Áp dụng mô hình máy học để dự báo khách hàng rời bỏ dịch vụ trong lĩnh vực thương mại điện tử

Abstract

Nghiên cứu này tập trung vào mô hình dự đoán khả năng khách hàng rời bỏ dịch vụ trong lĩnh vực thương mại điện tử, một yếu tố then chốt ảnh hưởng đến sự tăng trưởng và lợi nhuận của doanh nghiệp. Mục tiêu chính của nghiên cứu là xây dựng một hệ thống dự đoán khách hàng khả năng khách hàng rời bỏ, xác suất rời bỏ theo thời gian, mức độ ảnh hưởng của các yếu tố lên khả năng rời bỏ và phân khúc khách hàng để nâng cao tính hiệu quả của các chiến lược giữ chân. Để đạt được mục tiêu này, nghiên cứu đã thu thập và phân tích dữ liệu đặc điểm và hành vi của khách hàng bao gồm thông tin nhân khẩu học, lịch sử giao dịch, tần suất mua hàng, tổng giá trị chi tiêu, thời gian truy cập và các yếu tố khác. Nghiên cứu đã xây dựng đặc trưng bằng mô hình RFM kết hợp với các đặc trưng sẵn có, áp dụng mô hình học máy XGBoost, LightGBM, Logistic Regression và Random Forest, mô hình nguy cơ tỷ lệ Cox. Hiệu suất của các mô hình được đánh giá một cách toàn diện thông qua các chỉ số Accuracy, Precision, Recall, F1-score và ROC-AUC trên tập dữ liệu kiểm tra, và chỉ số Concordance đối với mô hình nguy cơ tỷ lệ Cox. Kết quả nghiên cứu cho thấy mô hình Random Forest đạt được hiệu suất dự đoán tốt nhất với độ chính xác 88.3% và các chỉ số đánh giá khác đều ở mức cao, mô hình nguy cơ tỷ lệ Cox với chỉ số Concordance 0.82 phản ánh khả năng dự đoán chính xác nguy cơ và thời gian khách hàng rời bỏ, mô hình RFM cho ra bốn phân cụm khách hàng khác nhau giúp doanh nghiệp có thể nâng cao hiệu quả các chiến lược giữ chân khách hàng. Nghiên cứu này góp phần xây dựng một cách tiếp cận dựa trên dữ liệu nhằm hỗ trợ quản lý hiệu quả và hạn chế tình trạng khách hàng rời bỏ trong bối cảnh cạnh tranh gay gắt của ngành thương mại điện tử.