Đề thi, bài tập trắc nghiệm online Khoa học dữ liệu trong kinh tế và kinh doanh – Đề 12

1. Chỉ số 'churn rate' (tỷ lệ khách hàng rời bỏ) là một KPI quan trọng trong kinh doanh, và khoa học dữ liệu giúp dự đoán churn rate bằng cách:

A. Tăng cường quảng cáo để giữ chân khách hàng.

B. Phân tích hành vi và đặc điểm của khách hàng có khả năng rời bỏ.

C. Giảm giá sản phẩm để tăng tính cạnh tranh.

D. Cải thiện dịch vụ chăm sóc khách hàng sau bán hàng.

2. Trong lĩnh vực tài chính, khoa học dữ liệu KHÔNG được ứng dụng để:

A. Phát hiện gian lận giao dịch.

B. Đánh giá rủi ro tín dụng.

C. Tối ưu hóa danh mục đầu tư.

D. Thay thế hoàn toàn vai trò của kiểm toán viên con người.

3. Phương pháp 'clustering' (phân cụm) trong khoa học dữ liệu thường được sử dụng để:

A. Dự đoán một giá trị số liên tục.

B. Phân nhóm dữ liệu thành các cụm dựa trên sự tương đồng.

C. Phân loại dữ liệu vào các lớp định trước.

D. Xây dựng mô hình hồi quy tuyến tính.

4. Trong khoa học dữ liệu, 'tính năng' (feature) thường được hiểu là:

A. Một thuật toán học máy cụ thể.

B. Một thuộc tính hoặc cột dữ liệu được sử dụng để phân tích.

C. Một loại cơ sở dữ liệu quan hệ.

D. Một phương pháp trực quan hóa dữ liệu.

5. Khái niệm 'data mining' (khai thác dữ liệu) trong khoa học dữ liệu chủ yếu đề cập đến:

A. Thu thập dữ liệu từ các nguồn khác nhau.

B. Tìm kiếm các mẫu hình và tri thức hữu ích từ lượng lớn dữ liệu.

C. Bảo mật và mã hóa dữ liệu.

D. Trực quan hóa dữ liệu để báo cáo.

6. Kỹ thuật nào của khoa học dữ liệu thường được sử dụng để dự báo doanh số bán hàng trong tương lai?

A. Phân tích cụm (Clustering).

B. Phân tích hồi quy (Regression analysis).

C. Phân tích thành phần chính (Principal Component Analysis).

D. Phân tích phân loại (Classification).

7. Vấn đề 'quá khớp' (overfitting) trong mô hình học máy xảy ra khi:

A. Mô hình quá đơn giản và không nắm bắt được các mẫu trong dữ liệu.

B. Mô hình học quá tốt trên dữ liệu huấn luyện nhưng kém hiệu quả trên dữ liệu mới.

C. Mô hình cần quá nhiều thời gian để huấn luyện.

D. Dữ liệu huấn luyện chứa quá nhiều giá trị ngoại lệ.

8. Khoa học dữ liệu trong kinh tế và kinh doanh chủ yếu tập trung vào việc:

A. Thu thập và lưu trữ dữ liệu lớn một cách hiệu quả.

B. Phân tích dữ liệu để đưa ra quyết định kinh doanh và dự báo kinh tế.

C. Phát triển các thuật toán máy tính phức tạp.

D. Tối ưu hóa cơ sở hạ tầng công nghệ thông tin cho doanh nghiệp.

9. Công cụ nào sau đây KHÔNG phải là một ngôn ngữ lập trình phổ biến trong khoa học dữ liệu?

A. Python.

B. R.

C. Java.

D. SQL.

10. Đâu là vai trò chính của khoa học dữ liệu trong lĩnh vực marketing?

A. Tự động hóa quy trình sản xuất.

B. Cải thiện quản lý chuỗi cung ứng.

C. Phân khúc thị trường và cá nhân hóa trải nghiệm khách hàng.

D. Giảm chi phí vận hành doanh nghiệp.

11. Trong khoa học dữ liệu, 'bias' (thiên vị) trong dữ liệu huấn luyện có thể dẫn đến:

A. Mô hình có độ chính xác cao hơn.

B. Mô hình hoạt động tốt trên mọi loại dữ liệu.

C. Mô hình đưa ra dự đoán không công bằng hoặc phân biệt đối xử.

D. Mô hình dễ dàng diễn giải hơn.

12. Trong phân tích dữ liệu lớn (Big Data), 3V thường được nhắc đến, bao gồm:

A. Velocity, Variety, Veracity.

B. Volume, Value, Velocity.

C. Volume, Variety, Visualization.

D. Value, Veracity, Visualization.

13. Trong khoa học dữ liệu, 'dữ liệu phi cấu trúc' (unstructured data) đề cập đến:

A. Dữ liệu được tổ chức trong các bảng với hàng và cột rõ ràng.

B. Dữ liệu không có định dạng hoặc cấu trúc xác định trước, như văn bản, hình ảnh, video.

C. Dữ liệu số được thu thập từ cảm biến.

D. Dữ liệu giao dịch từ hệ thống ERP.

14. Để đánh giá mô hình hồi quy, chỉ số nào sau đây thường được sử dụng?

A. Accuracy (Độ chính xác).

B. Precision (Độ chuẩn xác).

C. R-squared (Hệ số xác định).

D. Recall (Độ phủ).

15. Phương pháp 'A/B testing' (thử nghiệm A/B) trong kinh doanh dựa trên nguyên tắc nào của khoa học dữ liệu?

A. Phân tích tương quan.

B. Suy luận nhân quả và kiểm định giả thuyết.

C. Phân tích cụm.

D. Trực quan hóa dữ liệu.

16. Trong khoa học dữ liệu, 'feature engineering' (kỹ thuật tạo đặc trưng) là quá trình:

A. Chọn thuật toán học máy phù hợp nhất.

B. Làm sạch và tiền xử lý dữ liệu đầu vào.

C. Tạo ra các tính năng mới hoặc biến đổi các tính năng hiện có để cải thiện hiệu suất mô hình.

D. Trực quan hóa kết quả phân tích dữ liệu.

17. Mô hình 'cây quyết định' (decision tree) là một loại thuật toán học máy thuộc nhóm:

A. Học máy không giám sát (Unsupervised learning).

B. Học máy tăng cường (Reinforcement learning).

C. Học máy có giám sát (Supervised learning).

D. Học sâu (Deep learning).

18. Trong ngữ cảnh kinh tế, 'phân tích cảm xúc' (sentiment analysis) thường được áp dụng để:

A. Dự báo tỷ giá hối đoái.

B. Đo lường mức độ hài lòng của khách hàng từ phản hồi trực tuyến.

C. Phân tích hiệu quả của chính sách tiền tệ.

D. Xác định rủi ro hệ thống trong thị trường tài chính.

19. Khi đánh giá hiệu suất của một mô hình phân loại, 'ma trận nhầm lẫn' (confusion matrix) cung cấp thông tin về:

A. Độ phức tạp của mô hình.

B. Thời gian huấn luyện mô hình.

C. Số lượng dự đoán đúng và sai cho từng lớp (class).

D. Tầm quan trọng của các tính năng đầu vào.

20. Đâu là một thách thức đạo đức quan trọng trong việc ứng dụng khoa học dữ liệu vào kinh doanh?

A. Sự thiếu hụt nhân lực có kỹ năng về khoa học dữ liệu.

B. Chi phí đầu tư ban đầu cho công nghệ và phần mềm.

C. Sử dụng dữ liệu cá nhân của khách hàng mà không có sự đồng ý hoặc minh bạch.

D. Khả năng tích hợp dữ liệu từ nhiều nguồn khác nhau.

21. Mục tiêu chính của việc 'trực quan hóa dữ liệu' (data visualization) trong kinh doanh là:

A. Tăng cường bảo mật dữ liệu.

B. Làm cho dữ liệu dễ hiểu và dễ diễn giải hơn cho người dùng.

C. Giảm dung lượng lưu trữ dữ liệu.

D. Tăng tốc độ xử lý dữ liệu.

22. Phân tích 'cohort' (cohort analysis) thường được sử dụng trong kinh doanh để:

A. Dự báo giá cổ phiếu.

B. Đánh giá hiệu quả của chiến dịch marketing theo thời gian.

C. Phân tích rủi ro tín dụng cá nhân.

D. Tối ưu hóa quy trình sản xuất.

23. Khi xây dựng mô hình học máy, việc chia dữ liệu thành tập huấn luyện (training set) và tập kiểm thử (test set) nhằm mục đích:

A. Tăng tốc độ huấn luyện mô hình.

B. Đánh giá khả năng tổng quát hóa của mô hình trên dữ liệu mới.

C. Giảm dung lượng lưu trữ dữ liệu.

D. Đơn giản hóa quá trình tiền xử lý dữ liệu.

24. Trong quản lý chuỗi cung ứng, khoa học dữ liệu có thể giúp:

A. Tăng cường hoạt động marketing trực tuyến.

B. Dự báo nhu cầu và tối ưu hóa tồn kho.

C. Phát triển sản phẩm mới.

D. Tuyển dụng và quản lý nhân sự.

25. Trong khoa học dữ liệu, 'data warehouse' (kho dữ liệu) được thiết kế để:

A. Xử lý giao dịch trực tuyến (OLTP).

B. Lưu trữ dữ liệu giao dịch hiện tại.

C. Lưu trữ dữ liệu lịch sử từ nhiều nguồn để phân tích và báo cáo.

D. Quản lý dữ liệu phi cấu trúc trong thời gian thực.

26. Trong kinh tế học, việc sử dụng khoa học dữ liệu để phân tích dữ liệu kinh tế vĩ mô nhằm mục đích chính là:

A. Tối ưu hóa chiến lược marketing của doanh nghiệp.

B. Dự báo các chỉ số kinh tế và hỗ trợ hoạch định chính sách.

C. Nâng cao hiệu quả quản lý chuỗi cung ứng.

D. Phân tích hành vi khách hàng cá nhân.

27. Một doanh nghiệp sử dụng khoa học dữ liệu để phân tích dữ liệu giao dịch và phát hiện các giao dịch gian lận. Đây là ứng dụng của:

A. Phân tích thời chuỗi (Time series analysis).

B. Phát hiện bất thường (Anomaly detection).

C. Phân tích đường dẫn (Path analysis).

D. Phân tích phương sai (ANOVA).

28. Phương pháp 'học máy có giám sát' (Supervised learning) khác biệt với 'học máy không giám sát' (Unsupervised learning) chủ yếu ở:

A. Tốc độ xử lý dữ liệu.

B. Yêu cầu về phần cứng máy tính.

C. Sự hiện diện của dữ liệu đã được gán nhãn (labeled data).

D. Khả năng xử lý dữ liệu phi cấu trúc.

29. Đâu KHÔNG phải là một lợi ích chính của việc ứng dụng khoa học dữ liệu trong quản lý nhân sự (HR)?

A. Dự đoán tỷ lệ nhân viên nghỉ việc.

B. Tối ưu hóa quy trình tuyển dụng.

C. Tăng cường kiểm soát hành chính nhân sự.

D. Cá nhân hóa chương trình đào tạo và phát triển nhân viên.

30. Trong kinh doanh trực tuyến, 'recommendation system' (hệ thống gợi ý) sử dụng khoa học dữ liệu để:

A. Tối ưu hóa giá sản phẩm.

B. Gợi ý sản phẩm phù hợp cho từng khách hàng dựa trên hành vi và sở thích.

C. Phát hiện gian lận thanh toán trực tuyến.

D. Cải thiện tốc độ tải trang web.