Đề án tốt nghiệp Thạc sĩ Kỹ thuật: Hỗ trợ chăm sóc khách hàng dựa vào học máy cho doanh nghiệp Viễn Thông

Chia sẻ: Cảnh Phương Thanh | Ngày: | Loại File: PDF | Số trang:73

Thêm vào BST

Báo xấu

19
lượt xem 3
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Đề án "Hỗ trợ chăm sóc khách hàng dựa vào học máy cho doanh nghiệp Viễn Thông" tập trung vào tìm hiểu, phân tích mô hình dữ liệu thông tin khách hàng từ hệ thống dữ liệu tập trung của VNPT Tây Ninh kết hợp với các kỹ thuật học máy để đề xuất các khách hàng nào cần được vào đợt B2A (Business to anyone) cho người quản trị. Từ đó giúp giảm bớt việc phải chọn lọc khách hàng một cách nhân công và bỏ sót rất nhiều khách hàng thật sự cần được chăm sóc. Mời các bạn cùng tham khảo!

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Đề án tốt nghiệp Thạc sĩ Kỹ thuật: Hỗ trợ chăm sóc khách hàng dựa vào học máy cho doanh nghiệp Viễn Thông

HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG --------------------------------------- ĐẶNG VÕ THỪA PHONG HỖ TRỢ CHĂM SÓC KHÁCH HÀNG DỰA VÀO HỌC MÁY CHO DOANH NGHIỆP VIỄN THÔNG ĐỀ ÁN TỐT NGHIỆP THẠC SĨ KỸ THUẬT (Theo định hướng ứng dụng) THÀNH PHỐ HỒ CHÍ MINH – NĂM 2023
HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG --------------------------------------- ĐẶNG VÕ THỪA PHONG HỖ TRỢ CHĂM SÓC KHÁCH HÀNG DỰA VÀO HỌC MÁY CHO DOANH NGHIỆP VIỄN THÔNG CHUYÊN NGÀNH : HỆ THỐNG THÔNG TIN MÃ SỐ: 8.48.01.04 ĐỀ ÁN TỐT NGHIỆP THẠC SĨ KỸ THUẬT (Theo định hướng ứng dụng) NGƯỜI HƯỚNG DẪN KHOA HỌC: TS. TÂN HẠNH THÀNH PHỐ HỒ CHÍ MINH – NĂM 2023
i LỜI CAM ĐOAN Tôi xin cam đoan: 1. Tôi xin cam đoan rằng tất cả các nội dung và kết quả được trình bày trong đề án này là sự thực hiện của chính tôi sau quá trình nghiên cứu, phân tích và đánh giá dưới sự hướng dẫn trực tiếp của Thầy TS Tân Hạnh. 2. Tôi đảm bảo không sao chép hay biên soạn từ bất kỳ nguồn tài liệu nào khác mà không được ghi rõ trong đề án. Nếu có bất kỳ thông tin nào được thu thập từ nguồn khác, tôi đã trích dẫn rõ ràng tên tác giả, tên công trình, thời gian công bố. Mọi sao chép không hợp lệ, vi phạm quy chế đào tạo tôi xin chịu hoàn toàn trách nhiệm. Tp. Hồ Chí Minh, ngày 12 tháng 10 năm 2023 Học viên thực hiện đề án Đặng Võ Thừa Phong
ii LỜI CÁM ƠN Trước tiên, tôi xin gửi lời cảm ơn và biết ơn sâu sắc đến Thầy TS Tân Hạnh – người đã tận tình hướng dẫn, chỉ bảo, giúp đỡ trong suốt thời gian nghiên cứu đề án. Và cũng là người đưa ra những ý tưởng, kiểm tra sự phù hợp của đề án. Sự hướng dẫn và góp ý của thầy sẽ là nền tảng để tôi có thể hoàn thiện bài toán hỗ trợ dự báo chăm sóc khách hàng cho doanh nghiệp viễn thông. Tôi cũng muốn cảm ơn đến Quý Thầy Cô Học viện Công Nghệ Bưu Chính Viễn Thông cơ sở tại TP.HCM, đã giúp đỡ tôi trong việc phát triển các kỹ năng liên quan đến công nghệ thông tin trong suốt quá trình học tập tại Học Viện. Cũng xin gửi lời cám ơn đến VNPT Tây Ninh đã tạo điều kiện để tôi tham gia học tập cũng như hỗ trợ các vấn đề liên quan để hoàn thành đề án. Cuối cùng tôi xin gửi lời cám ơn đến Cha Mẹ, gia đình, người thân, bạn bè và đồng nghiệp đã quan tâm, ủng hộ trong suốt quá trình học tập cao học. Mặc dù đã cố gắng hoàn thành luận văn trong phạm vi và khả năng có thể. Tuy nhiên sẽ không tránh khỏi những thiếu sót. Tôi rất mong nhận được sự cảm thông và tận tình chỉ bảo của quý thầy cô và toàn thể các bạn. Tp. Hồ Chí Minh, ngày 12 tháng 10 năm 2023 Học viên thực hiện đề án Đặng Võ Thừa Phong
iii MỤC LỤC LỜI CAM ĐOAN ...................................................................................................i LỜI CÁM ƠN ........................................................................................................ii DANH MỤC CÁC THUẬT NGỮ, CHỮ VIẾT TẮT .......................................... v DANH SÁCH HÌNH VẼ ...................................................................................... vi DANH SÁCH BẢNG ........................................................................................... vii MỞ ĐẦU ................................................................................................................ 1 1. Lý do chọn đề tài .......................................................................................... 1 2. Mục đích nghiên cứu .................................................................................... 1 3. Đối tượng và phạm vi nghiên cứu ................................................................. 2 4. Phương pháp nghiên cứu .............................................................................. 3 5. Ý nghĩa khoa học và thực tiễn ...................................................................... 3 CHƯƠNG 1: CƠ SỞ LÝ THUYẾT ................................................................... 5 1.1 Khái niệm B2A ............................................................................................. 5 1.2 Tổng quan về B2A tại các doanh nghiệp viễn thông .................................. 6 1.2.1 Lý do cần phải thực hiện B2A ................................................................. 6 1.2.2 Doanh thu đạt được từ 2 loại khách hàng ................................................. 7 1.2.3 Các nội dung công việc B2A ................................................................... 7 1.3 Tổng quan về học máy ................................................................................. 8 1.3.1 Khái niệm .............................................................................................. 10 1.3.2 Phân loại kỹ thuật học máy .................................................................... 11 1.4 Các công trình nghiên cứu trong nước ..................................................... 12 1.4.1 Áp dụng kỹ thuật khai phá dữ liệu dự báo thuê bao rời mạng trong mạng di động ........................................................................................................... 12 1.4.2 Dự đoán khả năng gửi tiền của khách hàng cá nhân qua telemarketing tại ngân hàng với thuật toán phân lớp Naive Bayes và C4.5 ................................ 12 1.5 Các công trình nghiên cứu ngoài nước ..................................................... 12 1.5.1 Sử dụng kiến thức phụ trợ để hỗ trợ phân loại cây quyết định của dữ liệu lâm sàng trong cấp cứu. .................................................................................. 12 1.5.2 So sánh các kỹ thuật học máy để dự đoán khả năng ............................... 13 CHƯƠNG 2: KỸ THUẬT HỌC MÁY CHO PHÂN LỚP DỮ LIỆU ............. 14
iv 2.1 Bài toán phân lớp dữ liệu ........................................................................... 14 2.1.1 Khái niệm về bài toán phân lớp dữ liệu .................................................. 14 2.1.2 Các bước giải quyết bài toán phân lớp dữ liệu ....................................... 15 2.1.3 Các độ đo để đánh giá mô hình phân lớp dữ liệu .................................... 16 2.2 Thuật toán cây quyết định ......................................................................... 17 2.2.1 Giới thiệu .............................................................................................. 18 2.2.2 Xây dựng Cây quyết định dựa trên Entropy ........................................... 19 2.3 Thuật toán rừng ngẫu nhiên ...................................................................... 20 2.4 Thuật toán C4.5 .......................................................................................... 22 2.5 Thuật toán SVM ......................................................................................... 24 2.5.1 Giới thiệu về bài toán ............................................................................ 24 2.5.2 Margin ................................................................................................... 26 2.6 Logistic Regression .................................................................................... 26 2.6.1 Giới thiệu về bài toán Logistic ............................................................... 27 2.6.2 Hàm Sigmoid......................................................................................... 27 2.7 Thư viện Scikit-learn ................................................................................. 28 CHƯƠNG 3: XÂY DỰNG MÔ HÌNH ............................................................... 30 3.1 Bài toán đề xuất B2A tại VNPT ................................................................. 30 3.2 Xây dựng mô hình ...................................................................................... 30 3.3 Chuẩn bị và tiền xử lý dữ liệu.................................................................... 32 3.4 Tiến hành thực hiện dự đoán dữ liệu ........................................................ 39 3.4.1 Dự đoán bằng mô hình LR ..................................................................... 39 3.4.2 Dự đoán bằng SVM ............................................................................... 40 3.4.3 Dự đoán bằng Random Forest................................................................ 41 3.4.4 Dự đoán bằng Decision Tree ................................................................. 41 3.5 Kết quả dự đoán và đánh giá ..................................................................... 42 3.5.1 Độ chính xác của thuật toán ................................................................... 42 3.5.2 Kết quả dự đoán và đánh giá .................................................................. 43 KẾT LUẬN .......................................................................................................... 45 1. Kết quả đạt được .......................................................................................... 45 2. Hướng phát triển.......................................................................................... 46 DANH MỤC CÁC TÀI LIỆU THAM KHẢO ................................................... 47
v DANH MỤC CÁC THUẬT NGỮ, CHỮ VIẾT TẮT Viết tắt Tiếng Anh Tiếng Việt CNTT Information Technology Công nghệ thông tin PDF Portable Document Format Định dạng văn bản đơn giản CSDL Database Cơ sở dữ liệu ANN Artificial Neural Network Mạng nơ-ron nhân tạo DT Decision Tree Cây quyết định RF Random Forest Rừng ngẫu nhiên SVM Support Vector Machines Máy vector hỗ trợ AI Artificial Intelligence Trí tuệ nhân tạo ACC Accuracy Mức chính xác Business to anyone Kinh doanh cho bất cứ ai B2A Business to anyone at home Kinh doanh cho bất cứ ai tại nhà ISP Internet Service Provider Nhà cung cấp dịch vụ internet
vi DANH SÁCH HÌNH VẼ Hình 1.1: Biểu đồ doanh thu từ khách hàng mới và hiện hữu ................................... 7 Hình 2.1: Xây dựng mô hình phân lớp dữ liệu ....................................................... 15 Hình 2.2: Quá trình kiểm tra đánh giá mô hình phân lớp dữ liệu ............................ 16 Hình 2.3: Mô hình cây quyết định ......................................................................... 18 Hình 2.4: Thuật toán rừng ngẫu nhiên ................................................................... 21 Hình 2.5: Các điểm dữ liệu được phân cách bởi 2 lớp ............................................ 25 Hình 2.6: Biên độ của 2 lớp phân cách .................................................................. 26 Hình 3.2: Dữ liệu thực tế tại Tây Ninh ................................................................... 32 Hình 3.3: Kết quả làm sạch dữ liệu ........................................................................ 38 Hình 3.4: Scaling dữ liệu ....................................................................................... 38 Hình 3.5: Mức độ tương quan trong các trường dữ liệu ......................................... 39 Hình 3.6: Các trường dữ liệu được lựa chọn .......................................................... 39 Hình 3.7: Biểu đồ so sánh mức chính xác của 4 thuật toán phân lớp ...................... 43 Hình 3.8: Kết quả B2A qua module ĐHSX tại VNPT Tây Ninh ............................ 43
vii DANH SÁCH BẢNG Bảng 3.1: Mô tả dữ liệu Internet của VNPT Tây Ninh ........................................... 33 Bảng 3.2: Mô tả dữ liệu sau khi thực hiện làm sạch ............................................... 36 Bảng 3.3: Độ chính xác của mô hình LR ............................................................... 39 Bảng 3.4: Độ chính xác của mô hình SVM ............................................................ 40 Bảng 3.5: Độ chính xác của mô hình Random Forest............................................. 41 Bảng 3.6: Độ chính xác của mô hình Decision Tree .............................................. 41 Bảng 3.7: Bảng ma trận ......................................................................................... 42 Bảng 3.8: Cách tính độ chính xác accuracy............................................................ 43 Bảng 3.9: Kết quả dự đoán của các mô hình .......................................................... 43
1 MỞ ĐẦU 1. Lý do chọn đề tài Trong thời đại hiện nay, khi Internet đang trải qua một giai đoạn phát triển không ngừng, việc kết nối và tận dụng Internet đã trở nên đa dạng và phong phú hơn bao giờ hết. Vì thế, việc đảm bảo chất lượng dịch vụ (QoS - Quality of Service) ngày càng phải được nâng cao. Cùng với sự xuất hiện của các nhà cung cấp dịch vụ viễn thông, việc duy trì mối quan hệ với khách hàng trong bức tranh rất đa dạng của các nhà cung cấp dịch vụ (ISP) đã trở thành một yếu tố cần thiết. Điều này đồng nghĩa với việc, ngoài việc cung cấp các dịch vụ đa dạng và phong phú cho người dùng, các nhà cung cấp dịch vụ viễn thông cần phải đảm bảo rằng họ đáp ứng đầy đủ các yếu tố để khách hàng tiếp tục lựa chọn sử dụng các dịch vụ này. Đối với nhà cung cấp dịch vụ như VNPT Tây Ninh, việc chăm sóc khách hàng là một trong những ưu tiên hàng đầu, và doanh nghiệp VNPT gọi công việc này là B2A (chăm sóc và tri ân khách hàng toàn diện đến từng nhà) [18]. Với một hệ thống kinh doanh có rất nhiều khách hàng, việc chăm sóc riêng biệt cho từng khách hàng gần như là không thể. Các doanh nghiệp Viễn thông cần phải có kế hoạch và chiến lượt cụ thể cho từng khách hàng. Để phân tích chi tiết và chọn lọc từng khách hàng là rất khó khăn với số lượng thông tin vô cùng lớn. Vì vậy việc áp dụng các kỹ thuật học máy để phân loại và dự đoán các trường hợp nên được chăm sóc vô cùng cần thiết. Trong đề án này sẽ tiến hành nghiên cứu việc áp dụng mạng nơron vào việc hỗ trợ phân loại và đề xuất các khách hàng cần được chăm sóc dựa trên việc học có giám sát. 2. Mục đích nghiên cứu Đề án sẽ tập trung vào tìm hiểu, phân tích mô hình dữ liệu thông tin khách hàng từ hệ thống dữ liệu tập trung của VNPT Tây Ninh kết hợp với các kỹ thuật học máy để đề xuất các khách hàng nào cần được vào đợt B2A (Business to anyone) cho người quản trị. Từ đó giúp giảm bớt việc phải chọn lọc khách hàng một cách nhân công và bỏ sót rất nhiều khách hàng thật sự cần được chăm sóc.
2 Mục tiêu của đề án là xây dựng một ứng dụng áp dụng kỹ thuật học máy hỗ trợ xác định khách hàng của VNPT Tây Ninh cần chăm sóc. Ứng dụng hỗ trợ chăm sóc khách hàng có chức năng: - Tiền xử lý dữ liệu khách hang và trích đăc trưng. - Huấn luyện dữ liệu để tạo ra mô hình xác định khách hang. - Xác định các khách hang cần chăm sóc. - Báo cáo tổng hợp, thống kê. 3. Đối tượng và phạm vi nghiên cứu Đối tượng nghiên cứu: - Nghiên cứu tìm hiểu xác định các tiêu chí khiến khách hàng hài lòng sau đợt B2A trên địa bàn VNPT Tây Ninh. Điều này đề cập đến quá trình nghiên cứu và khảo sát để xác định những yếu tố cụ thể và tiêu chí quan trọng, góp phần làm cho khách hàng cảm thấy hài lòng sau khi trải qua dịch vụ B2A tại khu vực VNPT Tây Ninh. Nghiên cứu này có thể bao gồm việc thu thập phản hồi từ khách hàng, khảo sát ý kiến, và phân tích dữ liệu để xác định những điểm mạnh và yếu trong quá trình cung cấp dịch vụ B2A. Mục tiêu cuối cùng là định rõ những điểm cần cải thiện hoặc tối ưu hóa để tăng cường sự hài lòng của khách hàng. - Các khách hàng trong các đợt B2A là những khách hàng sử dụng dịch vụ Internet, được phân thành khách hàng doanh nghiệp và cá nhân, và cả 2 dạng đều nằm trong nhóm các khách hàng cần được chăm sóc B2A. - Các kỹ thuật phân tích dữ liệu dựa vào học máy giúp phân lớp, gom cụm, và các thuật toán để học máy các tập dữ liệu lớn như cây quyết định, rừng ngẫu nhiên. Điều này giúp trích xuất thông tin hữu ích và hỗ trợ quyết định từ dữ liệu phức tạp và rộng lớn. Phạm vi nghiên cứu: - Sử dụng các thông tin từ các yêu cầu/ hoạt động của khách hàng như: Khiếu nại, nợ cước, báo hỏng… tại VNPT Tây Ninh. - Khách hàng thuê bao Internet tại VNPT Tây Ninh.
3 4. Phương pháp nghiên cứu Chủ đề này đang áp dụng các phương pháp nghiên cứu lý thuyết để thực hiện phân tích dữ liệu, cùng với việc phát triển một ứng dụng nhằm thực hiện quá trình phân lớp và đưa ra các đề xuất về việc chăm sóc khách hàng. - Thu thập các tài liệu có liên quan đến đề tài, các phương pháp giám sát phân tích và đưa ra dự báo. - Ứng dụng các thuật toán học máy vào xử lý dữ liệu áp dụng cho nhà cung cấp dịch vụ VNPT Tây Ninh. 5. Ý nghĩa khoa học và thực tiễn Đề án này mang ý nghĩa khoa học quan trọng bởi việc tập trung vào việc phân tích và hiểu sâu về số liệu thu thập tại VNPT Tây Ninh. Mục tiêu chính của đề án là xác định mức độ tương quan giữa các yếu tố ảnh hưởng và trải nghiệm sử dụng dịch vụ của khách hàng. Bằng cách thực hiện việc phân tích này, đề án có thể đưa ra cái nhìn tổng quan về các yếu tố có vai trò quan trọng trong việc tạo nên trải nghiệm của khách hàng khi sử dụng dịch vụ của VNPT Tây Ninh. Qua việc áp dụng các phương pháp học máy như hồi quy logistic (LR), máy vector hỗ trợ (SVM), và rừng ngẫu nhiên, đề án mở ra cánh cửa cho việc ứng dụng công nghệ tiên tiến để dự đoán và xác định tập khách hàng cần được chăm sóc. Điều này có thể giúp tổ chức như VNPT Tây Ninh tập trung chăm sóc và cải thiện trải nghiệm của những khách hàng này, đồng thời tối ưu hóa chiến lược kinh doanh. Bên cạnh đó, việc sử dụng các phương pháp học máy để phân tích số liệu và dự đoán có thể đem lại những kết quả chính xác hơn và khả năng dự đoán tốt hơn về tương lai. Điều này có thể góp phần quan trọng trong việc định hình chiến lược và quyết định kinh doanh của VNPT Tây Ninh dựa trên dữ liệu thực tế và dự đoán có cơ sở. Tóm lại, đề án này không chỉ mang ý nghĩa trong việc nâng cao hiểu biết về tương quan giữa yếu tố ảnh hưởng và trải nghiệm khách hàng mà còn mở ra cơ hội áp dụng công nghệ và phân tích dữ liệu để cải thiện trải nghiệm và tối ưu hóa kinh
4 doanh. Từ những lý do trên, tôi xin lựa chọn đề tài nghiên cứu " Hỗ trợ chăm sóc khách hàng dựa vào học máy cho doanh nghiệp Viễn Thông ". Ý nghĩa thực tiễn: Tạo ra một mô hình dự đoán cho tập khách hàng cần chăm sóc, có thể được áp dụng để cung cấp tư vấn chăm sóc cho đơn vị, và hướng dẫn trong việc phát triển chính sách và dịch vụ ứng phó. Bên cạnh các phần như giới thiệu, mục lục, kết luận, tài liệu tham khảo, phụ lục, phần chính của đề án chia thành ba chương như sau: Chương 1 – Cơ sở lý thuyết. Chương 2 – Kỹ thuật học máy cho phân lớp dữ liệu. Chương 3 – Xây dựng mô hình dự đoán tập khách hàng cần chăm sóc B2A. Phân tích và đánh giá kết quả đạt được.
5 CHƯƠNG 1: CƠ SỞ LÝ THUYẾT 1.1 Khái niệm B2A B2A, viết tắt của "Business-to-Anyone," [18] là một khái niệm trong lĩnh vực thương mại điện tử, thể hiện mối quan hệ giữa doanh nghiệp (business) và bất kỳ cá nhân hoặc hộ gia đình nào (anyone). B2A đặc biệt nhấn mạnh việc doanh nghiệp cung cấp sản phẩm, dịch vụ và tương tác trực tiếp với mọi người, không chỉ giới hạn trong khách hàng truyền thống mà còn bao gồm cả các cá nhân không liên quan trực tiếp đến doanh nghiệp. Tại nhà khách hàng, khái niệm B2A ám chỉ việc các doanh nghiệp tương tác trực tiếp với mọi cá nhân hoặc hộ gia đình tại nơi ở của họ để cung cấp sản phẩm, dịch vụ. Việc này không chỉ đem lại tiện lợi mà còn thể hiện tầm quan trọng của từng khách hàng. Nhân viên đến tận nhà chăm sóc mang đến sự gần gũi, tạo cơ hội tương tác trực tiếp và tạo dựng mối quan hệ mạnh mẽ hơn. Khách hàng cảm nhận được sự chăm sóc cá nhân và đội ngũ nhân viên tận tâm trong việc đáp ứng mọi nhu cầu. Từ việc này, doanh nghiệp xây dựng lòng tin, gắn kết với khách hàng và thậm chí tạo ra sự phát triển dựa trên sự tận tâm và chất lượng dịch vụ tại chính nơi khách hàng cảm nhận. Ví dụ về B2A tại nhà khách hàng có thể là:  Nhân viên y tế sẽ đến tận nhà để cung cấp dịch vụ chăm sóc sức khỏe cho người già hoặc bệnh nhân, sau đó giới thiệu thêm các dịch vụ y tế.  Nhân viên dịch vụ sửa chữa sẽ đến tận nhà để khắc phục sự cố cho các thiết bị hoặc sản phẩm mà khách hàng đã báo lỗi, đồng thời giới thiệu các dịch vụ khác. B2A tại nhà khách hàng mang lại lợi ích về sự tiện lợi, mở cửa cho tất cả mọi người có thể tiếp cận sản phẩm và dịch vụ một cách dễ dàng, tiện lợi. Đồng thời, nó cũng giúp doanh nghiệp mở rộng phạm vi tiếp cận thị trường và tạo cơ hội tương tác với mọi người trong danh sách khách hàng.
6 1.2 Tổng quan về B2A tại các doanh nghiệp viễn thông 1.2.1 Lý do cần phải thực hiện B2A Trong thời gian hiện nay, các doanh nghiệp cung cấp dịch vụ đã thấy rằng việc duy trì khách hàng trở thành một chiến lược quan trọng, phản ánh triển vọng dài hạn. Trong bối cảnh cạnh tranh ngày càng khốc liệt, mất gấp năm hoặc sáu lần chi phí để thu hút một khách hàng mới so với việc duy trì một khách hàng hiện tại. Khách hàng trung thành đặc biệt quan trọng vì họ mang đến sự ổn định về số lượng cần thiết để duy trì hoạt động sản xuất và đảm bảo nguồn thu nhập cho doanh nghiệp. Họ là những khách hàng có khả năng bảo vệ uy tín của thương hiệu và tiếp tục ủng hộ doanh nghiệp. Hơn nữa, họ sẵn sàng tha thứ nếu đôi khi doanh nghiệp gặp lỗi lầm. Chính vì thế B2A được hình thành với mục đính là giữ mối quan hệ với khách hàng, việc chăm sóc khách hàng tận nhà cũng giúp các doanh nghiệp tiếp cận được với khách hàng tiềm năng và tăng cường quan hệ với khách hàng hiện tại. Khi nhân viên B2A đến tận nhà khách hàng, họ có cơ hội để tương tác và trò chuyện trực tiếp với khách hàng, hiểu rõ nhu cầu và yêu cầu của họ. Việc này thúc đẩy doanh nghiệp cải tiến cả sản phẩm và dịch vụ của họ để đáp ứng chính xác nhu cầu của khách hàng, tạo ra sự phân biệt trong môi trường cạnh tranh. Hơn nữa, việc cung cấp chăm sóc tận nhà giúp xây dựng hình ảnh tích cực về thương hiệu và làm tăng sự tin tưởng từ phía khách hàng. Khi khách hàng được đối xử tốt và hài lòng với dịch vụ, họ sẽ chia sẻ trải nghiệm đó với người khác và giới thiệu sản phẩm và dịch vụ của doanh nghiệp đến mọi người. Điều này giúp tăng khả năng tiếp cận và tăng doanh số bán hàng của các doanh nghiệp.
7 1.2.2 Doanh thu đạt được từ 2 loại khách hàng 35% Khách hàng mới Khách hàng hiện hữu 65% Hình 1.1: Biểu đồ doanh thu từ khách hàng mới và hiện hữu Tỷ lệ doanh thu bán được từ hai loại khách hàng - khách hàng hiện hữu và khách hàng mới, được biểu thị dưới dạng phần trăm. Trong trường hợp này, tỷ lệ doanh thu bán được từ khách hàng hiện hữu là 65% và từ khách hàng mới là 35%. Trong tổng doanh thu bán được, 65% là doanh thu mà doanh nghiệp thu được từ các khách hàng hiện hữu - các khách hàng đã từng mua sản phẩm/dịch vụ và đã có mối quan hệ với doanh nghiệp trong thời gian dài. Tỷ lệ này cao hơn so với tỷ lệ 35% của khách hàng mới, cho thấy một phần quan trọng của doanh thu đến từ việc giữ chân và phát triển khách hàng hiện hữu. Chính vì thế, các doanh nghiệp viễn thông đặc biệt là VNPT Tây Ninh đang đẩy mạnh các chương trình B2A để giữ chân các khách hàng hiện hữu của doanh nghiệp. 1.2.3 Các nội dung công việc B2A Khi nhân viên của các doanh nghiệp viễn thông thực hiện B2A tại nhà của khách hàng, các công việc được đơn giản hóa như sau:  Vệ sinh thiết bị đầu cuối khách hang.  Kiểm tra trạng thái hoạt động thiết bị GPON ONT, MyTV, WiFi Mesh…
8  Kiểm tra tốc độ và cường độ mạng wifi.  Điều chỉnh, tối ưu sóng WiFi trên ONT để tăng khả năng phủ song.  Khảo sát và cập nhật số điện thoại liên hệ khách hàng hiện hữu.  Khảo sát nhu cầu của KH về truyền hình, di động, ứng dụng CNTT.  Giới thiệu các khuyến mãi mới chỉ trong đợt B2A.  Bán thâm canh dịch vụ MyTV, di động, tăng băng thông.  Phát ấn phẩm, cẩm nang về các dịch vụ của doanh nghiệp.  Giới thiệu và hỗ trợ KH cài ứng dụng mới. Sau khi chăm sóc khách hàng, sẽ có phiếu xác nhận là khách hàng hài lòng với buổi B2A, đa phần mọi khách hàng đều sẽ ký và ghi rằng họ hài lòng, tuy nhiên không có yếu tố nào thay đổi ở những khách hàng này cả, họ không nâng cấp hay mua bất kỳ sản phẩm mới, họ không có vấn đề trong việc sử dụng dịch vụ của doanh nghiệp, nên đối với thuật toán của đề án này, không thể ghi nhận tất cả những đợt B2A trên là thành công. Những công việc để xác định lần chăm sóc khách hàng B2A là thực sự thành công sẽ là:  Có sự thay đổi về hệ thống mạng của khách hàng như thay modem/ONT, hoặc vị trí lắp đặt.  Có thay đổi về dịch vụ, nâng gói cước, mua các dịch vụ di động, myTV, dịch vụ về CNTT.  Khách hàng có vấn đề về việc sử dụng các ứng dụng, sản phẩm của VNPT.  Khách hàng ngưng phản ánh, đóng cước phí đủ sau đợt chăm sóc B2A.  Khách hàng giới thiệu người thân, bạn bè sử dụng các dịch vụ B2A. 1.3 Tổng quan về học máy Trong các lĩnh vực khác nhau của khoa học, công nghệ và nhân văn, như sinh học, khí tượng, y học hoặc tài chính, chuyên gia thường nhắm vào dự đoán một hiện tượng dựa trên các quan sát hoặc đo lường trong quá khứ. Ví dụ, các nhà khí tượng học cố gắng dự báo thời tiết cho những ngày tiếp theo dựa trên điều kiện khí
9 hậu của những ngày trước đó. Trong y học, bác sĩ thu thập các phép đo và thông tin như huyết áp, tuổi hoặc tiểu sử của bệnh nhân để chẩn đoán tình trạng của họ. Ban đầu, trong hóa học, các hợp chất được phân tích bằng cách sử dụng khối phổ để xác định xem chúng có chứa một loại phân tử hoặc nguyên tử. Trong tất cả các trường hợp này, mục tiêu là dự đoán sự thay đổi của một biến phản hồi dựa trên một tập hợp các yếu tố dự đoán quan sát được. Trong nhiều thế kỉ, các nhà khoa học đã giải quyết những vấn đề như vậy bằng cách suy luận theo khuôn khổ lý thuyết từ các nguyên tắc đầu tiên hoặc tích lũy kiến thức để mô hình hóa, phân tích và hiểu các vấn đề đang nghiên cứu. Ví dụ, bác sĩ biết từ các bệnh nhân trước đây rằng bệnh nhân cao tuổi bị đau tim với huyết áp thấp nói chung có nguy cơ cao. Tương tự, các nhà khí tượng học biết từ các mô hình khí hậu rằng một ngày nắng nóng và ô nhiễm cao có thể xảy ra tiếp theo. Tuy nhiên, đối với một số vấn đề ngày càng tăng về số lượng, các phương pháp tiếp cận tiêu chuẩn bắt đầu chỉ ra các giới hạn của nó. Ví dụ, việc xác định các yếu tố nguy cơ di truyền đối với bệnh tim, nơi mà kiến thức vẫn còn rất thưa thớt, gần như không thực tế đối với khả năng nhận thức của con người do sự phức tạp của các tương tác tồn tại trong gen di truyền. Trong các dự báo khí tượng chi tiết, việc tính toán các biến phức tạp đòi hỏi sự can thiệp của các chuyên gia và nhanh chóng vượt ra ngoài khả năng của họ để đưa tất cả vào một hệ phương trình. Tuy nhiên, từ giữa thế kỷ XX, máy móc đã được xây dựng và thiết kế để hỗ trợ con người trong tính toán của họ. Máy tính đã trở nên mạnh mẽ hơn qua thời gian nhưng cùng với sự tiến bộ về phần cứng, khoa học máy tính lý thuyết, trí thông minh nhân tạo và số liệu thống kê, máy tính đã bị vượt trội bởi các máy móc. Các tiến bộ gần đây trong lĩnh vực khoa học máy tính và trí tuệ nhân tạo đã khiến cho các máy móc trở nên vượt trội hơn trong việc học hỏi từ dữ liệu và tự khám phá cấu trúc dự đoán của các vấn đề. Vì vậy, họ đã trở thành chuyên gia trong lĩnh vực riêng của mình, giúp các nhà khoa học trong nhiều bước đột phá của các biến thể trong lĩnh vực khoa học và công nghệ. Các kỹ thuật và thuật toán bắt nguồn từ lĩnh vực máy học đã trở thành công cụ mạnh mẽ để phân
10 tích dữ liệu lớn và phức tạp. Các ứng dụng của học máy đang được sử dụng rộng rãi trong nhiều lĩnh vực, và viễn thông cần phải là một trong số đó. Các ứng dụng của học máy trong lĩnh vực khoa học và công nghệ rất đa dạng. Các ví dụ công khai và nổi tiếng bao gồm việc sử dụng cây quyết định tăng cường trong phân tích thống kê để phát hiện Higgs boson tại CERN, việc sử dụng các rừng ngẫu nhiên để phát hiện tư thế con người ở Microsoft Kinect hoặc bộ phận tổng hợp các kỹ thuật học máy khác nhau để xây dựng hệ thống IBM tại Watson. Học máy đã có thể cạnh tranh với người đàn ông vô địch trên chương trình đố vui truyền hình Jeopardy của Mỹ. Đối với mặt hình thức, học máy có thể được định nghĩa là việc nghiên cứu các hệ thống có khả năng học từ dữ liệu mà không cần sự hỗ trợ từ chương trình lập trình rõ ràng. Khi một chương trình máy tính được xem như đã học từ dữ liệu và đo lường hiệu suất, nó sẽ được đánh giá dựa trên khả năng cải thiện hiệu suất ở những tác vụ nhất định, kèm theo dữ liệu. Trong lĩnh vực học máy, đặc biệt là hồi quy, đã xuất hiện các thuật toán có khả năng giải quyết các vấn đề liên quan đến dự đoán. Điều này mang lại những quy trình tự động, giúp dự đoán một hiện tượng dựa trên những quan sát trong quá khứ. Tuy nhiên, mục tiêu của học máy không chỉ đơn giản là tạo ra các thuật toán cho dự đoán chính xác. Nó còn giúp cung cấp thông tin chi tiết về cấu trúc của dữ liệu. Điều này rất quan trọng cho những người học học máy, đặc biệt là những người không phải là chuyên gia trong lĩnh vực này. Các diễn giải được cung cấp bởi học máy giúp hiểu rõ hơn về hiện tượng nghiên cứu, khám phá dữ liệu tốt hơn và đạt kết quả dễ dàng hơn. Vì vậy, học máy không chỉ đơn thuần là một công cụ để dự đoán mà còn là một công cụ hữu ích để giúp chúng ta hiểu rõ hơn về dữ liệu và các hiện tượng được nghiên cứu. Nó giúp chúng ta tiếp cận dữ liệu một cách hiệu quả hơn, từ đó tăng khả năng đạt được kết quả chính xác và thực tiễn. 1.3.1 Khái niệm Học máy là một lĩnh vực trong trí tuệ nhân tạo, tập trung vào nghiên cứu và phát triển các kỹ thuật giúp hệ thống máy tính có khả năng học tự động từ dữ liệu ban đầu để giải quyết các vấn đề cụ thể. Quá trình học trong học máy được thực
11 hiện tự động thông qua việc xây dựng các luật dựa trên quan sát trạng thái của dữ liệu và sự thay đổi của chúng. Học máy không chỉ bao gồm việc học từ các mẫu mà còn bao gồm học tăng cường. Các thuật toán học máy sử dụng các thông tin liên quan và tập dữ liệu mẫu để tạo ra một mô hình diễn tả những kết quả học được. Trong học máy, sử dụng một tập hữu hạn dữ liệu được gọi là tập dữ liệu huấn luyện, bao gồm các mẫu dữ liệu đã được biểu diễn theo một cách cụ thể để máy tính có thể xử lý và hiểu. Tuy nhiên, tập dữ liệu huấn luyện luôn có giới hạn về số lượng, do đó không phải toàn bộ dữ liệu sẽ được học một cách chính xác. 1.3.2 Phân loại kỹ thuật học máy Các kỹ thuật học máy được phân chia thành 3 loại chính: học có giám sát, học không giám sát và học bán giám sát. Học có giám sát là phương pháp học từ dữ liệu có lớp được định nghĩa trước. Trong giai đoạn học, các phương pháp học máy sẽ hỗ trợ hệ thống xác định các nhóm dữ liệu và tạo một cấu trúc mô tả chúng. Sau đó, ta có thể áp dụng các nguyên tắc phân loại đã được hình thành trong quá trình học để phân loại các dữ liệu mới. Học không giám sát là phương pháp học từ dữ liệu không có lớp được định nghĩa cụ thể trước. Trong học không giám sát, máy tính phải tự học và tự quan sát các mẫu dữ liệu để nhận ra các mẫu và xây dựng một tập lớp mới. Phương pháp này được gọi là khám phá dữ liệu. Học bán giám sát là sự hợp nhất của các thuật toán học từ cả học giám sát và học không giám sát. Trong học bán giám sát, dữ liệu được sử dụng bao gồm cả dữ liệu đã được gán nhãn và dữ liệu chưa được gán nhãn - thường là một lượng lớn dữ liệu chưa gán nhãn. Đây là quá trình học nằm giữa hai loại học: học không giám sát (không có dữ liệu nào đã được nhãn) và học giám sát (toàn bộ dữ liệu đã được gán nhãn). Học bán giám sát tận dụng những ưu điểm từ cả học giám sát và học không giám sát, đồng thời loại bỏ những hạn chế thường gặp trong cả hai phương pháp này.