Dự đoán thời điểm khả năng mua lại của khách hàng trong thương mại điện tử bằng kỹ thuật học máy trên dữ liệu hành vi rời rạc
DOI:
https://doi.org/10.24311/jabes/2025.36.11.05Tóm tắt
Do vòng đời sản phẩm ngắn và xu hướng biến động nhanh, thương mại điện tử trong ngành thời trang đòi hỏi khả năng dự đoán chính xác thời điểm và khả năng mua lại của khách hàng nhằm nâng cao hiệu quả chiến lược tiếp thị cá nhân hóa. Tuy nhiên, các nghiên cứu hiện nay chủ yếu tập trung vào dự báo mua lặp lại trong dài hạn và còn hạn chế trong việc xem xét khả năng mua hàng ngắn hạn từ dữ liệu hành vi rời rạc. Nghiên cứu này đề xuất mô hình dự đoán khả năng mua lại của khách hàng, được lượng hóa bằng xác suất trong ngắn hạn (30 ngày), dựa trên dữ liệu hành vi rời rạc thông qua việc kết hợp các đặc trưng hành vi khách hàng (Recency-Frequency-Monetary ‒ RFM), sự đa dạng danh mục sản phẩm và các chỉ số tương tác trong phiên truy cập. Mô hình được thực nghiệm bằng hai thuật toán học máy LightGBM và XGBoost trên tập dữ liệu giao dịch trực tuyến trong ngành thời trang. Kết quả cho thấy các mô hình đề xuất đạt hiệu năng phân loại tốt với chỉ số ROC-AUC xấp xỉ 0,8830. Đồng thời, nghiên cứu xác định lần mua hàng gần đây (R) và tần suất mua hàng (F) là hai yếu tố có tác động mạnh nhất đến quyết định mua hàng trong ngắn hạn. Những phát hiện này góp phần mở rộng hướng nghiên cứu về dự đoán thời điểm mua hàng và hỗ trợ triển khai các chiến lược tái tiếp thị hiệu quả.
Tài liệu tham khảo
Cheng, C. H., & Chen, Y. S. (2009). Classifying the segmentation of customer value via RFM model and RS theory. Expert Systems with Applications, 36(3), 4176-4184. https://doi.org/10.1016/j.eswa.2008.04.003
Chen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD ’16) (pp. 785-794). https://doi.org/10.1145/2939672.2939785
Cốc Cốc. (2024). Ngành thời trang Việt Nam: Nhìn cơ hội từ sự đa dạng trong hành vi và thói quen tiêu dùng. Truy cập tại https://qc.coccoc.com/vn/news/nganh-thoi-trang-viet-nam-nhin-co-hoi-tu-su-da-dang-trong-hanh-vi-va-thoi-quen-tieu-dung
Gholamveisy, S., Homayooni, S., Shemshaki, M., Sheykhan, S., Boozary, P., Tanhaei, H. G., & Akbari, N. (2024). Application of data mining technique for customer purchase behavior via Extended RFM model with focus on BCG matrix from a data set of online retailing. Journal of Infrastructure Policy and Development, 8(7), 4426. https://doi.org/10.24294/jipd.v8i7.4426
Gomes, M. A., Wönkhaus, M., Meisen, P., & Meisen, T. (2023). TEE: Real-time purchase prediction using time extended embeddings for representing customer behavior. Journal of Theoretical and Applied Electronic Commerce Research, 18(3), 1404-1418. https://doi.org/10.3390/jtaer18030070
Heinisch, J. S., Gao, N., Anderson, C., Deldari, S., David, K., & Salim, F. (2022). Investigating the effects of mood & usage behaviour on notification response time. arXiv. Retrieved from https://doi.org/10.48550/arXiv.2207.03405
Hoang. A. (2025). E‑commerce in upward trend. Vietnam Economic Times – VnEconomy. Retrieved from https://en.vneconomy.vn/e-commerce-in-upward-trend-1250945.htm
Hoàng Nguyễn Thu Huyền, Lê Ngọc Sơn, & Nguyễn Quốc Cường. (2023). Các yếu tố ảnh hưởng đến hành vi mua sắm sản phẩm thời trang trên ứng dụng di động của Gen Z tại Thành phố Hồ Chí Minh. Tạp chí Khoa học và Công nghệ - Trường Đại học Công nghiệp TP.HCM, 66(6), 56-72. https://jst.iuh.edu.vn/index.php/jst-iuh/article/view/4989
Hughes, A. M. (1996). Boosting response with RFM. Marketing Tools, 3(3), 4-10.
Jalal, M. E., & Elmaghraby, A. (2024). Analyzing the dynamics of customer behavior: A new perspective on personalized marketing through counterfactual analysis. Journal of Theoretical and Applied Electronic Commerce Research, 19(3), Article 81. https://www.mdpi.com/0718-1876/19/3/81
Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., Ye, Q., & Liu, T. Y. (2017). LightGBM: A highly efficient gradient boosting decision tree. In Advances in Neural Information Processing Systems 30 (NeurIPS 2017) – Proceedings of the 30th Conference (pp. 3149-3157). https://proceedings.neurips.cc/paper_files/paper/2017/file/6449f44a102fde848669bdd9eb6b76fa-Paper.pdf
Li, J., Luo, X., Lu, X., & Moriguchi, T. (2020). Boosting returns on E-Commerce retargeting campaigns. American Marketing Association. Retrieved from https://www.ama.org/2020/11/12/boosting-returns-on-e-commerce-retargeting-campaigns/
Lismont, J., Ram, S., Vanthienen, J., Lemahieu, W., & Baesens, B. (2018). Predicting interpurchase time in a retail environment using customer-product networks: An empirical study and evaluation. Expert Systems with Applications, 104, 22-32. https://doi.org/10.1016/j.eswa.2018.03.016
Liu, D., Huang, H., Zhang, H., Luo, X., & Fan, Z. (2024). Enhancing customer behavior prediction in e-commerce: A comparative analysis of machine learning and deep learning models. Applied and Computational Engineering, 55(1), 181-195. https://doi.org/10.54254/2755-2721/55/20241475
Popowska, M., & Sinkiewicz, A. (2021). Sustainable fashion in Poland - Too early or too late?. Sustainability, 13(17), 9713. https://doi.org/10.3390/su13179713
Segun‑Falade, O. D., Osundare, O. S., Kedi, W. E., Okeleke, P. A., Ijomah, T. I., & Abdul‑Azeez, O. Y. (2024). Utilizing machine learning algorithms to enhance predictive analytics in customer behavior studies. International Journal of Scholarly Research in Engineering and Technology, 4(1), 1-18. https://doi.org/10.56781/ijsret.2024.4.1.0018
Vallarino, D. (2023). Buy when? Survival machine learning model comparison for purchase timing. arXiv. https://doi.org/10.48550/arXiv.2308.14343
Verma, R., Rathor, D., Kumar, S., Mishra, M., & Baranwal, M. (2025). Enhancing customer repurchase prediction: Integrating classification algorithms with RFM analysis for precision and actionable insights. IIMB Management Review, 37(2), 100574. https://doi.org/10.1016/j.iimb.2025.100574
Wong, C. G., Tong, G. K., & Haw, S. C. (2024). Exploring customer segmentation in e-commerce using RFM analysis with clustering techniques. Journal of Telecommunications and the Digital Economy, 12(3), 97-125. https://doi.org/10.18080/jtde.v12n3.978
Zhou, S., & Hudin, N. S. (2024). Advancing e-commerce user purchase prediction: Integration of time-series attention with event-based timestamp encoding and Graph Neural Network-Enhanced user profiling. PLoS ONE, 19(4), e0299087. https://doi.org/10.1371/journal.pone.0299087
Tải xuống
Đã Xuất bản
Số
Chuyên mục
Giấy phép
Bản quyền (c) 2026 TẠP CHÍ NGHIÊN CỨU KINH TẾ VÀ KINH DOANH CHÂU Á
Tác phẩm này được cấp phép theo Giấy phép quốc tế Creative Commons Attribution-NonCommercial 4.0 .
Cách trích dẫn
