Khóa luận tốt nghiệp: Nghiên cứu về mô hình học sâu LSTM và áp dụng vào dự báo doanh số bán hàng

Ngành bán lẻ toàn cầu đang trải qua những biến đổi sâu sắc với sự phát triển mạnh mẽ của thương mại điện tử và sự cạnh tranh gia tăng, khiến việc dự báo doanh số chính xác trở thành yếu tố then chốt cho sự thành công của doanh nghiệp. Các phương pháp dự báo truyền thống gặp khó khăn khi xử lý dữ liệu chuỗi thời gian phức tạp, đòi hỏi một cách tiếp cận tiên tiến hơn. Trong bối cảnh này, công nghệ học sâu, đặc biệt là mô hình Long Short-Term Memory (LSTM), đã nổi lên như một giải pháp đầy tiềm năng nhờ khả năng ghi nhớ dài hạn và nhận diện các mẫu phụ thuộc phức tạp trong dữ liệu thời gian. Khóa luận này tập trung nghiên cứu chuyên sâu về mô hình học sâu LSTM và ứng dụng nó để dự báo doanh số bán hàng, nhằm cung cấp một công cụ hiệu quả giúp các doanh nghiệp tối ưu hóa quản lý chuỗi cung ứng, tồn kho, và các chiến lược kinh doanh khác trong môi trường bán lẻ hiện đại.

Các nhà quản lý và chuyên gia trong ngành bán lẻ, cùng với các nhà nghiên cứu và sinh viên quan tâm đến lĩnh vực học sâu và dự báo chuỗi thời gian.

Trong bối cảnh ngành bán lẻ cạnh tranh gay gắt và sự phát triển mạnh mẽ của thương mại điện tử, việc dự báo doanh số chính xác là yếu tố then chốt giúp doanh nghiệp tối ưu hóa hoạt động và duy trì lợi thế cạnh tranh. Khóa luận này tập trung giải quyết thách thức của các phương pháp dự báo truyền thống không hiệu quả với dữ liệu chuỗi thời gian phức tạp bằng cách nghiên cứu và ứng dụng mô hình học sâu Long Short-Term Memory (LSTM). Về mặt lý thuyết, nghiên cứu đi sâu vào cơ sở lý thuyết của học sâu, mạng Nơ-ron hồi tiếp (RNN) và đặc biệt là mô hình LSTM, đồng thời so sánh hiệu quả của LSTM với các phương pháp khác như GRU và Transformer dựa trên khả năng xử lý các mối quan hệ phi tuyến và phụ thuộc dài hạn trong dữ liệu chuỗi thời gian. Về mặt thực nghiệm, đề tài đã phát triển một mô hình LSTM sử dụng thư viện PyTorch, được huấn luyện trên bộ dữ liệu M5 bao gồm dữ liệu doanh số bán lẻ trong hơn 5 năm. Hiệu suất của mô hình được đánh giá bằng các chỉ số như MAE, SMAPE và WRMSSE. Đặc biệt, mô hình dự báo này còn được tích hợp vào một hệ thống website tương tác, cho phép người dùng nhập liệu, nhận kết quả dự báo, quản lý lịch sử và trực quan hóa dữ liệu thông qua giao diện người dùng thân thiện, được xây dựng với Flask, PostgreSQL và React. Giải pháp này không chỉ mang lại giá trị học thuật mà còn có ý nghĩa ứng dụng thực tiễn cao, hỗ trợ các nhà quản lý bán lẻ đưa ra quyết định tối ưu về tồn kho, chuỗi cung ứng và chiến lược kinh doanh, từ đó góp phần thúc đẩy chuyển đổi số và nâng cao hiệu quả hoạt động trong ngành bán lẻ hiện đại.