Phân tích hành vi và phát hiện cộng đồng sản phẩm trong thương mại điện tử bằng học máy và đồ thị

Abstract

Sự phát triển nhanh chóng của thương mại điện tử đã làm cho hành vi mua sắm của khách hàng ngày càng phức tạp và mang tính động, khiến việc dự đoán hành vi mua lại trở thành một bài toán quan trọng đối với doanh nghiệp. Nhóm khách hàng quay lại thường đóng góp phần lớn vào doanh thu dài hạn và giá trị vòng đời khách hàng, do đó việc nhận diện sớm khả năng tái mua có ý nghĩa thiết thực trong quản trị quan hệ khách hàng. Dựa trên dữ liệu giao dịch thực tế, nghiên cứu xây dựng bộ đặc trưng hành vi mở rộng RFM-S-T, trong đó RFM (Recency - Frequency -Monetary) được bổ sung thêm S (Span - độ kéo dài hành vi mua) và T (Time interval -khoảng cách trung bình giữa các lần mua) nhằm phản ánh nhịp độ và tính liên tục của hành vi tiêu dùng. Trên cơ sở đó, thuật toán K-means (K-means clustering) được áp dụng để phân cụm khách hàng, cho thấy sự khác biệt rõ rệt về cường độ, giá trị và nhịp độ mua sắm giữa các nhóm khách hàng có tái mua và không tái mua. Bài toán dự đoán mua lại được mô hình hóa dưới dạng phân loại nhị phân (binary classification), trong đó mỗi khách hàng được phân vào một trong hai nhóm: tái mua hoặc không tái mua. Các mô hình học máy có giám sát như Random Forest, XGBoost và LightGBM được triển khai và so sánh. Kết quả thực nghiệm cho thấy các mô hình dựa trên cây tăng cường đạt hiệu năng cao, với chỉ số AUC (Area Under the ROC Curve) đều vượt mức 0,95. Đặc biệt, mô hình học tổ hợp stacking, kết hợp nhiều mô hình thành phần và sử dụng Logistic Regression làm mô hình tổng hợp, cho kết quả tốt nhất với độ chính xác tổng thể trên 90% và khả năng phân biệt hai nhóm khách hàng vượt trội so với các mô hình đơn lẻ. Bên cạnh dự đoán, nghiên cứu tích hợp phân tích mạng sản phẩm thông qua việc xây dựng mạng hai lớp khách hàng - sản phẩm và chiếu sang mạng sản phẩm - sản phẩm. Phân tích cấu trúc mạng giúp nhận diện các sản phẩm giữ vai trò trung tâm trong hành vi đồng mua, qua đó bổ sung góc nhìn cấu trúc cho việc lý giải hành vi mua lại và hỗ trợ tối ưu danh mục sản phẩm. Tổng thể, nghiên cứu đề xuất một khung phân tích tích hợp từ trích xuất đặc trưng hành vi, phân cụm khách hàng, dự đoán mua lại đến phân tích mạng sản phẩm, góp phần nâng cao hiệu quả dự báo và cung cấp các hàm ý thực tiễn cho quản trị quan hệ khách hàng trong thương mại điện tử