mối quan hệ tương tác khách hàng- hệ thống thay đổi. Khi HTKN vừa được giới thiệu trong thời gian đầu, độ chín muồi đang ở mức thấp nhất. Khách hàng có thể vẫn chưa quen với hệ thống, họ có thể có những nghi ngại về tính hữu dụng, sự tin cậy và tính dễ sử dụng của thệ thống. Hơn nữa, xét về mặt kỹ thuật, hệ thống có thể có những thiếu sót và vì vậy niềm tin của khách hàng là thấp. Tại giai đoạn này, thiết lập niềm tin khách hàng là mục đích quan trọng nhất của công ty. Việc thiết kế các thuật toán hướng đến việc tối ưu hóa khuyến nghị các sản phẩm liên quan và chính xác đến khách hàng. Trong các giai đoạn tiếp theo, các thiếu sót của hệ thống được sửa chữa, niềm tin và sự quen thuộc của khách hàng gia tăng. Khi đó độ chín muồi trong mối quan hệ giữa khách hàng và hệ thống cao hơn, khách hàng bắt đầu có xu hướng chấp nhận hệ thống [29]. Lúc này, khách hàng cũng bắt đầu thích hơn và chấp nhận các sản phẩm khuyến nghị mang tính mới, ít phổ biến hơn từ hệ thống. Khi độ chín muồi đã ở mức cao, các thuật toán khuyến nghị mới và giao diện mới có thể được sử dụng để giành lấy sự khác biệt so với đối thủ cạnh tranh. Độ phức tạp Sự tương tác giữa khách hàng và hệ thống có thể diễn ra ở nhiều trạng thái khác nhau, phụ thuộc vào độ chín muồi của mối quan hệ này. Ví dụ, sự tương tác có thể diễn ra trong các ngữ cảnh khác nhau (vị trí, cảm xúc, thời gian…) và ngay cả hành vi của khách hàng cũng là khác nhau (thao tác, mua, đánh giá, bình luận…). Sự khác biệt và đa dạng này được đo lường bởi “độ phức tạp” và sự ảnh hưởng của nó đến hệ thống đã được nghiên cứu [30].
Theo đó, việc khuyến nghị sản phẩm cũng phải thay đổi dựa theo độ phức tạp này. Khi độ phức tạp ở mức cao, nghĩa là khách hàng đang có nhiều tương tác, trải qua nhiều thời gian cho hệ thống. Họ có thể thường xuyên mua và đánh giá sản phẩm [31]. Lúc này, chiến lược khuyến nghị đa chiều có thể đem lại hiệu quả khuyến nghị cao. Ngược lại khi độ phức tạp đang ở mức nhỏ, nghĩa là người dùng đang có ít tương tác với hệ thống, việc sử dụng chiến lược khuyến nghị đa chiều là không khả thi. Độ hỗ trợ công nghệ Nghiên cứu đã chứng minh sự ảnh hưởng của giao diện hệ thống (cách sản phẩm đưa ra, được trình bày) ảnh hưởng đến việc khách hàng có chấp nhận hệ thống đó hay không [32,33]. Việc giải thích cho khách hàng về cách sản phẩm khuyến nghị được đưa ra [34] hay khả năng làm cho khách hàng dễ dàng để lại bình luận [23] cũng ảnh hưởng đến việc chấp nhận hệ thống hay không.
Ví dụ nếu HTKN đưa ra tất cả các sản phẩm trên màn hình giao diện có thể làm khách hàng tăng tương tác tìm kiếm, truy vấn và để lại bình luận. Nhưng việc khuyến nghị là hình thức tin nhắn đến điện thoại khách hàng thì có thể chỉ gây sự chú ý nhỏ và không tạo sự tương tác từ khách hàng.
Tóm lại, sự tương tác giữa khách hàng và hệ thống có thể được đặc trưng bởi các mức của độ chín muồi, độ phức tạp và độ hỗ trợ công nghệ của hệ thống. Việc kết hợp các mức độ này sẽ quyết định chiến lược khuyến nghị nào là phù hợp. Bảng tham chiếu này sẽ được trình bày cụ thể ở mục 5 bài báo này.
4.3 Nhân tố phát triển
Sự tương tác giữa khách hàng và hệ thống đề cập ở mục trên có thể bị tác động bởi các nhân tố bên ngoài. Daft [35] đã chứng minh rằng các nhân tố bên ngoài từ môi trường ảnh hưởng một cách gián tiếp đến hệ thống. Các nhân tố này có thể là sự phát triển của công nghệ, đối thủ cạnh tranh, nhà cung cấp và các khuynh hướng xã hội như văn hóa, điều kiện kinh tế, pháp luật…
Trong phạm vi bài báo này, chúng tôi không đi sâu nghiên cứu có hay không và như thế nào các nhân tố phát triển này ảnh hưởng đến sự tương tác khác hàng – hệ thống. Nhóm tác giả đi đến mục đích chính của
326
KỶ YẾU HỘI THẢO KHOA HỌC QUỐC GIA CITA 2020 “CNTT VÀ ỨNG DỤNG TRONG CÁC LĨNH VỰC”
nghiên cứu này là xây dựng bảng tham chiếu các chiến lược khuyến nghị cho từng điều kiện kinh doanh cụ thể được trình bày ở mục tiếp theo.
Khung tham chiếu chiến lược khuyến nghị
5
Căn cứ vào tất cả các phân tích từ các mục trên, nhóm tác giả xây dựng khung tham chiếu của tám chiến lược khuyến nghị cho từng điều kiện kinh doanh cụ thể được thể hiện ở bảng 3. Các điều kiện này dựa vào ba đặc tính của tương tác khách hàng-hệ thống. Để đơn giản hóa, tất cả các đặc tính này chỉ bao gồm hai giá trị: cao và thấp đối với độ chín muồi; đơn giản và phức tạp đối với độ phức tạp; cơ bản và tiên tiến đối với độ hỗ trợ công nghệ.
Bảng 3. Bảng tham chiếu chiến lược khuyến nghị
Lấy một ví dụ trường hơp chiến lược khuyến nghị (1) được đề xuất khi mà độ chín muồi ở mức thấp, độ phức tạp ở mức đơn giản và độ hỗ trợ công nghệ cũng chỉ ở mức cơ bản. Điều này là dễ hiểu bởi lúc này sự tương tác của người dùng còn thấp, nghĩa là độ quen thuộc của khách hàng chưa cao, họ còn nhiều nghi ngại về hệ thống. Nên chiến lược khuyến nghị đưa ra là công ty nên áp dụng các thuật toán tối ưu hóa độ chính xác, đưa ra các sản phẩm khuyến nghị phù hợp với khách hàng. Từ đó bắt đầu tạo niềm tin và tăng tương tác cho khách hàng. Và cũng chính vì sự tương tác đang ở mức thấp, nên thuật toán khuyến nghị nên chỉ ưu tiên xử lý dữ liệu hai chiều nhằm đơn giản hóa hệ thống. Cuối cùng mức độ hỗ trợ công nghệ ở mức đơn giản nên việc thiết kế sản phẩm đầu ra đòi hỏi dễ tiếp cận cho người dùng đó là hệ thống chỉ đưa ra danh sách sản phẩm khuyến nghị trên giao diện.
Các chiến lược từ (2) đến (8) cũng có một sự giải thích tương tự tương ứng các giá trị của ba đặc tính.
Việc tra bảng tham chiếu cũng như việc áp dụng là hoàn toàn khả thi và dễ hiểu.
Tương tác khách hàng-hệ thống Chiến lược khuyến nghị Kí hiệu Độ chín muồi Độ phức tạp Độ hỗ trợ công nghệ Hướng Chiều Giao diện Thấp Cao Đơn giản Phức tạp Cơ bản Tiên tiến ü ü ü Khách hàng 2C Danh sách (1) ü ü ü Khách hàng 2C Điều hướng (2) ü ü ü Phi khách hàng 2C Danh sách (3) ü ü ü Phi khách hàng 2C Điều hướng (4) ü ü ü Khách hàng ĐC Danh sách (5) ü ü ü Khách hàng ĐC Điều hướng (6) ü ü ü Phi khách hàng ĐC Danh sách (7) ü ü ü Phi khách hàng ĐC Điều hướng (8)
Kết luận
6
Xuất phát từ sự cần thiết và nhu cầu áp dụng HTKN theo góc nhìn kinh doanh, nhóm tác giả căn cứ vào lý thuyết cơ sở và dựa trên phân tích của các công trình nghiên cứu trước đây để xây dựng khái niệm và phân loại tám chiến lược khuyến nghị. Cùng với đó, bảng tham chiếu các chiến lược này cũng được xây dựng cho tám điều kiện kinh doanh cụ thể. Đưa ra bảng phân loại tám chiến lược và bảng tham chiếu cho tám điều kiện kinh doanh chính là điểm khác biệt trong đóng góp của bài báo so với các công trình nghiên cứu trước đây.
Việc xây dựng các khái niệm mới và bảng tham chiếu này tuy ở mức ban đầu nhưng đã thể hiện tính bao quát và mở ra hướng đi mới trong nghiên cứu HTKN trong kinh doanh. Trong tương lai, nhóm tác giả mong muốn kiểm chứng bảng tham chiếu trên từ các thực nghiệm thực tế từ các công ty thương mại điện tử. Một áp dụng thực tế tại môi trường kinh tế số tại Việt Nam cũng là bước nghiên cứu tiếp theo của nhóm tác giả.
327
Nguyễn Sĩ Thìn, Nguyễn Thị Tuyết Vân
Tài liệu tham khảo
1. Gunawardana, A., Shani, G.: Evaluating recommendation systems, in: F. Ricci, L. Rokach, B. Shapira (Eds.),
Springer, Recommendation Systems Handbook, New York, (2015).
2. Fleder, D., Hosanagar, K.: Blockbuster culture’s next rise and fall: the impact of recommendation systems for
sales diversity, Manage. Sci. 55(5), pp. 697–712 (2009).
3. Ghose, A., Ipeirotis, P.G., Li, B.: Designing ranking recommender systems for hotels on travel search engines by
mining user-generated and crowdsourced content, Mark. Sci. 31(3) 493–520 (2012).
4. Lu, W., Ioannidis, S., Bhagat, S., Lakshmanan, L.V.S.: Optimal recommender under attraction, social influence and aversion, 20th ACM Sigkdd International Conference on Knowledge Discovery and Data Mining, pp. 811– 820 (2014).
5. Gomez-Uribe, C.A., Hunt, N.: The netflix recommendation system: algorithms, innovation and business value,
ACM Trans. Manage. Inf. Syst. 6(4), pp. 1–19 (2015).
6. Amatriain, X., Agarwal, D.: Tutorial: lessons learned from building real-life recommender systems, 10th ACM
Conference on Recommender Systems (2016) 433- 433.
7. Phạm, T. M. (2014). Nghiên cứu hệ thống khuyến nghị dựa vào lọc cộng tác (Doctoral dissertation, Đại học Quốc
gia Hà Nội).
8. Hồng, B. T. Hệ thống khuyến nghị cộng tác dựa trên phân cụm bán giám sát mờ và ứng dụng trong mạng hợp tác
khoa học.
9. Nguyễn, T. H. X. (2014). Nghiên cứu kỹ thuật phân tích ma trận trong các hệ thống khuyến nghị: Luận văn ThS.
Công nghệ thông tin: 60 48 01 03 (Doctoral dissertation, ĐHCN).
10. Nguyễn, T. K. H. (2019). Xây dựng hệ thống khuyến nghị hỗ trợ du lịch tỉnh Quảng Bình (Doctoral dissertation,
Trường Đại học Bách khoa-Đại học Đà N ng).
11. Kiều, X. C. (2018). Nghiên cứu và xây dựng hệ thống khuyến nghị cho bài toán dịch vụ giá trị gia tăng trong ngành
viễn thông (Doctoral dissertation).
12. Nguyễn, N. T. (2018). Ứng dụng kỹ thuật lọc cộng tác để xây dựng hệ thống khuyến nghị sách tại Trung tâm Học
liệu Trường đại học Quảng Bình (Doctoral dissertation, Trường Đại học Bách khoa-Đại học Đà N ng).
13. Hosanagar, K., Ramayya, K., Ma, L.: Recommendations for you: the impact of profit incentive on relevance of
online recommenders, International Conference on Information Systems (2008).
14. Ge, Y., Xiong, H., Tuzhilin, A., Xiao, K., Gruteser, M., Pazzani, M.: An energy-efficient Mobile recommendation
system, the 16th International Conference for Knowledge Discovery and Data Mining (2010).
15. Jugovac, M., Jannach, D.: Interacting with recommendations— overview and research directions, ACM Trans.
Interact. Intell. Syst. 7(3), pp. 1–46 (2017).
16. Adomavicius, G., Tuzhilin, A.: Toward next generation of recommendation systems: a survey for possible exten-
sions and the state-of-the-art, IEEE Trans. Knowl. Data Eng. 17(6) pp. 734–749 (2005).
17. Adomavicius, G., Sankaranarayanan, R., Sen, S., Tuzhilin, A.: Incorporating contextual information in recommen-
dation systems using the multidimensional approach, ACM Trans. Inf. Syst. 23(1), pp.103–145 (2005).
18. Panniello, U., Tuzhilin, A., Gorgoglione, M.: Comparing context-aware recommendation systems in terms of di-
versity and accuracy, User Model. Useradapt. Interact. 24(1–2), 35–65 (2014).
19. Adomavicius, Tuzhilin, G., A.: Multidimensional recommendation systems: a data warehousing approach, Elec-
tron. Comm. 2232(1), pp. 180–192 (2001).
20. Panniello, U., Gorgoglione, M., Tuzhilin, A.: Research note—in carss we trust: how context-aware recommenda- tions affect customers’ trust and other business performance measures of recommender systems, Inf. Syst. Res. 27 (1) 182–196 (2016).
21. Gunawardana, A., Shani, G.: A survey for accuracy evaluation metrics of recommender tasks, J. Mach. Learn.
Res. 10 (January), pp. 2935–2962 (2009).
22. Zhang, Y.C., Seaghdha, D.O., Quercia, D., Jambor, Auralist, T.: Introducing serendipity into music recommender,
the 5th International Conference on Web Search and Data Mining, pp.13–22 (2012).
23. Pu, P., Chen, L., Hu, R.: Evaluating recommendation systems from the user’s perspective: a survey of a state of
the art, User Model. Useradapt. Interact. 22 (4-5), 317–355 (2012).
24. Meyer, F., Fessant, F., Clérot, F., Gaussier, E.: Toward a new protocol for evaluate recommendation systems,
Workshop for Recommendation Utility Evaluation (2012).
25. Cho, Y.C., Sagynov, E.: Exploring factors that affect usefulness, trust, ease of use, and purchase intention for
online environment, Int. J. Manag. Inf. Syst. 19(1), 21–37 (2015).
26. Pu, P., Chen, L., Hu, R.: A user-centric evaluation framework for recommendation systems, Proceedings Of The
5th ACM Conference On Recommendation Systems 157–164 (2011).
27. Mukherjee, S., Lamba, H., Weikum, G.: Experience-aware item recommender in evolving review communities,
IEEE International Conference On Data Mining, pp. 925–930 (2015).
328
KỶ YẾU HỘI THẢO KHOA HỌC QUỐC GIA CITA 2020 “CNTT VÀ ỨNG DỤNG TRONG CÁC LĨNH VỰC”
28. Wang, W.: Recommender strategies analysis for e-commerce, The 2nd International Conference For Information
Science And Engineering, 4-6 December, pp. 1394–1397, (2010).
29. Hu, K., Hsu, W. Hsu, Lee, M.L.: Utilizing users’ tipping points in e-commerce recommender systems, 29th Inter-
national Conference On Data Engineering 494–504 (2013).
30. Palmisano, C., Tuzhilin, A., Gorgoglione, M.: Using context to improve predictive modeling of customers in per-
sonalization applications, IEEE Trans. Knowl. Data Eng. 20 (11) 1535–1549 (2008).
31. Xu, J.D., Benbasat, I., Cenfetelli, R.T.: The influences of online service technologies and task complexity on effi-
ciency and personalization, Inf. Syst. Res. 25(2), 420–436 (2014).
32. Knijnenburg, B., Willemsen, M., Gantner, Z., Soncu, H., Newell, C.: Explaining a user experience of recommen-
dation systems, User Model. Useradapt. Interact. 22(4-5), pp. 441–504 (2012).
33. Diehl, K., Kornish, L.J., Lynch, J.G.: Smart agents: when lower search costs for quality information increase price
sensitivity, J. Consum. Res. 30(1), pp. 56–71 (2003).
34. Cramer, H., Evers, V., Ramlal, Someren, Van, M., Rutledge, L., Stash, N., Aroyo, L., Wielinga, B.: The effects of transparency in trust and an acceptance for a contentbased art recommendation, User Model. Useradapt. Interact. 18(5), pp. 455–496 (2008).
35. Daft, R.L.: Organization Theory and Design, West Publishing Company, (1992).
