Giới thiệu Nền tảng Phân

tích dữ liệu
VIETTEL SOLUTIONS
Nội dung 1. Thực trạng của một số doanh nghiệp

2. Nền tảng xử lý dữ liệu VDP

3. Nền tảng Customer Data Platform

4. Năng lực của Viettel

5. Một số usecase đề xuất

 THỰC TRẠNG
01 CỦA DOANH
NGHIỆP
 01. Thực trạng của một số Doanh nghiệp
Các vấn đề đối với các Doanh nghiệp

Hoạt động điều hành chưa tốt

02 -
-
-
Thủ công
Ra quyết định sai
Chậm trễ
- …

Thiếu bức tranh

về tình hình kinh doanh 01

03 Không hiểu
chân dung Khách hàng

4
 01. Thực trạng của một số Doanh nghiệp
Các nhu cầu của Doanh nghiệp Hiểu chân dung Khách hàng

KH rời Phân
mạng nhóm

02
Phát Độ hài
hiện lòng
gian lận

Góc nhìn về kinh doanh

KH có Profile

01
tiềm KH
Hiệu Dự năng
Quả Báo

Biến
Động
Gia tăng lợi nhuận

03
- Recommend sản phẩm dịch
vụ phù hợp với từng khách
hàng
- Tối ưu hành trình khách hang
để gia tăng thêm Conversion
rate
- …

5
 01. Thực trạng của một số Doanh nghiệp
Giải pháp cho Doanh nghiệp

o Báo cáo / dashboard tự động & kịp thời

Góc nhìn về
01 DỮ LIỆU
o
o
Phân tích & dự báo kết quả kinh doanh
Phân tích để hiểu rõ xu hướng sử dụng sản tình hình kinh doanh
phẩm/ dịch vụ

o Phân loại khách hàng

o Phân tích khách hàng tiềm năng Hiểu
02 DỮ LIỆU o
o
Giữ chân khách hàng có nguy cơ rời mạng
Phát hiện và ngăn chặn hành vi gian lận
chân dung Khách hàng

o Phân tích sắc thái cảm xúc của khách hàng

o Đưa ra gợi ý sử dụng sản phẩm phù hợp

Customer 360 Gia tăng
tới cá nhân, bao gồm cả KH tiềm năng
lợi nhuận từ Khách
03 DỮ LIỆU o Phân tích hành trình khách hàng để từ đó
gia tăng tỷ lệ sử dụng sản phẩm
hàng

6
 01. Thực trạng của một số Doanh nghiệp

Như vậy, Doanh nghiệp

không thể giải quyết vấn

đề nếu không có DỮ LIỆU

Càng biết cách khai phá dữ

liệu càng đưa ra những quyết
định kinh doanh tốt hơn !

Khi DN có khả năng tận dụng dữ liệu ở mức

Forecast; Predict; Optimize (dự báo, hoạch định,
tối ưu hoạt động kinh doanh) thì có thể hiểu sâu
sắc tình hình kinh doanh & ra quyết định chính
xác.

7
 01. Giải pháp của Viettel
Viettel sẽ giúp Doanh nghiệp giải quyết vấn đề gì?

Vấn đề Nguyên nhân Giải pháp

01. Thiếu bức tranh về tình hình kinh doanh
02. Hoạt động điều hành kém
v Đánh giá dữ liệu: đánh giá chất lượng & khả
o Dữ liệu không chính xác & đầy đủ
năng sử dụng dữ liệu.
o Không được cập nhập kịp thời
v Thiết kế dữ liệu: làm sạch dữ liệu, triển khai hệ
o Không logic & đúng định dạng
thống phục vụ việc tìm kiếm, lưu trữ và phân
o Không được lưu trữ tập trung
tích dữ liệu.
v Triển khai công nghệ & hạ tầng để lưu trữ và
phân tích dữ liệu tập trung

à Viettel Datalake

o Thiếu kinh nghiệm triển khai use cases

Triển khai các use cases tiềm năng:
o Thiếu nhân sự có chuyên môn phân
03. Không hiểu chân dung Khách hàng Customer 360, Giữ chân khách hàng & giảm tỷ lệ
tích
rời mạng, Tăng hiệu quả Up-sale & Cross-sale,
o Thiếu dữ liệu về Khách hàng
Thu hút KH mới,…

8
 NỀN TẢNG XỬ
02 LÝ DỮ LIỆU
VDP
 02. Nền tảng Viettel Data Platform

10
 02. Nền tảng Viettel Data Platform
Thiết kế kiến trúc VDP

11
 02. Nền tảng Viettel Data Platform
Mô tả kiến trúc Viettel data lake

LỚP THU THẬP DỮLIỆU LỚP TỔNG HỢP DỮLIỆU LỚP LƯU TRỮ DỮ LIỆU LỚP PHÂN TÍCH DỮLIỆU LỚP QUẢN TRỊ DỮ LIỆU

Lấy dữ liệu từ các hệ Tổng hợp dữ liệu o Lưu trữ nhiều định o Quản lý siêu dữliệu
o o o Tạo môi trường
từ nhiều nguồn dạng khác nhau o Quản lý dữ liệu chủ, dữ
thống bên ngoài phân tích dữ liệu
o Tạo bảng dữ liệu như text, video, ảnh, liệu tham chiếu
o Nơi nhận dữ liệu đẩy o Áp dụng các
có giá trị từ dữ o Đảm bảo an toàn, bảo
vào âm thanh và mức
công nghệ AI, mật qua cơ chế mã
liệu chi tiết độ khác nhau như
o Xử lý real-time, mini- ML hỗ trợ ra hoá, xác thực, phân
file, block, object quyền
batch và batch quyết định
o Đáp ứng xử lý big o Giám sát log tác động
data
o Cảnh báo chất lượng dữ
liệu real time
o Quản trị kiến trúc dữ liệu

12
 02. Xây dựng hệ thống Data Lake
Xây dựng hệ thống Datalake với khả năng lưu trữ, xử lý mạnh mẽ

Thách thức Giải pháp DataLake

ü ~300 nodes ü 70 tỷ records/ days

ü 8PB storage Xử lý ü Throughput peak : 1.2
ü 30TB memory triêu records/s
ü 10.000 cores

Lưu trữ Phục vụ

ü 16.000+ job nghiêp vụ,

Dữ liệu
>1000 nguồn dữ liệu hàng trăm ứng dụng

trên toàn cầu, tích ü Hoạt động 24/7

hợp near- real time

13
 NỀN TẢNG
03 CUSTOMER DATA
PLATFORM
 03. Nền tảng Customer Data Platform

15
 03. Nền tảng Customer Data Platform

PROFILE UNIFICATION
o Các khách hàng nằm trên nhiều hệ thống khác
RECOMMENDATION
nhau
o Giúp liên kết các profile trong các CSDL để có • Bài toán giúp gợi ý những sản phẩm, dịch vụ phù hợp
profile duy nhất về khách hàng với sở thích của từng khách hàng

CDP
CUSTOMER SEGMENTATION
Phân khúc Khách
hàng theo các tiêu chí

Phương pháp phân tích chuyên

sâu: Xây dựng các mô hình, thuật
toán học máy

16
 NĂNG LỰC CỦA
04 VIETTEL
 04. Năng lực & Kết quả của Viettel
NĂNG LỰC VÀ KINH NGHIỆM: TRIỂN KHAI HỆ THỐNG DATA LAKE CHO CHÍNH VIETTEL

Bài toán Giải pháp Datalake

LÀM THẾ NÀO QUẢN TRỊ ĐƯỢC KHỐI Xử lý

LƯỢNG DỮ LIỆU LỚN NHƯ VẬY?
v ~300 nodes
TĂNG TRƯỞNG TỈNH NÀO NHIỀU THUÊ BAO? v 8PB storage
v 30TB memory v 70 tỷ records/ days
SO VỚI NĂM
THUÊ BAO NGUY CƠ RỜI MẠNG? v 10.000 cores v Throughput peak : 1.2
TRƯỚC?
triêu records/s
HÔM NAY THU ĐƯỢC
BAO NHIÊU TIỀN?

Lưu trữ
v 100+ Triệu
thuê bao tại Việt Nam & 10 TT nước
ngoài
Phục vụ

v 70+ Tỷ/ngày
bản ghi transaction: Voice, SMS, Vas,
MSC, URL,.. v 16.000+ job nghiêp vụ, hàng
>1000 nguồn dữ liệu trên trăm ứng dụng
toàn cầu, tích hợp near- real v Hoạt động 24/7
v 24/7 time
dữ liệu real-time 24/7, 365 ngày/năm
Dữ liệu

18
 04. Năng lực & Kết quả của Viettel
Kết quả triển khai cho các thị trường của Viettel
TỐI ƯU VIỆC LẤY DỮ LIỆU
Phục vụ 12.000 lượt/ tháng
Tự khai thác số liệu, thời gian khai thác giảm từ 1-3
1 ngày xuống 15 phút

UPSALE
2-6 lần
2 Tỉ lệ phản hồi của khách hàng tăng từ 2 - 6 lần
với các sản phẩm được giới thiệu

DOANH THU TĂNG THÊM

3 300 tỷ/ tháng
Doanh thu tăng thêm từ các chương trình phân tích dữ
liệu áp dụng Machine Learning

TIẾT KIỆM CHI PHÍ

4
38 tỷ đồng/ tháng
Tiết kiệm chi phí nhân sự cho việc tổng hợp dữ liệu

19
 04. Năng lực & Kết quả của Viettel
31 bài toán
Up-sell/ Cross-
TELCOS
v Recommend ưu đãi trên Viettel++
sell Churn Prediction
v Tìm kiếm KH tiềm năng dùng FTTH
v Tỷ lệ mua gói tốt hơn: 1.4- 5.4 lần Churn rate tốt hơn năm trước: -54%
v Dự đoán nguy cơ lỗi, hỏng thiết bị
v Doanh thu & ARPU tốt hơn: 1.5- 3.6 lần
v Dự đoán lưu lượng data 4G sector
Prepaid to
Postpaid FINTECH
Tỷ lệ chuyển đổi
Recharge
tốt hơn: ~2.6 lần v Kích thích KH mới
Tỷ lệ nạp thẻ tốt hơn: 2.1- 3 lần
v Giữ chân KH
v Tái kích hoạt KH
Nâng cao lòng trung
thành khách hàng Reactivate khách hàng
LOGISTICS
v Dự kiến 35% tập khách hàng sẽ
Gìn giữ & nâng tỷ lệ duy trì từ 70% lên quay lại dịch vụ
v Phân tích nhóm KH tiềm năng
80% trong 2020, (dự kiến 2021 là 85%) v Tái kích hoạt khách hàng ngừng sử dụng
v Giữ chân KH
dịch vụ ViettelPay tháng trước.

20
 8 lĩnh vực Phân tích dữ liệu

ABOUT US

08 lĩnh vực

Viễn thông An ninh mạng

Mạng lưới Không gian mạng

Tài chính ngân hàng Truyền thông & Giải trí

Bưu chính Công trình

21
 22

Ứng dụng PTDL trong lĩnh vực viễn thông

Chống thuê bao rời mạng Bán tăng/bán chéo

Vấn đề cần giải quyết: Rời mạng là một bài toán lớn và khó của
các nhà cung cấp dịch vụ viễn thông. Chi phí để tìm kiếm và kết
nối một thuê bao mới cao hơn rất nhiều so với gìn giữ và duy trì
thuê bao.
Giải pháp thực hiện: Ước tính khả năng chuyển mạng nhờ các
mô hình học máy + kết hợp với các gói sản phẩm và offer khuyến
mại phù hợp nhằm níu chân khách hàng ở lại với nhà mạng, hạn
chế việc chuyển sang các mạng viễn thông đối thủ
Kết quả ghi nhận: Tỷ lệ thuê bao rời mạng giảm 54% so với năm
trước, duy trì mục tiêu kinh doanh năm
Vấn đề cần giải quyết: Tăng tỷ lệ chuyển đổi và doanh thu trung
bình trên một thuê bao, tiết kiệm chi phí quảng cáo nhờ tiếp cận
đúng đối tượng.
Giải pháp thực hiện: Kết hợp các mô hình dự đoán khả năng
nâng gói, lựa chọn sản phẩm/khuyến mãi, khả năng chi trả, nhu
cầu sử dụng để tìm kiếm gói sản phẩm phù hợp
Kết quả ghi nhận: Tỷ lệ mua gói tốt hơn từ 1.4-5.4 lần. Doanh
thu và ARPU tốt hơn lần lượt 1.5-3.6 lần so với tập triển khai
không ứng dụng PTDL.

Tổng số tiền mua gói Khả năng chuyển mạng

Tổng lưu lượng sử dụng Khả năng nâng tiêu dùng

Thời gian thoại trong tháng
Khả năng sử dụng sản phẩm
Loại gói sử dụng
Khả năng chi trả
Thời điểm PSGD gần nhất
 Ứng dụng PTDL cho Ngân hàng số

Kinh nghiệm triển khai use cases cho Ngân hàng số tại Viettel

NÂNG CAO LÒNG TRUNG THÀNH KHÁCH HÀNG

Gìn giữ và nâng tỷ lệ duy trì khách hàng đang sử
1 dụng ViettelPay từ 70% lên 80% trong năm 2020,
năm 2021 là 85%

UPSALE
2 Kích thích khách hàng đăng ký mới phát sinh giao
dịch trong tháng từ 30% lên 40% năm 2020 và đạt
62% năm 2021
REACTIVATE KHÁCH HÀNG
3 Dự kiến 35% tập khách hàng sẽ quay lại dịch vụ
Tái kích hoạt khách hàng ngừng sử dụng dịch vụ
ViettelPay tháng trước.

KHAI PHÁ TIỀM NĂNG

4
Từ nguồn dữ liệu độc quyền qua các sản phẩm dịch vụ
tiện ích, điện, nước, data, thoại, truyền hình, wifi,...

23

Ứng dụng PTDL trong các lĩnh vực khác
Truyền thông & Giải trí
Ứng dụng PTDL trong phát triển khách
hàng và upsell dịch vụ game
Nhận diện khách hàng mới, khách hàng có tiềm
năng upsell cho dịch vụ giải trí. Tỷ lệ phản hồi
phát triển khách hàng mới gấp 10 lần và tỷ lệ
phản hồi upsell dịch vụ gấp 4.6 lần so với tỷ lệ
phản hồi BAU. ARPU trung bình tăng 162% đối với
dịch vụ game Free Fire
24
Copyright ©2022 by Viettel Data Governance Department
Bản quyền ©2022 bởi Ban Quản trị dữ liệu Viettel
Mạng lưới
Dự đoán dung lượng data 4G &
phân biệt chất lượng cuộc gọi
Ứng dụng PTDL dự đoán dung lượng sử dụng, giúp tối
ưu tài nguyên và tự động quy hoạch mạng và đề xuất
danh mục mua sắm.
Dự đoán tập khách hàng trải nghiệm thoại tồi có khả
năng phản ánh lên tổng đài, thực hiện chủ động Happy
Call thực hiện chăm sóc khách hàng.
 04. Năng lực & Kết quả của Viettel

Viettel Customer 360

Viettel Customer 360 là hệ thống lưu trữ thông tin

toàn diện, đa chiều, chuyên sâu về từng khách
hàng sử dụng dịch vụ của Viettel.
Cung cấp những dịch vụ phù hợp, đáp ứng chính
xác nhu cầu của mỗi cá nhân, hướng tới nâng cao
mức độ hài lòng và trải nghiệm của mỗi khách
hàng với từng sản phẩm, dịch vụ của Viettel.

25
 04. Năng lực & Kết quả của Viettel
Ứng dụng trên thiết bị di động

Ứng dụng Viettel Mobile BI cho phép theo dõi

số liệu điều hành ngày trên thiết bị di động

ü Theo dõi dashboard số liệu kinh doanh đa chiều

ü Dữ liệu được trình bày dưới dạng Interactive Chart, dễ dàng
tương tác với dữ liệu hoặc các báo cáo word truyền thống
ü Hiển thị cảnh báo bất thường giúp điều hành kịp thời
ü Giao và quản lý công việc ngay trên thiết bị di động

26
 04. Năng lực & Kết quả của Viettel
NĂNG LỰC VÀ KINH NGHIỆM: CASESTUDY – DATALAKE TCT TÂN CẢNG SÀI GÒN

QUÁ TRÌNH TRIỂN KHAI DỰ ÁN

• Tiếp xúc KH • Khảo sát hiện trạng • Xây dựng Data Lake • Nghiệm thu
• Tìm hiểu nhu cầu • Xây dựng Prototype • Xây dựng Dashboard • Bàn giao

1 2 3 4 5

4/2021 6/2021 7/2021

27
 04. Năng lực & Kết quả của Viettel
NĂNG LỰC VÀ KINH NGHIỆM: CASESTUDY – CẢNG BIỂN

XÂY DỰNG HỆ THỐNG QUẢN TRỊ DỮ LIỆU TẬP TRUNG:

§ Dữ liệu hiện có (đến tháng 5/2021): 2TB

§ Tốc độ tăng trưởng dữ liệu: 1GB/ngày
§ Thời gian lưu trữ: 2 năm
28
NĂNG LỰC VÀ KINH NGHIỆM: CASESTUDY – CẢNG BIỂN

XÂY DỰNG HỆ THỐNG BÁO CÁO/ DASHBOARD TỰ ĐỘNG

29
 ĐỀ XUẤT
05 USECASE
Các bài toán
giúp Gia tăng
lợi nhuận
 01. Bài toán Recommendation
Lợi ích giải pháp Khuyến nghị đa kênh

- Khuyến nghị kết hợp trên các kênh kỹ thuật số với

những kênh truyền thống.
- Cung cấp trải nghiệm khách hàng và dịch vụ nhất DH
quán trên nhiều kênh cùng một lúc.
- Phương pháp giúp đảm bảo kết nối liên tục và tăng
trải nghiệm khách hàng hiện hữu.

Cá nhân hoá nội dung

- Tối ưu hoá danh sách sản phẩm cho từng khách hàng hiện hữu
dựa trên dữ liệu cá nhân.
- Thu hút khách hàng tiềm năng được cá nhân hóa dựa trên phân
khúc đối tượng, thông tin thu nhập... Đề xuất sản phẩm ngân hàng
phù hợp với nhu cầu của khách hàng - thẻ tín dụng tốt hơn dựa
trên chi tiêu, APR thế chấp thấp hơn dựa trên tỷ giá hiện tại, v.v..

32
 01. Bài toán Recommendation
Các mô hình recommendation
Content based RS (Product related to this product)
Gợi ý sản phẩm dựa trên đặc tính của sản phẩm
so với các sản phẩm quá khứ
Mô hình: Linear Regression, Cosine similarity
Phù hợp với các usecase upsale
DH

Collaborative filterting (people like you also buy)

Gợi ý sản phẩm dựa trên sự tương quan giữa các

user có tập tính tiêu dùng tương tự
Mô hình: SVD, NMF
Phù hợp với các usecase cross-sale, up-sale

33
 01. Bài toán Recommendation
Các mô hình recommendation

Market basket Analysis (Frequently buy together)

Gợi ý sản phẩm dựa trên phân tích các tập dữ liệu
lớn, chẳng hạn như lịch sử mua hàng, để tiết lộ
các nhóm sản phẩm, cũng như các sản phẩm có
khả năng được mua cùng nhau. DH
Mô hình: FP Growth , Apriori Algorithm..
Phù hợp với usecase cross-sale

Sequential based RS ( Inspired by your purchase history )

Gợi ý sản phẩm dựa trên tác động thời gian và chuỗi
tương tác lịch sử trong hành vi tiêu dùng của KH.
Mô hình: Transformer4Rec, GRU4Rec
Phù hợp với usecase cross-sale

34
 02. Phân tích hành trình KH (Path analysis)
• Các nguồn dữ liệu đầu vào
o Dữ liệu cấu trúc: Dữ liệu KH, Dữ liệu phàn nàn của KH, Nhật ký
Callcenter
o Dữ liệu bán cấu trúc: Lịch sử web log (clickstream)
• Phân tích quy trình: Đồ thị hoá hành trình KH từ đây phân tích các
điểm nghẽn trong hành trình khiến KH từ bỏ việc hoàn thành.
• Xây dựng các giải pháp: Dựa trên các insight phát hiện từ
bước 2, xây dựng các giải pháp tương ứng: Tìm ra các bước mà
khách hàng thường mất nhiều thời gian trong quá trình sử dụng sản
phẩm, từ đó có đề xuất cải tiến trải nghiệm khách hàng trên
website.
“Struggling to find the
right product? Can we
help you with that?”

Are you a first time buyer?

There are special offers you
that you might be entitled to

Starts the Gets an Provides Provides Provide Etc…

Application Illustration Expenditure Income Banking
info info info
20k 4k 5k 4k 2k Etc…
customers drop out drop out drop out drop out

35
 03. Tái kích hoạt KH ngủ đông

36
 Các features cơ bản của KH sẽ được khai thác

Các bài toán

giúp hiểu để
gia tăng KH
01. Bài toán Profile unification

• Khối lượng của dữ liệu tăng, dẫn tới việc liên kết các
profile trong các CSDL trở nên khó khăn
• Mỗi hệ thống có một cách nhập dữ liệu riêng
• Khách hàng không có một bản profile duy nhất mà
bị dàn trải thông tin giữa các CSDL khác nhau

• Nhờ việc chia các feature thành các

thuộc tính nhỏ và gom nhóm các thuộc
tính này vào các blocks giúp giảm số
bản ghi cần so sánh.
• Từng field trong bản ghi sẽ được đặt
weight nhờ vào quá trình học máy giúp
việc so sánh hiệu quả hơn.
02. Bài toán Phân khúc khách hàng

Phân khúc KH theo nhân khẩu học

√ Dễ dàng phân khúc khách hàng dựa trên nhiều loại tiêu chí

Phân khúc KH theo tâm lý học

Phân khúc KH theo hành vi

Phân khúc KH dựa trên giá trị

Phân khúc KH dựa trên nhu cầu

Phân khúc KH dựa trên hành trình

02. Bài toán Phân khúc khách hàng
03. Bài toán phát hiện Khách hàng rời mạng

Mô hình churn prediction với đầu vào là tập dữ liệu

1 lịch sử các giao dịch của người dùng trong ngân
hàng.

2 Từ đó dự đoán được tập khách hàng có khả năng

churn

Đưa ra những chiến lược marketing phù hợp với từng khách
3 hàng, cải thiện tỷ lệ churn (churn rate tốt hơn năm trước: -
54%)

Giữ chân khách hàng sử dụng dịch vụ, nâng tỷ lệ duy trì
4 dịch vụ từ 70% lên 80% , năm 2021 là 85%

Dự kiến 35% tập khách hàng sẽ quay lại dịch vụ

5 Tái kích hoạt khách hàng ngừng sử dụng dịch vụ
ViettelPay tháng trước.
04. Bài toán phát hiện Gian lận thẻ tín dụng

Tỷ lệ giao dịch gian lận tăng 44,7% trong năm 2020

1

Sử dụng các thuật toán ML, DL kết hợp với dữ liệu

2 lịch sử giao dịch khách hàng để xây dựng mô hình
dự đoán

Phát hiện các giao dịch bất thường, cảnh báo real-time
3
cho khách hàng, giảm thiểu thất thoát tài chính thẻ tín
dụng.

Tăng độ hài lòng của khách hàng khi sử dụng dịch vụ,
4 giữ chân khách hàng.
 06. Bài toán Phân tích cảm xúc

Mô hình đo lường, • Mô hình

Nguồn dữ liệu đầu vào Tổng hợp kết quả
đánh giá Positive
Là cách biểu Classifier or
• Cuộc gọi của khách Negative
diễn ngôn
hàng tới Call center
ngữ 2 chiều
• Email của khách hàng
có quan tâm
• Socialbeat (Facebook,
tới ngữ cảnh
Instagram, Zalo,
trong câu
Youtube, Tiktok)
Positive 30.8%
Negative 69.2%

à Việc phân tích thái độ và cảm xúc từ văn bản và lời nói có thể cải
thiện chất lượng dịch vụ thông qua việc:
+ Đánh giá trải nghiệm, phản hồi khách hàng
+ Đo lường chất lượng tổng đài viên

43
 07. Bài toán phân tích cảm xúc cấp độ chủ đề

Phân tách câu Phân tích cảm xúc
từng câu
Trích xuất các câu và
Sử dung các mô hình phân
cụm từ dữ liệu đầu vào
tích cảm xúc trên mỗi câu.
Phát hiện thực thể Tổng hợp kết quả
trong câu
Tổng hợp kết quả trên từng
Xác định thực thể trong mỗi câu thực thể trong các câu. Tạo ra
một bản báo cáo cuối cùng.

Bài toán phân tích cảm xúc cấp chủ đề được chia thành hai nhiệm vụ:
- Phân loại cảm xúc: Phân loại tình cảm xác định xem các ý kiến là tích cực, tiêu cực hoặc trung tính. Phương pháp tiếp cận hiện
nay phân loại cảm xúc từng câu hoặc cụm từ, sử dụng các mô hình phân loại như Bert, Roberta, Longformer..
- Xác định chủ đề: Trích xuất các khía cạnh liên quan của thực thể. Mô hình xác định chủ đề đề xuất sẽ sử dụng thuật toán tiên tiến
transformer-based mang lại độ chính xác cao.

44
Thiết kế campaign
Đo lường hiệu quả campaign
Kết quả: Thu thập kết quả dựa trên các
Tác động khách hàng tiềm năng trên kênh
tiêu chí đo lường như: doanh số, tỷ lệ
digital conversion của từng campaign. Tiến
hành a/b test chứng minh hiệu quả giữa
Khách hàng chuyển đổi quan nhóm được áp dụng mô hình phân tích
tâm dữ liệu và nhóm truyền thống

Chuyển KH quan tâm

sang telesale

KH chuyển đổi
thành công
Lộ trình triển khai bài toán Phân tích dữ liệu
Design:
Khai thác dữ liệu, phương án phân tích và kế hoạch
Thí điểm mở rộng từ Sample test:
giải pháp.
+ Triển khai các giải pháp thử nghiệm với
+ Xây dựng kế hoạch chi tiết cho use case
quy mô lớn hơn sample test
+ Xây dựng mô hình dữ liệu (Data model)
+ Phân tích trước/sau quá trình triển khai
+ Phân tích &kế hoạch triển khai campaign
giải pháp phục vụ tối ưu
+ Lựa chọn các mô hình ML phù hợp

Giai đoạn 1: 2 tuần Giai đoạn 3: 4 tuần Giai đoạn 5: 4 tuần

1 2 4 5
3

Giai đoạn 2: 4 tuần Giai đoạn 4: 4 tuần

Baseline: Triển khai mở rộng:

Lựa chọn bài toán, phạm vi, Thực hiện sample test: + Phân tích và báo cáo kết quả thí điểm
đối tượng tác động + Từ dữ liệu mẫu, huấn luyện mô hình + Xây dựng giải pháp mở rộng và định kỳ
ML
+ Cài đặt , cấu hình hệ thống, chuẩn bị
triển khai giải pháp
+ Chạy A/B testing

Tổng: 4 Tháng
TRÂN TRỌNG CẢM ƠN !