Luận văn nghiên cứu việc ứng dụng các thuật toán học máy để dự báo hành vi rời bỏ của khách hàng trong lĩnh vực viễn thông tại Việt Nam nhằm hỗ trợ doanh nghiệp nâng cao hiệu quả quản trị khách hàng và giảm tỷ lệ mất thuê bao. Trên cơ sở tổng quan lý thuyết về hành vi khách hàng, học máy và các phương pháp phân tích dữ liệu, nghiên cứu sử dụng bộ dữ liệu khách hàng viễn thông bao gồm các thông tin về đặc điểm cá nhân, thời gian sử dụng dịch vụ, loại hợp đồng, phương thức thanh toán, doanh thu, dịch vụ sử dụng và tình trạng rời bỏ. Dữ liệu được tiền xử lý thông qua các bước làm sạch, chuẩn hóa, mã hóa dữ liệu, phân tích khám phá và lựa chọn đặc trưng trước khi xây dựng các mô hình dự báo như Logistics và Quản lý chuỗi cung ứngistic Regression, Random Forest, XGBoost và SVM. Các mô hình được đánh giá bằng các chỉ số Accuracy, Precision, Recall, F1-score và ROC-AUC để xác định mô hình có hiệu quả dự báo tốt nhất. Kết quả nghiên cứu cho thấy thời hạn hợp đồng, chi phí dịch vụ hàng tháng, thời gian sử dụng, phương thức thanh toán, dịch vụ hỗ trợ kỹ thuật và chất lượng chăm sóc khách hàng là những yếu tố ảnh hưởng đáng kể đến quyết định rời bỏ của khách hàng. Trên cơ sở kết quả phân tích, luận văn đề xuất các giải pháp tăng cường chăm sóc khách hàng, xây dựng chương trình giữ chân khách hàng, cá nhân hóa dịch vụ và ứng dụng hệ thống dự báo bằng học máy trong hoạt động quản trị khách hàng nhằm nâng cao chất lượng dịch vụ, giảm tỷ lệ rời bỏ và gia tăng năng lực cạnh tranh của doanh nghiệp viễn thông.

Từ khóa:

Nghiên cứu, Quản trị, Doanh nghiệp

Abstract:

The thesis studies the application of machine-learning algorithms to predict customer churn behavior in Vietnam's telecommunications sector to help enterprises improve customer-management effectiveness and reduce subscriber-loss rates. Based on a review of theory on customer behavior, machine learning, and data-analysis methods, the study uses a telecom customer dataset including personal characteristics, service-usage duration, contract type, payment method, revenue, services used, and churn status. Data were preprocessed through cleaning, normalization, encoding, exploratory analysis, and feature selection before building predictive models such as Logistics và Quản lý chuỗi cung ứngistic Regression, Random Forest, XGBoost, and SVM. The models were evaluated using Accuracy, Precision, Recall, F1-score, and ROC-AUC indicators to determine the best-performing predictive model. Results show that contract term, monthly service cost, usage duration, payment method, technical-support services, and customer-care quality are factors significantly affecting customers' churn decisions. Based on the analysis results, the thesis proposes solutions to strengthen customer care, build customer-retention programs, personalize services, and apply machine-learning-based forecasting systems in customer management to improve service quality, reduce churn rates, and increase the competitiveness of telecom enterprises.

Key word: