Đề thi, bài tập trắc nghiệm online Khoa học dữ liệu trong kinh tế và kinh doanh – Đề 4

Dự đoán nhu cầu nguyên vật liệu sản xuất thuộc về lĩnh vực quản lý chuỗi cung ứng hoặc sản xuất, không trực tiếp liên quan đến Marketing. Các ứng dụng còn lại (phân khúc khách hàng, đề xuất sản phẩm, phân tích hiệu quả quảng cáo) là những ứng dụng phổ biến của khoa học dữ liệu trong Marketing.

Phân tích phương sai (ANOVA) là một kỹ thuật thống kê để so sánh trung bình giữa các nhóm, thường được sử dụng trong kiểm định giả thuyết. Trong khi đó, phân tích hồi quy, phân cụm và phân lớp là các kỹ thuật khai thác dữ liệu chính để tìm kiếm mẫu, nhóm và dự đoán trong dữ liệu kinh tế và kinh doanh.

Mô hình '3V' kinh điển của Big Data bao gồm Volume (khối lượng dữ liệu lớn), Variety (đa dạng về loại dữ liệu), và Velocity (tốc độ tạo và xử lý dữ liệu nhanh chóng). Veracity (tính xác thực) dù quan trọng nhưng không nằm trong mô hình 3V gốc (mô hình mở rộng có thể bao gồm Veracity và Value).

Thiên vị trong dữ liệu (ví dụ, dữ liệu huấn luyện không đại diện cho toàn bộ quần thể) hoặc trong mô hình (do lựa chọn thuật toán hoặc tham số) có thể tạo ra kết quả phân tích hoặc dự đoán lệch lạc, không công bằng, hoặc phân biệt đối xử với một số nhóm người hoặc đối tượng nhất định.

Lịch sử thanh toán nợ (ví dụ, số lần thanh toán chậm, nợ xấu trong quá khứ) là một chỉ báo mạnh mẽ về khả năng thanh toán nợ trong tương lai của khách hàng, do đó là một feature quan trọng trong mô hình dự đoán rủi ro tín dụng. Các lựa chọn khác ít có liên quan trực tiếp đến khả năng trả nợ.

Bias-Variance tradeoff là một khái niệm cốt lõi trong học máy. Mô hình có 'bias' cao thường quá đơn giản và không khớp tốt với dữ liệu huấn luyện (underfitting). Mô hình có 'variance' cao lại quá phức tạp và khớp quá tốt với dữ liệu huấn luyện (overfitting), dẫn đến kém tổng quát hóa. Cần tìm sự cân bằng để mô hình vừa khớp đủ tốt với dữ liệu huấn luyện, vừa có khả năng tổng quát hóa tốt trên dữ liệu mới.

Topic Modeling là một kỹ thuật xử lý ngôn ngữ tự nhiên để khám phá các chủ đề ẩn trong một tập hợp lớn các văn bản. Nó giúp tự động xác định các chủ đề chính được thảo luận và cách các chủ đề này liên quan đến nhau.

Dữ liệu phi cấu trúc không có định dạng rõ ràng và không dễ dàng được tổ chức trong cơ sở dữ liệu quan hệ truyền thống. Bài đăng và bình luận trên mạng xã hội là ví dụ điển hình, thường ở dạng văn bản tự do, hình ảnh, video, v.v., đòi hỏi các kỹ thuật đặc biệt để xử lý và phân tích.

Dù công nghệ, dữ liệu và nhân lực đều quan trọng, nhưng yếu tố then chốt để dự án khoa học dữ liệu thành công là phải bắt đầu từ bài toán kinh doanh cụ thể và mục tiêu rõ ràng. Khoa học dữ liệu phải phục vụ mục tiêu kinh doanh, không phải chỉ là ứng dụng công nghệ vì công nghệ.

Giảm chiều dữ liệu là kỹ thuật giảm số lượng biến đầu vào (features) của một tập dữ liệu. Mục tiêu là làm đơn giản hóa mô hình, giảm nhiễu, và cải thiện hiệu suất tính toán, đồng thời cố gắng giữ lại càng nhiều thông tin quan trọng càng tốt.

Việc thu thập và phân tích dữ liệu khách hàng, đặc biệt là dữ liệu cá nhân, đặt ra thách thức đạo đức lớn về quyền riêng tư. Sử dụng dữ liệu mà không có sự đồng ý hoặc cho các mục đích không minh bạch có thể vi phạm đạo đức và pháp luật.

Khoa học dữ liệu tập trung vào việc sử dụng các phương pháp khoa học để trích xuất tri thức và hiểu biết sâu sắc từ dữ liệu, nhằm hỗ trợ việc ra quyết định trong kinh tế và kinh doanh.

Trong HR, khoa học dữ liệu được sử dụng để phân tích dữ liệu nhân sự, tối ưu hóa quy trình tuyển dụng (ví dụ, sàng lọc hồ sơ, dự đoán ứng viên tiềm năng), dự đoán tỷ lệ nghỉ việc (churn rate) để có biện pháp giữ chân nhân viên, và nhiều ứng dụng khác liên quan đến quản lý và phát triển nguồn nhân lực.

Python là ngôn ngữ lập trình phổ biến nhất trong khoa học dữ liệu nhờ vào thư viện phong phú (như NumPy, pandas, scikit-learn) và cộng đồng hỗ trợ lớn mạnh, dễ dàng cho việc phân tích, xử lý dữ liệu và xây dựng mô hình học máy.

Overfitting là tình trạng mô hình học quá sát vào dữ liệu huấn luyện, bao gồm cả nhiễu. Kết quả là, mô hình hoạt động rất tốt trên dữ liệu huấn luyện (độ chính xác cao) nhưng lại kém tổng quát hóa và hoạt động kém trên dữ liệu mới hoặc dữ liệu kiểm tra.

Feature Engineering là một phần quan trọng của quy trình khoa học dữ liệu. Nó liên quan đến việc sử dụng kiến thức về lĩnh vực và các kỹ thuật khác nhau để tạo ra các đặc trưng (features) mới từ dữ liệu thô hoặc biến đổi các đặc trưng hiện có sao cho phù hợp và hiệu quả hơn cho mô hình học máy.

Sentiment Analysis là một kỹ thuật xử lý ngôn ngữ tự nhiên (NLP) để xác định thái độ, ý kiến hoặc cảm xúc được thể hiện trong văn bản. Nó thường được dùng để phân tích đánh giá sản phẩm, bình luận trên mạng xã hội, v.v.

Regularization là một kỹ thuật quan trọng để ngăn chặn overfitting. Bằng cách thêm một hình phạt vào hàm mục tiêu trong quá trình huấn luyện, nó khuyến khích mô hình đơn giản hơn và ít phức tạp hơn, từ đó cải thiện khả năng tổng quát hóa trên dữ liệu mới.

Trong trường hợp dữ liệu phân lớp không cân bằng (ví dụ, gian lận chiếm tỷ lệ rất nhỏ trong tổng số giao dịch), độ chính xác có thể gây hiểu lầm. Một mô hình luôn dự đoán lớp chiếm đa số vẫn có thể đạt độ chính xác cao nhưng không thực sự hữu ích trong việc phát hiện lớp thiểu số quan trọng (gian lận). Khi đó, các chỉ số như Precision, Recall, F1-score hoặc AUC sẽ phù hợp hơn.

Trong tài chính, khoa học dữ liệu được sử dụng rộng rãi để phân tích rủi ro tín dụng (dự đoán khả năng vỡ nợ của khách hàng) và phát hiện các giao dịch gian lận thông qua việc nhận diện các mẫu bất thường trong dữ liệu giao dịch.

Một trong những ưu điểm lớn nhất của mô hình Cây quyết định là tính dễ hiểu và dễ diễn giải. Cấu trúc dạng cây giúp trực quan hóa quá trình ra quyết định, dễ dàng cho cả người không chuyên gia về kỹ thuật hiểu được logic của mô hình.

Ensemble Methods kết hợp dự đoán của nhiều mô hình học máy yếu (weak learners) để tạo ra một mô hình mạnh (strong learner). Các phương pháp như Random Forest và Gradient Boosting thường cho hiệu suất dự đoán cao hơn và ổn định hơn so với các mô hình đơn lẻ, do giảm cả bias và variance.

Đối với các nhà quản lý kinh doanh, điều quan trọng là hiểu được ý nghĩa kinh doanh của kết quả phân tích dữ liệu và các hành động cụ thể cần thực hiện. Việc trình bày cần rõ ràng, trực quan, tránh thuật ngữ kỹ thuật phức tạp và tập trung vào giá trị và tác động kinh doanh.

Cá nhân hóa trải nghiệm khách hàng, ví dụ như đề xuất sản phẩm phù hợp, cung cấp nội dung và ưu đãi cá nhân hóa, giúp tăng sự hài lòng của khách hàng, xây dựng mối quan hệ tốt hơn và tăng lòng trung thành, từ đó thúc đẩy doanh số và lợi nhuận.

Mô hình chuỗi thời gian được thiết kế đặc biệt để phân tích và dự báo dữ liệu theo thời gian. Nó hiệu quả nhất khi dữ liệu thể hiện các mẫu theo thời gian như xu hướng (tăng/giảm dần) hoặc tính mùa vụ (lặp lại theo chu kỳ cố định).

Cross-validation là một kỹ thuật quan trọng để đánh giá khách quan hiệu suất của mô hình học máy. Bằng cách chia dữ liệu thành nhiều phần (folds), huấn luyện trên một số phần và kiểm tra trên phần còn lại, nó giúp ước lượng khả năng mô hình hoạt động tốt trên dữ liệu chưa từng thấy, tức là khả năng tổng quát hóa.

Giai đoạn chuẩn bị dữ liệu là bước quan trọng để đảm bảo chất lượng dữ liệu đầu vào cho các bước phân tích tiếp theo. Nó bao gồm các công việc như xử lý dữ liệu thiếu, loại bỏ dữ liệu nhiễu, chuyển đổi định dạng, và tích hợp dữ liệu từ nhiều nguồn.

Kinh tế vĩ mô liên quan đến các vấn đề kinh tế ở quy mô quốc gia hoặc toàn cầu, như GDP, lạm phát, thất nghiệp. Khoa học dữ liệu có thể được sử dụng để phân tích dữ liệu kinh tế vĩ mô và dự báo các chỉ số quan trọng này, hỗ trợ hoạch định chính sách kinh tế.

Phân cụm khách hàng (Customer Clustering) là kỹ thuật phân chia tập hợp khách hàng thành các nhóm (cluster) sao cho các khách hàng trong cùng một nhóm có nhiều điểm tương đồng (ví dụ, hành vi mua sắm, nhân khẩu học) và khác biệt so với các nhóm khác. Mục tiêu là hiểu rõ hơn về các phân khúc khách hàng khác nhau để có chiến lược marketing phù hợp.

Khoa học dữ liệu đóng vai trò quan trọng trong quản lý chuỗi cung ứng bằng cách phân tích dữ liệu lịch sử và hiện tại để dự báo nhu cầu, tối ưu hóa mức tồn kho, giảm chi phí lưu kho, và cải thiện hiệu quả hoạt động toàn chuỗi.