Luận văn nghiên cứu việc ứng dụng các mô hình học máy nhằm dự báo số lượng sản phẩm tiêu thụ trên sàn thương mại điện tử Tiki trong bối cảnh chuyển đổi số và sự phát triển mạnh mẽ của thương mại điện tử tại Việt Nam. Nghiên cứu tiến hành tổng hợp cơ sở lý luận về phân tích dữ liệu, dự báo nhu cầu và các thuật toán học máy, đồng thời thu thập dữ liệu về sản phẩm, doanh số, giá bán, chương trình khuyến mại, đánh giá của khách hàng và các đặc điểm liên quan đến hoạt động kinh doanh trên sàn Tiki. Dữ liệu được xử lý thông qua các bước làm sạch, chuẩn hóa, phân tích khám phá dữ liệu và lựa chọn đặc trưng trước khi xây dựng các mô hình dự báo như Linear Regression, Random Forest, XGBoost và LightGBM. Hiệu quả của các mô hình được đánh giá bằng các chỉ số MAE, RMSE và R² nhằm lựa chọn mô hình có độ chính xác cao nhất. Kết quả nghiên cứu cho thấy việc ứng dụng học máy giúp nâng cao đáng kể khả năng dự báo nhu cầu tiêu thụ sản phẩm, đồng thời xác định được các yếu tố có ảnh hưởng lớn đến doanh số như giá bán, chương trình giảm giá, mức độ đánh giá của khách hàng, số lượng bình luận và đặc điểm của từng nhóm sản phẩm. Trên cơ sở kết quả đạt được, luận văn đề xuất các giải pháp ứng dụng mô hình dự báo trong quản lý tồn kho, lập kế hoạch nhập hàng, tối ưu hoạt động Marketingketing và hỗ trợ doanh nghiệp ra quyết định kinh doanh dựa trên dữ liệu, góp phần nâng cao hiệu quả hoạt động và khả năng cạnh tranh của doanh nghiệp trong môi trường thương mại điện tử.

Từ khóa:

Nghiên cứu, Quản trị, Doanh nghiệp

Abstract:

The thesis studies the application of machine-learning models to forecast the quantity of products sold on the Tiki e-commerce platform amid digital transformation and the strong development of e-commerce in Vietnam. The study synthesizes theoretical foundations on data analysis, demand forecasting, and machine-learning algorithms, while collecting data on products, sales, prices, promotional programs, customer reviews, and other characteristics related to business activities on the Tiki platform. Data were processed through cleaning, normalization, exploratory data analysis, and feature selection before building forecasting models such as Linear Regression, Random Forest, XGBoost, and LightGBM. Model performance was evaluated using MAE, RMSE, and R² indicators to select the most accurate model. Results show that applying machine learning significantly improves the ability to forecast product-consumption demand, while identifying factors with a major influence on sales, such as price, discount programs, customer-rating levels, number of reviews, and characteristics of each product group. Based on these results, the thesis proposes solutions to apply forecasting models in inventory management, purchase planning, Marketingketing optimization, and support for data-driven business decisions, contributing to improved operational effectiveness and competitiveness for the enterprise in the e-commerce environment.

Key word: