BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƯỜNG ĐẠI HỌC KINH TẾ TP.HCM

THUYẾT MINH ĐỀ TÀI NGHIÊN CỨU KHOA HỌC CẤP TRƯỜNG

1. Tên đề tài: "Nghiên cứu xây dựng hệ thống thông minh phát hiện 2. Mã số (do QLKH ghi)
khách hàng rời bỏ dịch vụ tại một số Ngân hàng trên địa bàn tỉnh
Vĩnh Long"
3. Thời hạn (số tháng)
12
4. Thuộc chương trình (nếu có):

5. Chủ nhiệm đề tài: TS. Nguyễn Quốc Hùng

(Họ và Tên, học hàm, học vị)
Điện thoại: 0912 251 253 Email: hungngq@ueh.edu.vn

6. Đơn vị chủ trì (Khoa, Viện, Trung tâm, Ban, Phòng,…): Khoa Công nghệ thông tin kinh
doanh

Điện thoại: 0283-526-5816 Fax: 0283-526-5816 Email: bit@ueh.edu.vn

7. Đơn vị và cá nhân phối hợp chính (nếu có)

Đơn vị
TT Họ và tên người phối hợp Địa chỉ, Điện Nội dung phối hợp
(DN, trường ĐH,
(Họ và tên, học hàm, học vị) thoại, Email
đơn vị khác…)
1 Khoa CNTT,
ThS.Nguyễn Thành
Phân hiệu Vĩnh Triển khai hệ thống
Trung
Long (UEH)
2 ThS Nguyễn Quang
Ngân hàng ... Triển khai hệ thống
Trường
3 Khoa CNTT,
ThS. Nguyễn Thị Xuân
Phân hiệu Vĩnh Triển khai hệ thống
Đào
Long (UEH)

1
8. Tổng quan nghiên cứu trong và ngoài nước liên quan đến đề tài (tối thiểu 2.000 từ)

Tổng quan nghiên cứu

Khách hàng luôn được coi là tài sản vô cùng quý giá đối với bất kỳ tổ chức nào. Trong bối
cảnh môi trường kinh doanh ngày càng cạnh tranh, khả năng của khách hàng chuyển đổi giữa các
đối thủ cạnh tranh trở nên dễ dàng hơn bao giờ hết. Do đó, việc duy trì và giữ chân khách hàng
không chỉ là một yêu cầu cơ bản, mà còn trở thành một yếu tố thiết yếu và có tầm quan trọng vô
cùng đối với mọi tổ chức. Các doanh nghiệp đối diện với thách thức nghiêm trọng khi phải đối mặt
với việc khách hàng chọn rời đi. Điều này chủ yếu xuất phát từ sự cạnh tranh ác liệt do thị trường
đã đạt tới mức bão hòa, cùng với điều kiện thị trường liên tục biến đổi và sự xuất hiện liên tục của
các dịch vụ cạnh tranh mới. Ngành ngân hàng cũng không nằm ngoài quy tắc này. Với sự gia tăng
vượt bậc về số lượng khách hàng của các ngân hàng và công ty tài chính, các ngân hàng lớn
thường phải quản lý hàng triệu khách hàng trong danh mục kinh doanh của mình. Điều này thúc
đẩy sự nhận thức về tầm quan trọng của việc cung cấp chất lượng dịch vụ mà các ngân hàng đang
cung ứng.

Hiện tượng mất khách hàng do khách hàng tự rời đi, được gọi là "churn", thường diễn ra khi
khách hàng chuyển đổi từ việc sử dụng dịch vụ của một nhà cung cấp sang một nhà cung cấp khác.
Lý do cho hiện tượng này rất đa dạng trong lĩnh vực Ngân hàng, bao gồm sự xuất hiện của công
nghệ mới, thái độ thân thiện của nhân viên ngân hàng, lãi suất thấp, vị trí địa lý thuận tiện và loạt
các dịch vụ đa dạng. Môi trường cạnh tranh trong lĩnh vực ngân hàng, được tạo ra bởi sự hiện diện
của nhiều ngân hàng khác nhau, đặt ra một sự cần thiết không thể bỏ qua để giữ chân khách hàng.
Đồng thời, các ngân hàng cũng đang nỗ lực tăng thị phần của mình bằng cách thu hút khách hàng
mới. Tầm quan trọng của việc hiểu về hiện tượng khách hàng bỏ đi đã được nêu rõ trong các
nghiên cứu gần đây. Việc tăng tỷ lệ duy trì khách hàng lên chỉ 1% có thể tăng giá trị lợi nhuận của
công ty lên đến 5% (Gupta, Lehmann, & Stuart, 2004). Thậm chí việc giảm tỷ lệ khách hàng rời bỏ
xuống 5% đã được chứng minh có thể làm tăng lợi nhuận gấp đôi trong một số ngành (Reichheld,
1996).

Nhu cầu sử dụng sản phẩm và dịch vụ từ phía khách hàng đóng vai trò quan trọng nhất trong
quá trình hình thành và phát triển của thị trường cũng như doanh nghiệp. Sự yêu cầu này thúc đẩy
các công ty phải tập trung vào việc phát triển những sản phẩm và dịch vụ mới để đáp ứng tốt hơn

2
nhu cầu của khách hàng. Thậm chí, một số nghiên cứu đã chỉ ra rằng việc thu hút một khách hàng
mới có thể đòi hỏi chi phí gấp từ 5 đến 6 lần so với việc duy trì một khách hàng hiện có (Colgate &
Danaher, 2000). Điều này ánh sáng lên sự quan trọng của việc duy trì khách hàng hiện có và tạo
điều kiện thuận lợi để họ tiếp tục sử dụng sản phẩm và dịch vụ của doanh nghiệp.

Tuy tầm quan trọng của việc thu hút khách hàng mới không thể phủ nhận, nhưng các ngân
hàng và ngành công nghiệp khác nhận thấy rằng chi phí để thu hút khách hàng mới thường cao hơn
nhiều so với việc duy trì khách hàng hiện tại. Điều này thúc đẩy các ngân hàng và doanh nghiệp
phụ thuộc vào sự khách hàng phải xem xét và tối ưu hóa cơ sở dữ liệu của họ để dự đoán hành vi
của khách hàng một cách tự động. Trong bối cảnh này, việc mất đi khách hàng đứng ra như một
trong những thách thức quan trọng nhất đối với ngành ngân hàng. Việc này không chỉ ảnh hưởng
đến thu nhập từ nhiều nguồn khác nhau và các khoản phí (bao gồm cả tiền gửi không kỳ hạn và phí
chuyển tiền), mà còn gây ra tác động quan trọng đối với nguồn thu nhập chính từ việc cung cấp
tiền gửi không kỳ hạn.

Nhận thấy khách hàng rời bỏ có thể gây ra tác động nghiêm trọng tới doanh thu và lợi
nhuận, các doanh nghiệp đang tập trung vào việc duy trì khách hàng hiện có. Điều này được thể
hiện qua việc chi phí duy trì một khách hàng hiện tại thường thấp hơn nhiều so với việc tìm kiếm
và thu hút khách hàng mới. Điều này đặt ra một sự cần thiết lớn cho việc hiểu rõ và duy trì mối
quan hệ tốt với khách hàng. Trong lĩnh vực ngân hàng, hiện tượng khách hàng rời bỏ đề cập đến
việc một khách hàng không còn sử dụng dịch vụ của một ngân hàng và chuyển sang một ngân
hàng khác. Để ngăn chặn điều này, các ngân hàng thường xuyên kiểm tra giao dịch của khách hàng
để phát hiện các tín hiệu cảnh báo về hành vi rời bỏ trước khi tình huống xảy ra.

Với thách thức nghiêm trọng của việc khách hàng rời bỏ trong ngành ngân hàng, quản lý rời
bỏ đã trở thành một phần không thể tách rời của quản lý quan hệ khách hàng (CRM). Các ngân
hàng cần thực hiện các biện pháp nhằm ngăn chặn hoặc giảm thiểu tình trạng khách hàng rời bỏ
thông qua việc triển khai các chương trình giữ chân khách hàng. Điều này cũng giúp xây dựng mối
quan hệ lâu dài và tối đa hóa giá trị của cơ sở khách hàng. Sự mất khách hàng đặt ra mối quan tâm
nghiêm trọng đối với các ngân hàng, bởi vì nó gây ra sự suy giảm trong doanh thu của ngành. Để
đối phó với vấn đề này, các ngân hàng đang nỗ lực xác định những khách hàng có khả năng rời bỏ
dịch vụ của họ cao nhất. Sử dụng dữ liệu giao dịch của khách hàng để dự đoán tình trạng rời bỏ có

3
thể giúp tối ưu hóa các chiến lược kinh doanh và thiết lập các chương trình thưởng để tạo lòng
trung thành từ phía khách hàng.

Mặc dù việc này có thể tạo ra sự thu hút phù hợp đối với khách hàng của Ngân hàng, nhưng
để hiệu quả, Ngân hàng cần phải sâu rộng hiểu biết về các hành vi biến đổi của khách hàng. Dựa
trên sự hiểu biết này, chúng ta có thể xây dựng kế hoạch phù hợp để duy trì và củng cố mối quan
hệ với khách hàng. Trong bối cảnh ngành ngân hàng, khách hàng không chỉ là những người sử
dụng dịch vụ mà còn là trụ cột chính của hoạt động kinh doanh. Tất cả các chiến lược và kế hoạch
đều xoay quanh mục tiêu thu hút khách hàng mới, duy trì khách hàng hiện có và tối ưu hóa mức độ
hài lòng của họ.

Đã có nhiều Ngân hàng chuyển từ việc tập trung vào chiến lược ưu đãi, mục tiêu là bán ra
nhiều ưu đãi nhất có thể, sang việc tập trung vào duy trì khách hàng bằng cách giảm tỷ lệ rời bỏ
một cách rõ ràng. Tuy nhiên, một trong những thách thức phức tạp nhất trong việc ngăn chặn hiện
tượng khách hàng rời bỏ đối với Ngân hàng là việc đó không chỉ thuộc về một bộ phận hay người
đơn lẻ nào. Điều này có nghĩa rằng, không có người hoặc bộ phận duy nhất nào có thể đảm nhận
trách nhiệm này một mình.

Cần phải nhấn mạnh rằng việc giảm tỷ lệ khách hàng rời bỏ là một thách thức đòi hỏi sự
cộng tác giữa các bộ phận khác nhau của tổ chức. Mỗi bộ phận này đều có công cụ và phương
pháp riêng, và chúng không phải lúc nào cũng phù hợp với tình hình cụ thể và chiến lược tổng thể.
Ngoài ra, để thành công trong việc giảm tỷ lệ rời bỏ, doanh nghiệp cần phải thiết lập một tập hợp
các sự kiện hoặc nguyên tắc được chia sẻ để hiểu rõ hơn về khách hàng và cách họ tương tác với
sản phẩm và dịch vụ.

Nhìn chung, các chiến lược để giảm tỷ lệ rời bỏ mà chúng ta đã mô tả trong phần trước, bao
gồm cải tiến sản phẩm, chiến dịch tương tác, hỗ trợ khách hàng, quá trình bán hàng và chiến lược
định giá. Tuy nhiên, việc giảm tỷ lệ rời bỏ đòi hỏi sự gắn kết và tương tác giữa các bộ phận trong
Ngân hàng. Nếu không được quản lý cẩn thận, các bộ phận khác nhau trong doanh nghiệp có thể
áp dụng các phương pháp tiếp cận một cách không đồng nhất để giảm tình trạng khách hàng rời
bỏ. Ví dụ, việc các bộ phận sản phẩm và tiếp thị quyết định tập trung vào việc khuyến khích việc
sử dụng các tính năng hoặc nội dung khác nhau có thể tạo ra tác động ngược lại. Thậm chí, những
quyết định này có thể dựa trên thông tin hạn chế hoặc không chính xác. Bởi vì họ không phải là
chuyên gia dữ liệu, không thể đảm bảo rằng những lựa chọn được đưa ra bởi các bộ phận riêng lẻ

4
sẽ được dẫn dắt bởi dữ liệu chính xác. Hơn nữa, trong một tình huống điển hình, người cung cấp
dữ liệu thường không có khả năng tác động trực tiếp lên kết quả kinh doanh cụ thể (như doanh
thu), trong khi những người trong các vai trò khác thường có. Từ góc nhìn của những người làm
việc với dữ liệu, Ngân hàng là người cuối cùng sử dụng kết quả của việc phân tích dữ liệu. Vì vậy,
cách tốt nhất để biến dữ liệu về hành vi chính của khách hàng thành một công cụ hữu ích trong
cuộc chiến đấu chống lại sự rời bỏ là phát triển một mô hình học máy để dự đoán hành vi của
khách hàng trước khi họ rời bỏ. Điều này cho phép doanh nghiệp xây dựng kế hoạch kịp thời để
ngăn chặn sự rời bỏ và duy trì việc sử dụng dịch vụ của họ.

Trong thời đại hiện nay, phương pháp khai thác dữ liệu, như kỹ thuật học máy, đã trở thành
một công cụ quan trọng trong việc dự đoán và xử lý tình trạng khách hàng rời bỏ trong lĩnh vực
các Ngân hàng cạnh tranh, cung cấp thông tin quý báu để giải quyết vấn đề này. Khi các thuật toán
máy học được huấn luyện bằng dữ liệu được thu thập từ các giao dịch của khách hàng, thông tin
hữu ích trong dữ liệu có thể được khám phá, và các thách thức mà ngành ngân hàng đang đối mặt
có thể được giải quyết thông qua việc tìm ra các mẫu thông thường, mối quan hệ nguyên nhân- kết
quả và các mối liên hệ với thông tin kinh doanh. Có khả năng dự đoán xem một khách hàng có khả
năng hủy đăng ký dịch vụ của một ngân hàng hay không cũng là một khía cạnh quan trọng. Điều
này đặc biệt quan trọng vì nó giúp các nhà lãnh đạo ngân hàng xác định được những khách hàng có
nguy cơ rời bỏ và đánh giá xem việc duy trì mối quan hệ với họ có đáng để đầu tư hay không.
Nhiều nghiên cứu đã chứng minh rằng việc áp dụng các mô hình học máy để dự đoán tình trạng rời
bỏ là vô cùng quan trọng trong việc thực hiện các chiến lược quản lý quan hệ khách hàng (CRM)
trong ngành ngân hàng và các ngành khác, từ đó nâng cao tỷ lệ giữ chân khách hàng.

Bước tiến vượt bậc trong công nghệ trong thập kỷ gần đây đã giúp các ngân hàng và tổ chức
dịch vụ khác thu thập và lưu trữ dữ liệu về khách hàng một cách toàn diện hơn và phân loại họ
thành các nhóm khách hàng có nguy cơ rời bỏ hoặc không. Tuy nhiên, dữ liệu bản thân nó không
có giá trị nếu không được phân tích để tiết lộ những thông tin ẩn chứa bên trong. Để trích xuất
thông tin hữu ích từ dữ liệu, cần sử dụng quy trình khai phá dữ liệu. Học máy, một phần của quy
trình khai phá dữ liệu, cho phép các tổ chức nghiên cứu hành vi của khách hàng, bao gồm cả tình
trạng rời bỏ trong đó khách hàng huỷ đăng ký hoặc chuyển đến ngân hàng cạnh tranh, gây thiệt hại
cho doanh thu và lợi nhuận của tổ chức. Các nhà nghiên cứu và tổ chức có sự phụ thuộc vào khách
hàng đã xác định nhu cầu khám phá mẫu và xu hướng trong dữ liệu và tạo ra dự đoán xem khách
hàng có khả năng là người sẽ rời bỏ hay không. Kiến thức quan trọng này cho phép các ngân hàng
5
duy trì sự hài lòng của khách hàng và giữ chân họ bằng cách thực hiện các chương trình tạo lòng
trung thành từ phía khách hàng, từ đó cải thiện mối quan hệ.

Nghiên cứu thực hiện bởi Nhi N. Y. Vo và đồng nghiệp (Vo et al., 2018) đã tiến xa hơn
trong việc khai thác dữ liệu phi cấu trúc từ nhật ký cuộc gọi của khách hàng để xây dựng một mô
hình dự báo khả năng rời bỏ. Thay vì chỉ đơn thuần thu thập dữ liệu về cuộc gọi, nghiên cứu này
đã áp dụng những kỹ thuật tiên tiến trong lĩnh vực xử lý ngôn ngữ tự nhiên (NLP) để phân tích,
xác định các đặc trưng và biểu diễn dữ liệu gọi một cách thông tin hóa. Khi kết hợp thông tin này
với các thông tin cấu trúc khác như lịch sử giao dịch và hành vi của khách hàng, mô hình dự đoán
đã trở nên phức tạp hơn và hiệu quả hơn trong việc xác định khả năng khách hàng rời bỏ.

Trong phần nghiên cứu của Kuo-Hsiung Liao và Hao-En Chueh (Liao & Chueh, 2011), họ
đã sử dụng một khía cạnh độc đáo và cụ thể trong việc áp dụng nguyên tắc "fuzzy logic" (lý thuyết
mờ) vào việc phân tích dữ liệu. Thay vì dựa vào các mô hình logic truyền thống, họ đã xây dựng
một mô hình tiếp thị linh hoạt, có khả năng xử lý sự không rõ ràng và mờ mịt trong dữ liệu. Điều
này cho phép họ xác định sự tương quan phức tạp giữa các hoạt động tiếp thị khác nhau trong lĩnh
vực viễn thông và thiết lập các chiến lược tiếp thị phù hợp cho từng nhóm khách hàng. Mô hình
này không chỉ cung cấp cái nhìn tổng quan về tình hình tiếp thị, mà còn tập trung vào sự đa dạng
của khách hàng và các biến thể trong hành vi của họ.

James Brownlow và đồng nghiệp (Brownlow et al., 2018) đã giới thiệu một phương pháp
đột phá trong việc dự đoán sự rời bỏ trong lĩnh vực quản lý quỹ và tiến hành triển khai nó tại một
công ty quản lý quỹ ở Úc. Họ đã xây dựng một khung lấy mẫu dựa trên học tập đồng bộ, kết hợp
với cơ chế trọng số mới dựa trên số dư tài khoản. Mục tiêu của phương pháp này là giải quyết
những vấn đề mất cân bằng và nhạy cảm về chi phí khi làm việc với dữ liệu tài chính phức tạp.
Nghiên cứu cũng trình bày những bước thực tế để triển khai mô hình này, tập trung vào cách tổng
hợp và khai thác dữ liệu từ nhiều nguồn khác nhau để tạo ra một cái nhìn toàn diện về khách hàng.

Floris Devriendt và đồng nghiệp (Devriendt, Berrevoets, & Verbeke, 2021) đã đưa ra một
phương pháp đánh giá mới, tập trung vào khía cạnh lợi nhuận, được gọi là "thước đo tăng cường
lợi nhuận tối đa." Phương pháp này mở rộng thước đo lợi nhuận tối đa để áp dụng cho các mô hình
dự đoán tỷ lệ rời bỏ khách hàng. Bằng cách làm như vậy, họ cho phép đánh giá hiệu suất của
những mô hình có khả năng nâng cao tỷ lệ rời bỏ khách hàng. Thước đo này định lượng lợi nhuận
tối đa mà một mô hình nâng cao có thể mang lại, tập trung vào lợi ích trực tiếp từ việc duy trì

6
khách hàng trong cơ sở khách hàng hiện có. Nghiên cứu cũng chỉ ra rằng khả năng của mô hình
nâng cao trong việc xác định khách hàng "có thể thuyết phục" (các khách hàng gần như sẽ rời bỏ
nhưng có khả năng được giữ lại thông qua chiến dịch duy trì) góp phần tạo ra lợi nhuận tối ưu từ
việc duy trì cơ sở khách hàng. Điều này tiếp tục thể hiện sự quan trọng của việc xây dựng các mô
hình dự đoán rời bỏ có khả năng thực hiện chính xác và chiến lược hóa việc duy trì mối quan hệ
với khách hàng trong môi trường kinh doanh hiện nay.

Nghiên cứu của D. Vélez và A. Ayuso (Vélez, Ayuso, Perales-González, & Rodríguez,
2020) đã đưa ra một phương pháp tiên tiến để lựa chọn biến quan trọng trong bối cảnh hồi quy
logistic, đặc biệt là trong việc xây dựng mô hình dự đoán sự rời bỏ. Phương pháp này tập trung vào
khả năng diễn giải của mô hình dự đoán và sử dụng các biến Weight of Evidence (WOE). Nghiên
cứu đã giới thiệu một định nghĩa mới cho các biến WOE cho mục tiêu thứ tự. Điều này giúp tránh
một số vấn đề thường gặp khi sử dụng các biến giả nhị phân để phân biệt các biến đầu vào. Đặc
biệt, việc áp dụng biến WOE giúp đơn giản hóa quá trình lựa chọn biến, tạo điều kiện thuận lợi cho
việc tiến hành các bước lựa chọn tiếp theo. Một đặc điểm quan trọng của phương pháp này là sự cụ
thể trong việc xác định các biến WOE. Các biến WOE không chỉ đơn giản là trung bình của mục
tiêu, mà thay vào đó là sự tổ hợp có trọng số của mục tiêu đòi hỏi chúng phải có liên quan tích cực
hoặc trực tiếp đến tỷ lệ cược log của mục tiêu. Điều này giúp xác định mức độ mà mỗi biến ảnh
hưởng đến mục tiêu dự đoán. Tính năng này có tầm quan trọng đặc biệt trong quá trình lựa chọn
biến theo từng bước kinh doanh, khi nó giúp nâng cao khả năng diễn giải của mô hình. Điều này
đồng thời đảm bảo rằng người dùng có một biểu thức chính xác về mối liên hệ giữa các biến đầu
vào và mục tiêu dự đoán. Phương pháp này cung cấp một khung lựa chọn biến rất hữu ích trong
việc xây dựng mô hình dự đoán sự rời bỏ, đặc biệt trong ngữ cảnh ra quyết định. Việc giải thích
kết quả dễ dàng hơn và khả năng dự đoán cạnh tranh cao là những ưu điểm nổi bật của chiến lược
mô hình hóa này.

9. Nhu cầu/sự cần thiết nghiên cứu (300 đến 500 từ)

Hiện trạng và Bối cảnh: Trong thời đại số hóa và phát triển không ngừng của công nghệ,
lĩnh vực ngân hàng đã trải qua những biến đổi sâu sắc trong cách quản lý, phân tích và xử lý dữ
liệu. Với sự bùng nổ của internet và trí tuệ nhân tạo, việc thu thập và lưu trữ dữ liệu về khách hàng
đã trở nên quy mô lớn và đa dạng hơn bao giờ hết. Tuy nhiên, một vấn đề đang đặt ra là khả năng

7
dự đoán và ngăn chặn sự rời bỏ khách hàng, một thách thức quan trọng đối với ngành ngân hàng
hiện nay.

Tầm quan trọng của Sự Rời bỏ Khách hàng: Khách hàng rời đi có thể dẫn đến những tác
động lớn đến tài chính và danh tiếng của ngân hàng. Sự rời bỏ không chỉ ảnh hưởng đến khả năng
thanh khoản của ngân hàng mà còn thay đổi cấu trúc chi phí và có thể làm giảm lợi nhuận. Khả
năng dự đoán và đối phó kịp thời với sự rời bỏ khách hàng sẽ giúp ngân hàng duy trì sự ổn định và
phát triển bền vững.

Tiềm năng của Máy học trong Dự đoán Rời bỏ Khách hàng: Máy học và học máy là
những công nghệ đang tạo ra những cơ hội mới trong việc phân tích dữ liệu lớn và dự đoán hành vi
khách hàng. Nhờ vào khả năng học từ dữ liệu, các thuật toán máy học có thể xác định các mẫu ẩn
và mối quan hệ phức tạp trong dữ liệu. Điều này làm cho máy học trở thành công cụ mạnh để dự
đoán sự rời bỏ khách hàng dựa trên hành vi sử dụng dịch vụ.

Mối liên quan giữa hành vi sử dụng và Sự Rời bỏ: Hành vi sử dụng dịch vụ là nguồn
thông tin quý báu để hiểu rõ khách hàng và dự đoán hành vi tương lai của họ. Sự tương tác của
khách hàng với các dịch vụ, giao dịch, tương tác trực tuyến và thông tin tài chính có thể cung cấp
thông tin rất cần thiết để xác định khả năng rời bỏ. Mô hình học máy có thể phân tích dữ liệu này
để xác định các chỉ số, dấu hiệu và mẫu có thể liên quan đến sự rời bỏ.

Hướng tiếp cận Nghiên cứu: Nghiên cứu này tập trung vào việc kết hợp dữ liệu hành vi sử
dụng dịch vụ của khách hàng với kỹ thuật học máy để dự đoán sự rời bỏ. Dữ liệu này bao gồm các
giao dịch tài chính, hoạt động trực tuyến, tương tác với dịch vụ và các thông tin liên quan khác.
Các mô hình học máy sẽ được huấn luyện và tinh chỉnh để phát hiện mẫu, dấu hiệu và chỉ số có thể
dự đoán khách hàng có nguy cơ rời bỏ.

Lợi ích dự kiến: Kết quả của nghiên cứu sẽ cung cấp cho ngân hàng cái nhìn tổng quan về
hành vi khách hàng và các yếu tố dẫn đến sự rời bỏ. Thông qua việc áp dụng mô hình dự đoán,
ngân hàng có thể đưa ra các biện pháp trước khi sự rời bỏ xảy ra, chẳng hạn như cải thiện dịch vụ
hoặc tạo ra ưu đãi tùy chỉnh. Điều này giúp tăng cường lòng trung thành của khách hàng và duy trì
sự ổn định tài chính cho ngân hàng.

Phạm vi và tầm quan trọng của Nn hiên cứu: Phạm vi của nghiên cứu bao gồm việc áp
dụng học máy để dự đoán sự rời bỏ khách hàng dựa trên dữ liệu hành vi sử dụng dịch vụ. Nghiên

8
cứu này có thể cung cấp những thông tin quý báu cho các quản lý ngân hàng và các chuyên gia tài
chính để tạo ra các chiến lược duy trì khách hàng hiệu quả và cải thiện lợi nhuận.

10. Câu hỏi nghiên cứu / Mục tiêu nghiên cứu / Giả thuyết nghiên cứu / Phạm vi nghiên cứu
(200 đến 500 từ)

Câu hỏi nghiên cứu chính mà nghiên cứu này tập trung giải quyết là: "Làm thế nào chúng ta
có thể sử dụng phương pháp máy học để dự đoán khách hàng có khả năng rời bỏ dịch vụ ngân
hàng dựa trên hành vi sử dụng dịch vụ của họ?"

Mục tiêu cụ thể của nghiên cứu này là:

 Phát triển và tối ưu hóa các mô hình học máy, bao gồm các mô hình hồi quy logistic, cây
quyết định, và mạng neural, để dự đoán khách hàng có nguy cơ rời bỏ dịch vụ ngân hàng.
 Sử dụng các phương pháp tiền xử lý dữ liệu như chuẩn hóa, mã hóa biến, và xử lý dữ liệu
thiếu để tối ưu hóa hiệu suất của mô hình.
 Đánh giá hiệu suất của các mô hình dự đoán thông qua các chỉ số như độ chính xác, độ nhạy,
độ đặc hiệu và F1-score trên tập dữ liệu kiểm tra.
 Nghiên cứu cách thức tích hợp kết quả từ mô hình vào quy trình quản lý khách hàng của
ngân hàng để giúp định hình chiến lược duy trì và tương tác với khách hàng.

Giả định của nghiên cứu:

 Tính ổn định của hành vi khách hàng: Giả định rằng hành vi khách hàng trong lĩnh vực ngân
hàng có một mức độ ổn định trong một khoảng thời gian xác định. Điều này đồng nghĩa với
việc các mô hình dự đoán sẽ xem xét khả năng rời bỏ dựa trên sự ổn định của hành vi khách
hàng qua thời gian. Ví dụ, nếu một khách hàng thường xuyên thực hiện giao dịch hàng tháng
trong một khoảng thời gian dài, mô hình có thể giả định họ có khả năng tiếp tục hành vi này
trong tương lai.
 Tương quan giữa hành vi và tình hình tài chính: Giả định rằng có một mối quan hệ tương
quan giữa hành vi sử dụng dịch vụ ngân hàng và tình hình tài chính của khách hàng. Mô
hình sẽ cố gắng tìm ra các mẫu hoặc xu hướng tương quan giữa việc giao dịch, sử dụng sản
phẩm và dịch vụ ngân hàng với tình hình thu nhập, tiết kiệm, và các yếu tố tài chính khác
của khách hàng.
 Tính biến động và thay đổi của hành vi: Giả định rằng hành vi khách hàng có thể thay đổi
theo thời gian hoặc do các yếu tố ngoại lai như thay đổi trong cuộc sống cá nhân hoặc tình

9
 hình kinh tế. Mô hình cần phải xác định khả năng dự báo các biến đổi này để cung cấp dự
đoán chính xác hơn về khả năng rời bỏ.
 Tương quan với các sự kiện và chiến dịch tiếp thị: Giả định rằng sự kiện và chiến dịch tiếp
thị có thể ảnh hưởng đến hành vi sử dụng dịch vụ của khách hàng. Mô hình cần xác định
tương quan giữa việc khách hàng tham gia vào các chiến dịch tiếp thị hoặc phản hồi với các
sự kiện nhất định và khả năng họ sẽ rời bỏ dịch vụ.
 Tính tương quan với sự hài lòng và tương tác khách hàng: Giả định rằng mức độ hài lòng và
tương tác của khách hàng với ngân hàng có ảnh hưởng đến hành vi sử dụng dịch vụ và khả
năng rời bỏ. Mô hình sẽ cố gắng phân tích tương quan giữa việc khách hàng gửi phản hồi,
tham gia khảo sát, hoặc có các tương tác với ngân hàng và khả năng họ sẽ tiếp tục sử dụng
dịch vụ.

Nghiên cứu này sẽ tập trung vào:

 Thu thập và sử dụng dữ liệu hành vi sử dụng dịch vụ từ một ngân hàng cụ thể để xây dựng
và đánh giá các mô hình.
 Không sử dụng dữ liệu từ nhiều nguồn hoặc ngân hàng khác nhau để đảm bảo tính nhất quán
của dữ liệu.
 Áp dụng các mô hình học máy truyền thống và tiền xử lý dữ liệu để nâng cao hiệu suất dự
đoán.
 Đề xuất cách tích hợp kết quả từ các mô hình vào quy trình quản lý khách hàng của ngân
hàng một cách hiệu quả.

Tóm lại, nghiên cứu này tập trung vào việc áp dụng phương pháp máy học để dự đoán khách
hàng rời bỏ dịch vụ ngân hàng dựa trên hành vi sử dụng dịch vụ của họ, với mục tiêu cải thiện khả
năng dự đoán và cung cấp thông tin hữu ích cho quá trình quản lý khách hàng.

11. Tóm tắt nội dung đề tài (các chương, mục, tiểu mục)

Sự bùng nổ của internet và sự tiến bộ vượt bậc của trí tuệ nhân tạo đã chuyển đổi hoàn toàn
cách Ngân hàng quản lý, phân tích và xử lý dữ liệu. Trong danh mục này, việc giải quyết vấn đề về
khách hàng rời bỏ trở nên cấp thiết hơn bao giờ hết. Hiện tại, một trong những khía cạnh phức tạp
nhất là khả năng xác định và phát hiện sớm khách hàng đang tích cực cân nhắc việc chấm dứt mối
quan hệ với Ngân hàng. Sự rời bỏ này không chỉ đơn thuần là việc đóng tài khoản tại Ngân hàng,
mà còn tạo ra những tác động mạnh mẽ đến hệ thống tài chính cá nhân của họ.

10
 Với mức độ liên quan mật thiết giữa sản phẩm dịch vụ của Ngân hàng và tài sản tài chính
của khách hàng, sự rời bỏ có thể gây ra hậu quả không mấy lường trước được đến khả năng thanh
khoản của Ngân hàng. Đặc biệt, trong bối cảnh hàng triệu khách hàng truy cập Ngân hàng để thực
hiện các giao dịch trung bình hàng ngày (đặc biệt ở thị trường Việt Nam), việc chăm sóc và duy trì
sự tương tác cá nhân để nhận biết kịp thời các tín hiệu đáng chú ý từ khách hàng có thể rời bỏ là vô
cùng phức tạp.

Để đối phó với tình hình này, một hướng tiếp cận đã được đề xuất - sử dụng sự tiến bộ của
trí tuệ nhân tạo, đặc biệt là học máy. Mục tiêu là xây dựng một hệ thống nhận biết khách hàng có
khả năng rời bỏ thông qua việc phân tích thông tin về hành vi mà Ngân hàng thu thập và lưu trữ từ
khách hàng. Điều này tạo cơ hội để Ngân hàng phát triển các chiến lược quản lý khách hàng chính
xác và tối ưu hơn, dựa trên việc dự đoán cách mà khách hàng có thể phản ứng trong tương lai.

Tóm lại, ngày nay, sự kết hợp của khoa học công nghệ AI và học máy đã mở ra khả năng tối
ưu hóa việc quản lý, duy trì và tương tác với khách hàng, đặc biệt là khi đối mặt với thách thức
khách hàng rời bỏ. Việc ứng dụng học máy để nhận biết và dự đoán các tín hiệu rời bỏ có thể mang
lại lợi ích lớn cho Ngân hàng trong việc xây dựng chiến lược quản lý khách hàng mục tiêu và hiệu
quả hơn.

CHƯƠNG 1: GIỚI THIỆU ĐỀ TÀI

1.1. Cơ sở hình thành đề tài
1.2. Mục tiêu nghiên cứu
1.3. Đối tượng nghiên cứu
1.4. Phạm vi nghiên cứu
1.5. Phương pháp nghiên cứu
1.6. Ý nghĩa khoa học hoặc thực tiễn
1.7. Kết cấu luận văn
CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VÀ TỔNG QUAN NGHIÊN CỨU
2.1. Khái niệm cơ bản về khách hàng rời bỏ dịch vụ Ngân hàng
2.1.1. Định nghĩa khách hàng rời bỏ

11
 2.1.2. Cơ sở lý thuyết xác định khách hàng rời bỏ
2.1.2.1 Độ đo đánh giá khách hàng rời bỏ

2.1.2.2 Tỷ lệ duy trì khách hàng

2.1.2.3 Mối quan hệ giữa tỷ lệ duy trì và tỷ lệ khách hàng rời bỏ

2.1.2.4 Các Phương pháp xác định tỷ lệ rời bỏ

2.1.3. Dự đoán khách hàng rời bỏ

2.2. Các mô hình học máy
2.2.1. Máy học
2.2.2. Các giải thuật
2.2.2.1 Logistic regression

2.2.2.2 Decision tree

2.2.2.3 Random Forests

2.2.2.4 XGboost

2.3. Tình hình Nghiên cứu liên quan

2.3.1. Các nghiên cứu liên quan
2.3.2. Phân tích và đánh giá các nghiên cứu
2.4. Môi trường thực hiện
CHƯƠNG 3: ĐỀ XUẤT MÔ HÌNH
3.1. Đề xuất mô hình dự báo khách hàng rời bỏ Ngân hàng
3.1.1. Khung làm việc tổng quát
3.1.2. Giả định của mô hình
3.1.3. Diễn giải quy trình
3.2. Mô tả dữ liệu
3.2.1. Thu thập dữ liệu
3.2.2. Phương pháp định nghĩa các tiêu chí
3.2.3. Tiền xử lý dữ liệu
3.2.3.1 Xử lý các dữ liệu trống

3.2.3.2 Xử lý các dữ liệu có giá trị ngoại lai

12
 3.2.3.3 Các xử lý dữ liệu khác

3.2.3.4 Khám phá dữ liệu

3.2.4. Xác định mối quan hệ giữa biến phụ thuộc và biến độc lập
3.2.4.1 Xác định biến mục tiêu (Performance windows)

3.2.4.2 Phân tích đơn biến

3.3. Xây dựng mô hình

CHƯƠNG 4: ĐÁNH GIÁ KẾT QUẢ VÀ BÀN LUẬN
4.1. Phương pháp lựa chọn và đánh giá mô hình
4.2. Lựa chọn mô hình tốt cho bài toán dự đoán khách hàng rời bỏ Ngân hàng
4.2.1. Kết quả mô hình:
4.2.1.1 Mô hình Logistic Regression

4.2.1.2 Mô hình Decision Tree

4.2.1.3 Mô hình RandomForest

4.2.1.4 Mô hình Xgboost.

4.2.2. Đánh giá mô hình

4.3. Hiện thực hóa Mô hình
CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
5.1. Kết luận
5.2. Hạn chế và hướng phát triển
5.2.1. Hạn chế
5.2.2. Hướng pháp triển
TÀI LIỆU THAM KHẢO

12. Phương pháp nghiên cứu (tối thiểu 1.000 từ)

Thu thập dữ liệu: Đầu tiên, dữ liệu liên quan đến hành vi sử dụng dịch vụ của khách hàng
được thu thập từ các nguồn khác nhau trong Ngân hàng. Các thông tin bao gồm lịch sử giao dịch,
tần suất giao dịch, số tiền giao dịch, dịch vụ sử dụng, thông tin cá nhân, và bất kỳ dữ liệu nào có
thể liên quan đến việc khách hàng rời bỏ.

13
 - Tiền xử lý dữ liệu: Dữ liệu thu thập được thường cần được làm sạch và tiền xử lý trước khi
đưa vào mô hình máy học. Các bước này bao gồm xử lý dữ liệu thiếu, loại bỏ nhiễu, chuẩn
hóa dữ liệu và mã hóa dữ liệu không dạng số thành dạng số để máy tính có thể hiểu.
- Xây dựng mô hình: Sử dụng các kỹ thuật học máy như học tăng cường, học sâu, hoặc học có
giám sát để xây dựng mô hình dự đoán khách hàng có khả năng rời bỏ. Các biến độc lập
được sử dụng để dự đoán có thể là các thông số từ hành vi giao dịch, tần suất sử dụng dịch
vụ, thông tin cá nhân, và bất kỳ biến nào có khả năng ảnh hưởng đến quyết định rời bỏ.
- Chia tập dữ liệu: Dữ liệu được chia thành tập huấn luyện và tập kiểm tra để đánh giá hiệu
suất của mô hình. Tập huấn luyện được sử dụng để đào tạo mô hình, trong khi tập kiểm tra
được sử dụng để đánh giá khả năng dự đoán của mô hình trên dữ liệu mới.
- Đào tạo và đánh giá mô hình: Mô hình được đào tạo trên tập dữ liệu huấn luyện và sau đó
đánh giá trên tập dữ liệu kiểm tra. Các thước đo như độ chính xác, độ phủ, F1-score và
AUC-ROC được sử dụng để đánh giá hiệu suất của mô hình.
- Tinh chỉnh mô hình: Dựa trên kết quả đánh giá, mô hình có thể được điều chỉnh bằng cách
thay đổi các tham số và kiến trúc của mô hình để cải thiện hiệu suất.
- Dự đoán và ứng dụng: Khi mô hình đã được đào tạo và tinh chỉnh, nó có thể được sử dụng
để dự đoán khách hàng có khả năng rời bỏ trong tương lai dựa trên dữ liệu mới. Thông tin
này có thể được sử dụng để xây dựng các chiến lược quản lý khách hàng để giữ chân và tăng
cường tương tác.
- Liên tục cập nhật mô hình: Mô hình cần được liên tục cập nhật khi có thêm dữ liệu mới để
đảm bảo rằng nó vẫn đạt được hiệu suất tốt trong việc dự đoán và đáp ứng các biến đổi trong
hành vi của khách hàng.

Tóm lại, phương pháp nghiên cứu Dự đoán khách hàng rời bỏ dựa trên hành vi sử dụng dịch
vụ Ngân hàng bằng phương pháp máy học kết hợp các bước từ thu thập dữ liệu, tiền xử lý, xây
dựng mô hình, đào tạo và đánh giá, đến ứng dụng thực tế để nâng cao khả năng dự đoán và quản lý
khách hàng. Các bước này hỗ trợ Ngân hàng trong việc dự đoán khách hàng có nguy cơ rời bỏ dịch
vụ thông qua phân tích hành vi sử dụng dịch vụ bằng cách sử dụng các thuật toán máy học, từ đó
tối ưu hóa chiến lược quản lý khách hàng và tăng cường tương tác để giữ chân khách hàng.

13. Hiệu quả (200 đến 500 từ)

 Hiệu quả kinh tế - xã hội:

14
 Nghiên cứu về Dự đoán khách hàng rời bỏ dịch vụ Ngân hàng dựa trên hành vi sử dụng và
áp dụng phương pháp máy học mang lại nhiều hiệu quả kinh tế và xã hội quan trọng, đóng góp vào
sự phát triển bền vững của ngành tài chính và sự tăng cường mối quan hệ giữa Ngân hàng và khách
hàng. Dưới đây là một số hiệu quả chính của nghiên cứu này:

- Tối ưu hóa chiến lược quản lý khách hàng: Nghiên cứu giúp Ngân hàng hiểu rõ hơn về hành
vi sử dụng dịch vụ của khách hàng và xác định các dấu hiệu tiềm năng cho việc rời bỏ. Điều
này cho phép Ngân hàng áp dụng các chiến lược quản lý khách hàng đích danh hơn, tập
trung vào những khách hàng có nguy cơ cao hơn để giữ chân họ và tối ưu hóa tài nguyên.
- Tăng cường trải nghiệm khách hàng: Nhờ sử dụng phương pháp máy học để dự đoán rời bỏ,
Ngân hàng có khả năng cung cấp những trải nghiệm tùy chỉnh hơn cho từng khách hàng.
Điều này giúp cải thiện sự hài lòng của khách hàng và tạo ra môi trường tốt hơn để duy trì
mối quan hệ lâu dài.
- Giảm thiểu tổn thất doanh thu: Dự đoán và ngăn chặn khách hàng rời bỏ giúp Ngân hàng
duy trì doanh thu từ việc giữ chân khách hàng hiện tại. Việc giảm thiểu tổn thất doanh thu từ
việc rời bỏ có thể đóng góp đáng kể vào lợi nhuận của Ngân hàng.
- Tối ưu hóa tài nguyên: Nhờ sự dự đoán chính xác hơn về khách hàng có nguy cơ rời bỏ,
Ngân hàng có thể sử dụng tài nguyên như chiến dịch tiếp thị, quảng cáo và khuyến mãi một
cách hiệu quả hơn. Điều này giúp tiết kiệm chi phí và tối ưu hóa nguồn lực.
- Tăng cường cạnh tranh: Khả năng dự đoán và duy trì khách hàng có khả năng rời bỏ giúp
Ngân hàng cạnh tranh mạnh mẽ hơn trong thị trường ngân hàng cùng với việc cung cấp dịch
vụ tốt hơn và khả năng tùy chỉnh cao hơn.
- Nâng cao nghiên cứu và phát triển ngành: Nghiên cứu này đóng góp vào việc mở rộng phạm
vi nghiên cứu về ứng dụng của phương pháp máy học trong lĩnh vực tài chính và quản lý
khách hàng. Kết quả nghiên cứu có thể cung cấp cơ sở cho các nghiên cứu tương tự và thúc
đẩy sự phát triển của ngành.

Tóm lại, nghiên cứu Dự đoán khách hàng rời bỏ dựa trên hành vi sử dụng dịch vụ Ngân
hàng bằng phương pháp máy học mang lại nhiều lợi ích vượt trội về mặt kinh tế và xã hội, giúp tối
ưu hóa quản lý khách hàng, nâng cao trải nghiệm khách hàng và thúc đẩy phát triển ngành ngân
hàng.

 Hiệu quả giáo dục – đào tạo:

15
 Nghiên cứu về Dự đoán khách hàng rời bỏ dịch vụ Ngân hàng dựa trên hành vi sử dụng và
sử dụng phương pháp máy học không chỉ mang lại hiệu quả trong lĩnh vực tài chính mà còn có tác
động tích cực đối với giáo dục và đào tạo. Dưới đây là một số điểm về hiệu quả giáo dục – đào tạo
của nghiên cứu này:

- Cung cấp tài liệu học tập mới: Nghiên cứu cung cấp tài liệu và kiến thức mới về ứng dụng
của phương pháp máy học trong lĩnh vực ngân hàng và quản lý khách hàng. Điều này tạo cơ
hội cho các chương trình giáo dục – đào tạo cung cấp các khóa học mới về dự đoán rời bỏ và
ứng dụng của công nghệ trong ngành tài chính.
- Phát triển kỹ năng phân tích dữ liệu: Nghiên cứu sử dụng phương pháp máy học để dự đoán
rời bỏ, từ đó cung cấp một cơ hội để người học phát triển kỹ năng phân tích dữ liệu và ứng
dụng chúng trong việc giải quyết vấn đề thực tế.
- Thúc đẩy nghiên cứu học thuật: Kết quả của nghiên cứu này có thể thúc đẩy sự quan tâm và
nghiên cứu về lĩnh vực dự đoán khách hàng rời bỏ và ứng dụng máy học trong quản lý khách
hàng. Điều này có thể tạo cơ hội cho các cơ sở giáo dục và đào tạo phát triển thêm các
chương trình nghiên cứu mới về chủ đề này.
- Tạo cơ hội học tập thực tế: Nghiên cứu này mang đến một ví dụ thực tế về cách áp dụng máy
học trong ngành tài chính và quản lý khách hàng. Các chương trình giáo dục có thể sử dụng
ví dụ này để giúp học viên hiểu rõ hơn về ứng dụng thực tế của kiến thức học được.
- Phát triển giảng dạy sáng tạo: Các giảng viên có thể sử dụng kết quả của nghiên cứu này để
phát triển các phương pháp giảng dạy sáng tạo, kết hợp kiến thức về dự đoán rời bỏ và máy
học vào chương trình học tập.
- Nâng cao chất lượng đào tạo: Nhờ ứng dụng phương pháp máy học vào việc dự đoán rời bỏ,
nghiên cứu này có thể giúp cải thiện chất lượng đào tạo bằng cách giúp học viên phát triển
kỹ năng thực tế và ứng dụng kiến thức vào thị trường làm việc.

Tóm lại, nghiên cứu Dự đoán khách hàng rời bỏ dựa trên hành vi sử dụng dịch vụ Ngân
hàng bằng phương pháp máy học không chỉ góp phần vào lĩnh vực tài chính mà còn mang lại
nhiều lợi ích trong việc nâng cao hiệu quả giáo dục và đào tạo, thúc đẩy sự phát triển của ngành và
cung cấp sự kết nối giữa giáo dục và thực tế doanh nghiệp.

 Số sản phẩm khoa học của đề tài dự kiến công bố

16
 TT Sản phẩm Số Chất lượng
lượng (mô tả chi tiết chất lượng sản phẩm đạt
được như nội dung, hình thức, các chỉ
tiêu, thông số kỹ thuật, hạng tạp chí…)
Sản phẩm bắt buộc:
1 Báo cáo tổng hợp kết quả nghiên cứu của 1
đề tài
2 Bài báo khoa học 1
Sản phẩm khác (nếu có)
3 Hệ thống thông tin dữ liệu được thu thập 1
4 Sản phẩm đào tạo (sinh viên cao học, 1
nghiên cứu sinh)
5 sản phẩm khác (ghi rõ)
Ghi chú:
1. Báo cáo tổng hợp kết quả nghiên cứu của đề tài có tối thiểu các nội dung sau:
a. Mở đầu (bao gồm mục tiêu, câu hỏi hoặc giả thuyết nghiên cứu, phạm vi nghiên cứu), Tổng quan,
Phương pháp nghiên cứu, Kết quả nghiên cứu và thảo luận), Kết luận, Danh mục tài liệu tham
khảo, Phụ lục số liệu thống kê.
b. Độ dài tối thiểu 15 ngàn từ (không kể Mục lục, Danh mục tài liệu tham khảo và Phụ lục số liệu
thống kê).
2. Sản phẩm bài báo khoa học: phải đăng trên các tạp chí chuyên ngành trong danh mục của Hội đồng Chức
danh giáo sư nhà nước được tính 0,5 đến 1 điểm; hoặc phải đăng trong Kỷ yếu hội thảo khoa học cấp
trường trở lên.

14. Kinh phí thực hiện đề tài (triệu đồng): Chờ xét KP

15. Nội dung và tiến độ thực hiện

TT Nội dung nghiên cứu Sản phẩm đạt được Thời gian
(từ ngày … đến ngày
…)
1 <Trường bổ sung> <Trường bổ sung> <Trường bổ sung>
2 <Trường bổ sung> <Trường bổ sung> <Trường bổ sung>
3 <Trường bổ sung> <Trường bổ sung> <Trường bổ sung>
4 <Trường bổ sung> <Trường bổ sung> <Trường bổ sung>
5 <Trường bổ sung> <Trường bổ sung> <Trường bổ sung>

16. Danh mục tài liệu tham khảo

Brownlow, J., Chu, C., Fu, B., Xu, G., Culbert, B., & Meng, Q. (2018). Cost-
sensitive churn prediction in fund management services. Paper presented at the
International Conference on Database Systems for Advanced Applications.

17
 Colgate, M. R., & Danaher, P. J. J. J. o. t. A. o. m. S. (2000). Implementing a
customer relationship strategy: The asymmetric impact of poor versus excellent
execution. 28(3), 375-387.
Devriendt, F., Berrevoets, J., & Verbeke, W. J. I. S. (2021). Why you should stop
predicting customer churn and start using uplift models. 548, 497-515.
Gupta, S., Lehmann, D. R., & Stuart, J. A. (2004). Valuing customers. Journal of
marketing research, 41(1), 7-18.
Lee, E., Kim, B., Kang, S., Kang, B., Jang, Y., & Kim, H. K. J. I. T. o. G. (2018).
Profit optimizing churn prediction for long-term loyal customers in online games. 12(1),
41-53.
Li, Y., Hou, B., Wu, Y., Zhao, D., Xie, A., & Zou, P. J. J. o. B. R. (2021). Giant
fight: Customer churn prediction in traditional broadcast industry. 131, 630-639.
Liao, K.-H., & Chueh, H.-E. (2011). Applying fuzzy data mining to telecom churn
management. Paper presented at the International Conference on Intelligent Computing
and Information Science.
Reichheld, F. F. J. H. b. r. (1996). Learning from customer defections. 74(2), 56-67.
Rosa, N. B. d. C. (2019). Gauging and foreseeing customer churn in the banking
industry: a neural network approach.
Silveira, L. J., Pinheiro, P. R., Junior, L. S. d. M. J. J. o. R., & Management, F.
(2021). A Novel Model Structured on Predictive Churn Methods in a Banking
Organization. 14(10), 481.
Vafeiadis, T., Diamantaras, K. I., Sarigiannidis, G., Chatzisavvas, K. C. J. S. M. P.,
& Theory. (2015). A comparison of machine learning techniques for customer churn
prediction. 55, 1-9.
Vo, N. N., Liu, S., Brownlow, J., Chu, C., Culbert, B., & Xu, G. (2018). Client
churn prediction with call log analysis. Paper presented at the International Conference
on Database Systems for Advanced Applications.

18
 Vélez, D., Ayuso, A., Perales-González, C., & Rodríguez, J. T. J. K.-B. S. (2020).
Churn and Net Promoter Score forecasting for business decision-making through a new
stepwise regression methodology. 196, 105762.

Ngày tháng năm 2023 Ngày tháng năm 2023

Chủ nhiệm đề tài Trưởng/Phó đơn vị chủ trì
(ký tên, ghi rõ Họ và tên) (ký tên, ghi rõ Họ và tên)

TS. Nguyễn Quốc Hùng

Ngày tháng năm 2023
Hiệu trưởng

19