Ứng dụng Machine Learning trong hệ thống CRM

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:3

Thêm vào BST

Báo xấu

7
lượt xem 1
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Hệ thống quản lý quan hệ khách hàng - CRM (Customer relationship management) là một phương pháp giúp các doanh nghiệp tiếp cận và giao tiếp với khách hàng một cách có hệ thống và hiệu quả, quản lý các thông tin của khách hàng như thông tin về tài khoản, nhu cầu, liên lạc và các vấn đề khác nhằm phục vụ khách hàng tốt hơn. Bài viết trình bày việc ứng dụng Machine Learning trong hệ thống CRM.

Chủ đề:

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

Lưu

Nội dung Text: Ứng dụng Machine Learning trong hệ thống CRM

Tuyển tập Hội nghị Khoa học thường niên năm 2017. ISBN: 978-604-82-2274-1 ỨNG DỤNG MACHINE LEARNING TRONG HỆ THỐNG CRM Đỗ Oanh Cường Trường Đại học Thuỷ lợi - cuongdo@tlu.edu.vn 1. GIỚI THIỆU CHUNG  Hệ thống Machine Learning cần có thể phân tích và tự học từ dữ liệu. Hệ thống quản lý quan hệ khách hàng - CRM (Customer relationship management) là Một số kết quả ứng dụng từ Machine một phương pháp giúp các doanh nghiệp tiếp Learning vào hệt hống CRM: cận và giao tiếp với khách hàng một cách có  Gợi ý sản phẩm - gợi ý khách hàng hệ thống và hiệu quả, quản lý các thông tin tiềm năng. của khách hàng như thông tin về tài khoản,  Đánh giá phản hồi của khách hàng. nhu cầu, liên lạc và các vấn đề khác nhằm  Chấm điểm khách hàng tiềm năng và phục vụ khách hàng tốt hơn. Thông qua hệ Marketing. thống quan hệ khách hàng, các thông tin  Phân lớp các khách hàng: khách hàng của khách hàng sẽ được cập nhật và được lưu tiềm năng mua sản phẩm A, khách hàng trữ trong hệ thống quản lý cơ sở dữ liệu. Nhờ không tiềm năng để tiếp cận… các công cụ phân tích dữ liệu, doanh nghiệp  Tăng chất lượng chăm sóc khách hàng. có thể phân tích, hình thành danh sách khách  Tiếp tục bán các sản phẩm mới cho tập hàng tiềm năng và lâu năm để đề ra những khách hàng cũ. chiến lược chăm sóc khách hàng hợp lý. Ngoài ra, doanh nghiệp còn có thể xử lý các 2. PHƯƠNG PHÁP NGHIÊN CỨU vấn đề vướng mắc của khách hàng một cách Bài toán đặt ra: công ty A đang tư vấn và nhanh chóng và hiệu quả. triển khai các giải pháp ERP - giải pháp Một số hệ thống CRM tiêu biểu đang quản trị cho các doanh nghiệp. Khách hàng được đánh giá cao có thể kể ra như: mục tiêu là những doanh nghiệp sản xuất Salesfore, Microsoft Dynamic CRM, SAP với tầm trung với phân khúc khách hàng có CRM… Các hệ thống đều đã phát triển trên khoảng 500 đến 3000 công nhân viên, nền tảng điện toán đám mây giúp tập trung dữ liệu phục vụ công tác phân tích và ứng doanh số khoảng 50 - 500 tỷ/ năm, số năm dụng Machine Learning. hoạt động là 5 năm hoặc mới được đầu tư từ Ứng dụng hiệu quả cho Machine Learning công ty mẹ… Hiện tại số lượng doanh là phân tích các hoạt động được diễn ra lặp nghiệp rất lớn đến con số hàng triệu, làm đi lặp lại hàng nghìn lần. Machine Learning sao giúp tìm ra các khách hàng mục tiêu sẽ phân tích các dữ liệu và tự học, do vậy một cách nhanh chóng, thuận tiện và chính việc ứng dụng Machine Learning theo xác nhất? nguyên tắc sau: Đầu tiên, chúng ta tìm hiểu về ứng dụng  Dữ liệu đầu vào tốt, dữ liệu kết quả đầu Machine Learning giải bài toán Hồi quy. ra sẽ tốt. Hồi quy là một công cụ trong Machine  Dữ liệu đầu vào giá trị, kết quả phân tích Learning giúp dự đoán bằng cách “học” các sẽ tốt. dữ liệu dạng tĩnh có từ trước, cũng như mối 165
Tuyển tập Hội nghị Khoa học thường niên năm 2017. ISBN: 978-604-82-2274-1 quan hệ giữa các tham số mục tiêu với những tham số khác. Dự trên những định nghĩa, việc đánh giá đối tượng khách hàng có tiềm năng hay không dựa vào các yếu tố như vốn điều lệ, doanh số, tốc độ tăng trưởng, số lượng nhân sự, khu vực, lĩnh vực hoạt động, số năm hoạt động …Nếu chúng Hình 1. Dữ liệu phân tích đầu vào ta áp dụng Machine Learning vào thì có thể 1. Rà soát dữ liệu bất thường đánh giá mức độ tiềm năng của đối tượng Chúng ta cần kiểm tra xem các yếu tố phân trên một khu vực. tích có độc lập không, và nếu có yếu tố nào Ý tưởng về ứng dụng hồi quy theo hướng không độc lập so với yếu tố còn lại thì cần tiếp cận rất đơn giản: với một lượng dữ liệu được loại khỏi việc phân tích. đầy đủ, chúng ta sẽ tìm được mối liên hệ giữa 2. Chọn thuật toán phù hợp: tham số mục tiêu (tham số đầu ra) và các Thử nghiệm với các thuật toán như dưới, tham số khác (tham số đầu vào), sau đó ứng ta được kết quả như trong hình: dụng vào các dữ liệu thực tế.  Linear Regression - (1) Để minh hoạ cách thức thuật toán hồi quy  RandomForest - (2) hoạt động, chúng ta phân tích khách hàng  KNeighborsRegressor (3) tiềm năng dựa trên yếu tố doanh thu hàng  SVR (4) năm. Như chúng ta đề cập, doanh thu hàng năm có quan hệ tuyến tính với mức độ cần thiết phải sử dụng quản lý thông tin ERP, từ Result 1 đó quan hệ tuyến tính với mức độ đánh giá 0.8 tiềm năng của khách hàng. 0.6 Chúng ta có thể biểu diễn mối quan hệ 0.4 như sau: 0.2 y=+x 0 Trong đó x là doanh thu hàng năm, y là 0 1 2 3 4 5 mức độ tiềm năng của khách hàng. Dựa vào hồi quy, chúng ta sẽ tìm ra các Hình 2. Kết quả với các thuật toán mối quan hệ của  và  bằng cách đưa thông khác nhau tin của khoảng 500 - 1000 thông tin doanh nghiệp đầu vào. Dựa trên các thuật toán trên, chúng ta thấy độ chính xác của Random Forest cao nên sẽ 3. KẾT QUẢ NGHIÊN CỨU dùng thuật toán Random Forest. Chúng ta thực hiện từng bước như sau: 4. KẾT LUẬN 1. Thu thập dữ liệu: Trên đây là trình bầy việc ứng dụng của Chúng ta sẽ thực hiện việc thu thập dữ liệu Machine Learning vào hệ thống CRM. Qua các doanh nghiệp sản xuất trong các khu việc phân tích cho thấy rằng: công nghiệp như Quang Minh, Thăng Long,  Việc ứng dụng Machine Learning cho hệ Bắc Ninh, Thái Nguyên… và chuẩn hoá dữ thống CRM là hoàn toàn khả thi. liệu giúp cho việc tính toán chính xác.  Trong bài viết đang nghiên cứu ví dụ việc 2. Phân tích dữ liệu: áp dụng vào mô hình quản lý kinh doanh cho Thông tin dữ liệu được format như trong doanh nghiệp B2B, việc ứng dụng hoàn toàn hình dưới đây. có thể áp dụng cho mô hình kinh doanh B2C. 166
Tuyển tập Hội nghị Khoa học thường niên năm 2017. ISBN: 978-604-82-2274-1 5. TÀI LIỆU THAM KHẢO [1] Nishant Shukla. 2017. Machine Learning with TensorFlow. [2] Ian Goodfellow, Yoshua Bengio, Aaron Courville. 18/11/2016.Deep Learning (Adaptive Computation and Machine Learning series). 167