Nguồn tham khảo: Nguyễn Thị Thu Trang, Nguyễn Thị Liên, Phạm Thị Ngọc Bích, & Kiều Nguyệt Kim (2023). Ứng dụng phương pháp học máy dự báo khả năng khách hàng rời bỏ dịch vụ thẻ tín dụng. Tạp chí Kinh tế - Luật và Ngân hàng(252), 58–70. https://doi.org/10.59276/tckhdt.2023.05.2494
Truy cập toàn văn: https://doi.org/10.59276/tckhdt.2023.05.2494
Tóm tắt nội dung
Nghiên cứu của nhóm tác giả Nguyễn Thị Thu Trang và cộng sự, đăng trên Tạp chí Kinh tế – Luật và Ngân hàng, không bàn về giáo dục mà dự báo khả năng khách hàng rời bỏ dịch vụ thẻ tín dụng tại ngân hàng bằng học máy. Bài toán này có cấu trúc tương tự bài toán bỏ học: phân lớp nhị phân nhằm nhận diện sớm đối tượng có khả năng rời đi. Các phương pháp được sử dụng gồm rừng ngẫu nhiên (Random Forest), SVM, Naïve Bayes, hồi quy logistic và một phương pháp kết hợp cả bốn.
Các phương pháp đều cho chất lượng dự báo khá tốt với độ chính xác cao; rừng ngẫu nhiên tốt nhất trên mọi tiêu chí, gồm Accuracy, Precision, Sensitivity, Specificity và F1 score. Các yếu tố quan trọng nhất ảnh hưởng đến khả năng rời bỏ là lịch sử giao dịch thẻ tín dụng và mối quan hệ của khách hàng với ngân hàng, từ đó nhóm tác giả đưa ra khuyến nghị giữ chân khách hàng cho nhà quản lý ngân hàng. Với bài toán dự báo sinh viên bỏ học, tài liệu minh họa cách đánh giá mô hình theo nhiều chỉ số cùng lúc thay vì chỉ nhìn độ chính xác, và cho thấy dữ liệu về lịch sử tương tác của đối tượng với tổ chức có sức dự báo cao, tương tự dữ liệu quá trình học tập của sinh viên.
Luận điểm liên quan trong bài viết chính
Trong bài viết chính, tài liệu này được dẫn để làm rõ nhận định sau: Ở Việt Nam, các mô hình rừng ngẫu nhiên, SVM, Naïve Bayes và hồi quy logistic cũng đã được so sánh để dự báo khách hàng rời bỏ dịch vụ thẻ tín dụng (Nguyễn Thị Thu Trang và cộng sự, 2023).
Xem bài viết chính: Ứng dụng học máy phát hiện sinh viên có nguy cơ bỏ học: từ bài toán lớp thiểu số đến quyết định can thiệp