Đề thi, bài tập trắc nghiệm online Khoa học dữ liệu trong kinh tế và kinh doanh – Đề 13

Khoa học dữ liệu phân tích dữ liệu lịch sử bán hàng, dữ liệu thị trường, dữ liệu thời tiết, v.v., để dự báo nhu cầu sản phẩm chính xác hơn. Điều này giúp doanh nghiệp quản lý hàng tồn kho hiệu quả hơn, tránh tình trạng thiếu hàng hoặc tồn kho quá nhiều, từ đó giảm chi phí và cải thiện hiệu quả chuỗi cung ứng.

Chất lượng và sự sẵn có của dữ liệu là yếu tố then chốt cho thành công của bất kỳ dự án khoa học dữ liệu nào. Trong kinh tế và kinh doanh, việc thu thập, làm sạch và chuẩn bị dữ liệu thường là một thách thức lớn, ảnh hưởng trực tiếp đến hiệu quả của các mô hình phân tích.

Khoa học dữ liệu sử dụng các mô hình thống kê và học máy để phân tích dữ liệu thị trường tài chính (giá cổ phiếu, lãi suất, chỉ số kinh tế, v.v.) và ước tính khả năng xảy ra các biến động giá lớn, đánh giá mức độ rủi ro thị trường, và hỗ trợ quản lý danh mục đầu tư.

IoT trong bán lẻ có thể sử dụng cảm biến để theo dõi lưu lượng khách hàng, vị trí sản phẩm, nhiệt độ, độ ẩm, v.v. Dữ liệu này sau đó được phân tích bằng khoa học dữ liệu để hiểu hành vi mua sắm của khách hàng, tối ưu hóa bố trí cửa hàng, quản lý hàng tồn kho, và cải thiện trải nghiệm mua sắm.

Phân cụm (Clustering) là kỹ thuật phân chia tập dữ liệu thành các nhóm (cụm) dựa trên sự tương đồng giữa các điểm dữ liệu. Trong kinh doanh, nó được dùng để phân khúc khách hàng thành các nhóm có đặc điểm chung, phục vụ cho mục tiêu marketing và cá nhân hóa dịch vụ.

Overfitting xảy ra khi mô hình học máy 'học thuộc lòng' dữ liệu huấn luyện, bao gồm cả nhiễu. Kết quả là mô hình hoạt động rất tốt trên dữ liệu huấn luyện nhưng lại kém khi dự đoán trên dữ liệu mới, chưa từng gặp.

Explainable AI (XAI) là một lĩnh vực trong khoa học dữ liệu tập trung vào việc phát triển các mô hình AI mà con người có thể hiểu được cách chúng hoạt động và đưa ra quyết định như thế nào. Điều này đặc biệt quan trọng trong các lĩnh vực nhạy cảm như tài chính, y tế, và pháp lý, nơi cần có sự minh bạch và trách nhiệm giải trình.

Sentiment Analysis sử dụng xử lý ngôn ngữ tự nhiên (NLP) để xác định và phân loại cảm xúc (tích cực, tiêu cực, trung lập) trong văn bản, chẳng hạn như bình luận trực tuyến, đánh giá sản phẩm, bài đăng trên mạng xã hội. Trong kinh doanh, nó giúp doanh nghiệp hiểu được ý kiến và thái độ của khách hàng về sản phẩm, dịch vụ và thương hiệu của mình.

Khoa học dữ liệu giúp kinh tế hiện đại bằng cách cung cấp các công cụ và phương pháp để phân tích dữ liệu, từ đó đưa ra quyết định sáng suốt hơn dựa trên bằng chứng thực tế thay vì trực giác hoặc kinh nghiệm chủ quan.

Feature Engineering là quá trình tạo ra các đặc trưng (biến) mới từ dữ liệu hiện có, hoặc biến đổi các đặc trưng hiện có để làm cho chúng phù hợp hơn với mô hình học máy và cải thiện hiệu suất dự đoán. Đây là một bước quan trọng và đòi hỏi sự hiểu biết về dữ liệu và bài toán cụ thể.

Apache Hadoop và Spark là các framework và công cụ mã nguồn mở được thiết kế đặc biệt để xử lý và phân tích dữ liệu lớn (Big Data) một cách phân tán và hiệu quả. Chúng có khả năng xử lý dữ liệu với khối lượng lớn, tốc độ cao và đa dạng về loại dữ liệu, vượt xa khả năng của các công cụ như Excel.

Việc sử dụng thuật toán và mô hình học máy trong kinh doanh đặt ra nhiều vấn đề đạo đức, đặc biệt là về tính minh bạch, trách nhiệm giải trình, phân biệt đối xử, và quyền riêng tư của người dùng. Doanh nghiệp cần đảm bảo rằng việc sử dụng khoa học dữ liệu là công bằng, có trách nhiệm và tuân thủ các quy định pháp luật.

Chuỗi Markov là một mô hình xác suất mô tả các quá trình mà trạng thái tương lai chỉ phụ thuộc vào trạng thái hiện tại, không phụ thuộc vào quá khứ. Trong kinh doanh, nó có thể được dùng để mô hình hóa hành trình khách hàng, dự đoán khả năng khách hàng chuyển từ trạng thái này sang trạng thái khác (ví dụ: từ quan tâm đến mua hàng).

Phân tích chuỗi thời gian tập trung vào việc phân tích dữ liệu được thu thập theo thời gian (ví dụ: giá cổ phiếu hàng ngày, doanh số hàng tháng, GDP hàng năm). Mục tiêu chính là hiểu các mẫu hình thời gian, xu hướng, tính mùa vụ, và dự báo giá trị tương lai của chuỗi thời gian đó.

Mô hình 4V thường được sử dụng để mô tả đặc điểm của Big Data: Volume (Khối lượng lớn), Velocity (Tốc độ tạo ra và xử lý dữ liệu nhanh), Variety (Đa dạng về loại dữ liệu), Veracity (Tính xác thực của dữ liệu). Một số mô hình mở rộng thêm chữ V thứ 5 là Value (Giá trị dữ liệu).

Khoa học dữ liệu cung cấp các công cụ và phương pháp để phân tích dữ liệu kinh tế vĩ mô (ví dụ: dữ liệu từ các cơ quan thống kê, ngân hàng trung ương, tổ chức quốc tế) và xây dựng các mô hình dự báo lạm phát, tăng trưởng kinh tế, tỷ lệ thất nghiệp, và các chỉ số kinh tế vĩ mô quan trọng khác, hỗ trợ hoạch định chính sách kinh tế.

K-Means Clustering là một thuật toán 'học không giám sát' (Unsupervised Learning), dùng để tìm cấu trúc ẩn trong dữ liệu mà không cần nhãn. Các lựa chọn còn lại (Cây quyết định, Mạng nơ-ron phân loại, Hồi quy logistic) đều thuộc nhóm 'học có giám sát', yêu cầu dữ liệu huấn luyện có nhãn.

PCA là một kỹ thuật giảm chiều dữ liệu phổ biến. Trong kinh tế, nó có thể được dùng để giảm số lượng biến kinh tế vĩ mô (ví dụ: GDP, lạm phát, lãi suất) xuống một số ít 'thành phần chính' mà vẫn giữ lại phần lớn thông tin quan trọng trong dữ liệu, giúp đơn giản hóa phân tích và mô hình hóa.

Giảm chiều dữ liệu nhằm mục đích giảm số lượng biến đầu vào của mô hình, giúp đơn giản hóa mô hình, giảm thời gian tính toán, và cải thiện khả năng diễn giải kết quả. Đồng thời, nó cũng có thể giúp loại bỏ nhiễu và cải thiện hiệu suất mô hình trong một số trường hợp.

Phát hiện gian lận trong tài chính thường dựa trên việc tìm kiếm và phân tích các giao dịch hoặc hành vi bất thường, khác biệt so với mẫu giao dịch thông thường. Khoa học dữ liệu cung cấp các kỹ thuật để tự động hóa quá trình này và phát hiện các mẫu gian lận tinh vi.

Bias trong dữ liệu huấn luyện, chẳng hạn như dữ liệu không đại diện cho toàn bộ dân số hoặc phản ánh các định kiến xã hội, có thể khiến mô hình học máy học được những thiên vị này và đưa ra các dự đoán không công bằng hoặc phân biệt đối xử với các nhóm đối tượng cụ thể. Đây là một vấn đề quan trọng về đạo đức và trách nhiệm trong khoa học dữ liệu.

Mô phỏng Monte Carlo là một kỹ thuật tính toán sử dụng việc lấy mẫu ngẫu nhiên lặp đi lặp lại để thu được kết quả số. Trong kinh tế và tài chính, nó được dùng để mô hình hóa các hệ thống phức tạp có yếu tố ngẫu nhiên, ước tính xác suất của các kết quả khác nhau, và đánh giá rủi ro trong các quyết định đầu tư, quản lý dự án, v.v.

Khoa học dữ liệu cung cấp các mô hình và kỹ thuật để phân tích dữ liệu lịch sử tín dụng, thông tin cá nhân, và các yếu tố kinh tế vĩ mô, từ đó xây dựng các mô hình dự đoán rủi ro tín dụng chính xác hơn. Điều này giúp các tổ chức tài chính đưa ra quyết định cho vay thông minh hơn và giảm thiểu rủi ro nợ xấu.

Recall (hay còn gọi là độ nhạy) đo lường khả năng của mô hình trong việc tìm ra tất cả các trường hợp dương tính thực tế. Công thức tính Recall là: True Positives / (True Positives + False Negatives). Nó quan trọng trong các bài toán mà việc bỏ sót trường hợp dương tính là nghiêm trọng.

Ensemble methods kết hợp dự đoán của nhiều mô hình học máy yếu hơn (ví dụ: cây quyết định) để tạo ra một mô hình mạnh mẽ hơn. Các phương pháp như Random Forest và Gradient Boosting thường cho độ chính xác dự đoán cao hơn và ít bị overfitting hơn so với các mô hình đơn lẻ.

Clickstream data ghi lại mọi hành động của người dùng khi duyệt web, bao gồm các trang đã xem, liên kết đã nhấp, thời gian ở lại trang, v.v. Trong thương mại điện tử, dữ liệu này rất quan trọng để hiểu hành vi mua sắm của khách hàng, tối ưu hóa trải nghiệm người dùng, và cá nhân hóa marketing.

Trực quan hóa dữ liệu chuyển đổi dữ liệu số thành các định dạng hình ảnh như biểu đồ, đồ thị, bản đồ, giúp con người dễ dàng nhận biết các xu hướng, mẫu hình, và điểm bất thường trong dữ liệu một cách trực quan và nhanh chóng, hỗ trợ quá trình ra quyết định.

A/B testing là một phương pháp thử nghiệm đối chứng, trong đó hai phiên bản (A và B) của một biến thể (ví dụ: trang web, quảng cáo) được so sánh để xem phiên bản nào hoạt động tốt hơn. Nó dựa trên nguyên tắc thống kê suy luận để xác định xem sự khác biệt quan sát được giữa hai nhóm có ý nghĩa thống kê hay không, tức là có phải là do sự khác biệt thực sự hay chỉ là ngẫu nhiên.

Khoa học dữ liệu phân tích dữ liệu khách hàng (nhân khẩu học, hành vi trực tuyến, lịch sử mua hàng) để xác định đối tượng mục tiêu chính xác cho từng chiến dịch quảng cáo. Điều này giúp hiển thị quảng cáo đúng người, đúng thời điểm, tăng hiệu quả quảng cáo và giảm chi phí không cần thiết.

Hệ thống gợi ý sản phẩm phân tích dữ liệu hành vi người dùng (lịch sử mua hàng, lượt xem, đánh giá, v.v.) để đề xuất các sản phẩm phù hợp với sở thích và nhu cầu của từng cá nhân. Mục tiêu là tạo ra trải nghiệm mua sắm cá nhân hóa, tăng sự hài lòng của khách hàng và thúc đẩy doanh số.