Khai thác và dự đoán hành vi người tiêu dùng, đặc biệt trong việc dự đoán khả năng phát sinh giao dịch đóng một vai trò quan trọng trong việc nâng cao trải nghiệm khách hàng và giă tăng doanh thu cho các nền tảng thương mại mua sắm trực tuyến. Rất nhiều nghiên cứu và nỗ lực đã được thực hiện trong việc phân tích lịch sử phiên truy cập nhằm đưa ra dự đoán khả năng sản phẩm được mua trong lượt truy cập tiếp theo; tuy nhiên dự đoán theo thời gian thực ngay trong hành trình mua sắm của khách hàng còn hạn chế. Khung dự báo sớm ý định mua hàng (Early Purchase Prediction Framework) đã được đề xuất và kiểm nghiệm tính khả thi và ứng dụng thực tế trên một bộ dữ liệu tương đồng, không chỉ giúp phân loại phiên truy cập kết thúc bằng giao dịch mua hay không mà còn đánh giá tính sớm của dự báo một cách định lượng. Trong các thuật toán học máy thử nghiệm, Random Forest đều cho kết quả tốt nhất trên hai chiều đánh giá, bao gồm khả năng phân loại và khả năng dự báo sớm thể hiện qua chỉ số AUC và phân bố điểm hữu dụng. Thử nghiệm cũng chỉ ra rằng, mô hình học sâu với thiết kế cấu trúc dạng chuỗi chưa cho hiệu quả rõ rệt so với thuật toán học máy cơ bản trên cùng một bộ dữ liệu tương tác theo dòng thời gian.
Readership Map
Content Distribution
Khai thác và dự đoán hành vi người tiêu dùng, đặc biệt trong việc dự đoán khả năng phát sinh giao dịch đóng một vai trò quan trọng trong việc nâng cao trải nghiệm khách hàng và giă tăng doanh thu cho các nền tảng thương mại mua sắm trực tuyến. Rất nhiều nghiên cứu và nỗ lực đã được thực hiện trong việc phân tích lịch sử phiên truy cập nhằm đưa ra dự đoán khả năng sản phẩm được mua trong lượt truy cập tiếp theo; tuy nhiên dự đoán theo thời gian thực ngay trong hành trình mua sắm của khách hàng còn hạn chế. Khung dự báo sớm ý định mua hàng (Early Purchase Prediction Framework) đã được đề xuất và kiểm nghiệm tính khả thi và ứng dụng thực tế trên một bộ dữ liệu tương đồng, không chỉ giúp phân loại phiên truy cập kết thúc bằng giao dịch mua hay không mà còn đánh giá tính sớm của dự báo một cách định lượng. Trong các thuật toán học máy thử nghiệm, Random Forest đều cho kết quả tốt nhất trên hai chiều đánh giá, bao gồm khả năng phân loại và khả năng dự báo sớm thể hiện qua chỉ số AUC và phân bố điểm hữu dụng. Thử nghiệm cũng chỉ ra rằng, mô hình học sâu với thiết kế cấu trúc dạng chuỗi chưa cho hiệu quả rõ rệt so với thuật toán học máy cơ bản trên cùng một bộ dữ liệu tương tác theo dòng thời gian.
