Ứng dụng các kỹ thuật xử lý ngôn ngữ tự nhiên trong phân tích nhu cầu sử dụng dịch vụ viễn thông từ các bình luận trên mạng xã hội

Mạng xã hội đã trở thành một kênh quan trọng để người dùng tương tác, chia sẻ ý tưởng và cũng là “mảnh đất vàng” cho hoạt động kinh doanh trực tuyến. Khách hàng thường đưa ra các bình luận, nhận xét và đánh giá về sản phẩm, dịch vụ một cách tự do, tạo nên nguồn thông tin phản hồi quý giá cho các công ty. Để điều chỉnh sản phẩm và dịch vụ nhằm đáp ứng tốt hơn nhu cầu người dùng, việc thu thập thông tin phản hồi này là rất cần thiết. Trong bối cảnh trí tuệ nhân tạo (AI) và xử lý ngôn ngữ tự nhiên (NLP) ngày càng phát triển, chúng trở thành công cụ cốt lõi giúp các doanh nghiệp phân tích dữ liệu, đưa ra quyết định kinh doanh chính xác và hạn chế sai lầm do phán đoán chủ quan. Tuy nhiên, việc ứng dụng AI và NLP để phân tích nhu cầu khách hàng vẫn còn khiêm tốn, đặc biệt trong các lĩnh vực kinh doanh chuyên biệt, mỗi ngành đều có đặc điểm sản phẩm riêng biệt.

Nghiên cứu này hướng tới các doanh nghiệp viễn thông, đặc biệt là VNPT, nhằm hỗ trợ họ trong việc phân tích và nắm bắt nhu cầu, ý kiến phản hồi của khách hàng từ bình luận trên mạng xã hội để cải thiện chất lượng dịch vụ và chính sách chăm sóc khách hàng. Ngoài ra, nghiên cứu còn là tài liệu tham khảo quý giá cho các nhà khoa học, kỹ sư và sinh viên nghiên cứu trong các lĩnh vực xử lý ngôn ngữ tự nhiên, phân tích cảm xúc và khai phá dữ liệu khách hàng.

Phân tích nhu cầu khách hàng thông qua mạng xã hội đóng vai trò thiết yếu trong việc nắm bắt ý kiến phản hồi về dịch vụ hoặc sản phẩm, từ đó hỗ trợ các công ty điều chỉnh sản phẩm nhằm nâng cao chất lượng dịch vụ và hiệu quả kinh doanh. Nghiên cứu này tập trung vào việc thu thập dữ liệu bình luận từ fanpage của VNPT, tiến hành gán nhãn, xử lý và xây dựng một tập dữ liệu thực nghiệm gồm hơn 5.000 câu. Chúng tôi đã đề xuất một mô hình phân tích nhu cầu khách hàng dựa trên các kỹ thuật xử lý ngôn ngữ tự nhiên, cụ thể là phương pháp phân loại FastText của Facebook. Để đánh giá hiệu quả, nghiên cứu cũng đã thực hiện các thử nghiệm so sánh với các phương pháp máy học khác như Naive Bayes và Support Vector Machine. Kết quả thực nghiệm trên tập dữ liệu được xây dựng cho thấy mô hình sử dụng FastText cho kết quả vượt trội, đạt độ chính xác trên 90%. Những phát hiện này không chỉ cung cấp một giải pháp hiệu quả cho bài toán phân loại nhu cầu khách hàng mà còn thiết lập nền tảng vững chắc cho các nghiên cứu tiếp theo về mở rộng tập dữ liệu và phát triển các hệ thống phân tích cảm xúc khách hàng, phục vụ hiệu quả các chiến lược kinh doanh của doanh nghiệp.