Keywords: Artificial Intelligence, machine learning, e-commerce, finance, prediction, analytics.
1. Giới thiệu
AI là ngành khoa học nghiên cứu và mô phỏng các quá trình sáng tạo của con người trên máy tính điện tử, nhằm tạo ra các hệ thống máy tính nói chung có thể thực hiện các hoạt động đòi hỏi trí thông minh của con người, chẳng hạn như nhận thức thị giác, nhận dạng giọng nói, ra quyết định và dịch ngôn ngữ. AI là một ngành công nghệ thông tin chủ yếu hoạt động với máy móc, được chế tạo để hoạt động như con người. Các chuyên gia mô tả AI là “kiến thức khoa học và kĩ thuật để phát triển các chương trình máy tính thông minh đặc biệt”.
ML và học sâu là hai trong số các phương pháp AI thường được sử dụng nhất. Các mô hình này học hỏi từ dữ liệu và được sử dụng để dự đoán bởi các cá nhân, công ty và tổ chức chính phủ.
Các tổ chức, doanh nghiệp với mục tiêu chính là thiết kế các phương pháp kiểm soát chất lượng sản phẩm tiêu chuẩn, đáng tin cậy và tìm kiếm các phương pháp mới để tiếp cận và phục vụ khách hàng, đồng thời duy trì chi phí thấp đã triển khai AI để đạt được trải nghiệm khách hàng tốt hơn, quản lí hiệu quả chuỗi cung ứng, cải thiện hiệu quả hoạt động, giảm quy mô đối tác.
Bài viết này trình bày các ứng dụng của ML và AI trong thương mại điện tử và ngành tài chính - ngân hàng với mục tiêu chính là tăng doanh số bán hàng, tối đa hóa lợi nhuận, dự đoán doanh số bán hàng, quản lí hàng tồn kho, bảo mật, phát hiện gian lận và quản lí danh mục đầu tư.
2. Các kĩ thuật ML nổi bật
ML là một lĩnh vực nhỏ của khoa học máy tính, nó có khả năng tự học hỏi dựa trên dữ liệu đưa vào mà không cần phải được lập trình cụ thể.
Các kĩ thuật ML thường được chia thành hai loại: Kĩ thuật học có giám sát và không giám sát sử dụng dữ liệu đào tạo được gán nhãn để suy luận (phân loại, hồi quy), trong khi các kĩ thuật học không giám sát, sử dụng dữ liệu không được gán nhãn để xác định tìm cấu trúc của tập dữ liệu (phân cụm).
Một bài toán được gọi là phân loại nếu các nhãn của dữ liệu đầu vào được chia thành một số nhóm. Ví dụ: Gmail xác định xem một email có phải là spam hay không; các tổ chức tín dụng xác định xem một khách hàng có khả năng thanh toán nợ hay không. Các kĩ thuật phân loại như Decision Tree (cây quyết định), Bayes (phân lớp), Artificial Neural Networks (mạng nơ-ron nhân tạo), Nearest Neighbor (hàng xóm gần nhất), Random Forest (rừng ngẫu nhiên), Support Vector Machines (máy vector hỗ trợ), Clustering (phân cụm) được sử dụng trong nhiều ứng dụng. Sau đây sẽ trình bày ngắn gọn về các kĩ thuật này.
Cây quyết định là một trong những kĩ thuật cơ bản và đơn giản nhất được sử dụng để giải quyết các vấn đề về phân loại. Cây quyết định được biểu diễn dưới dạng một cấu trúc cây. Mỗi nút trung gian, tức là nút không phải nút lá, tương ứng với phép kiểm tra một thuộc tính. Mỗi nhánh phía dưới của nút đó tương ứng với một giá trị của thuộc tính hay một kết quả của phép thử. Khác với nút trung gian, nút lá không chứa thuộc tính mà chứa nhãn phân loại. Để xác định nhãn phân loại cho một ví dụ nào đó, ta cho ví dụ chuyển động từ gốc cây về phía nút lá. Tại mỗi nút, thuộc tính tương ứng với nút được kiểm tra, tùy theo giá trị của thuộc tính đó mà ví dụ được chuyển xuống nhánh tương ứng bên dưới. Quá trình này lặp lại cho đến khi ví dụ tới được nút lá và được nhận nhãn phân loại là nhãn của nút lá tương ứng.
Phân lớp cho một tập hợp các đầu vào có thể là thách thức trong một số trường hợp. Hơn nữa, ngay cả khi sử dụng các giá trị thuộc tính đầu vào đã chỉ định để khớp với một số thuộc tính trong tập dữ liệu huấn luyện thì các biến lớp vẫn có thể không xác định. Điều này xảy ra do một số dữ liệu nhiễu và các đặc điểm phức tạp không được xem xét trong quá trình phân tích. Ví dụ: Dự đoán khả năng mắc bệnh tim ở một người nhất định dựa trên hoạt động hằng ngày của cá nhân đó. Trong trường hợp này, có thể phần lớn những người sử dụng thực phẩm bổ dưỡng và tập thể dục thường xuyên có nguy cơ mắc bệnh tim do các yếu tố khác như hút thuốc, uống rượu và khả năng di truyền. Trong những trường hợp như vậy, mô hình phân loại được tạo ra dựa trên các đặc điểm bệnh tim được công nhận rõ ràng nhưng không thể cung cấp thông tin chính xác. Trong những tình huống này, có một yêu cầu để mô tả mối tương quan xác suất giữa tập hợp thuộc tính và nhãn lớp. Kĩ thuật phân lớp là phù hợp cho các nhiệm vụ đó.
Mạng nơ-ron nhân tạo dựa trên mạng nơ-ron sinh học, được sử dụng để xây dựng bộ não động vật. Mạng nơ-ron nhân tạo còn được gọi là hệ thống kết nối vì nó được xây dựng từ các nút được liên kết và các liên kết có hướng. Mỗi kết nối trong hệ thống được gán một trọng số và có nhiệm vụ gửi tín hiệu từ nút này sang nút khác. Khi một nút nhận được tín hiệu, nó sẽ xử lí tín hiệu đó trước khi chuyển sang một nút khác.
Trong triển khai mạng nơ-ron, thông thường tín hiệu tại liên kết giữa các nơ-ron nhân tạo là một số thực và đầu ra của mỗi nơ-ron được xác định bởi một hàm phi tuyến của tổng tất cả các đầu vào của nó. Do trọng số của các tế bào thần kinh nhân tạo và các kết nối giữa chúng, cường độ tín hiệu tăng hoặc giảm khi quá trình học tiếp tục.
Có hai cách tiếp cận để xây dựng mô hình học trong các bài toán phân loại ML. Một trong số đó là mô hình bắt đầu học từ tập huấn luyện có sẵn; một mô hình khác quan sát tất cả các ví dụ huấn luyện nhưng chỉ phân loại được khi các thuộc tính của phiên bản thử nghiệm hoàn toàn khớp với bất kì phiên bản huấn luyện nào.
Bộ phân loại hàng xóm gần nhất coi mỗi mẫu là một điểm dữ liệu trong không gian d chiều, trong đó d là số lượng đặc trưng. Nó xác định khoảng cách giữa ví dụ thử nghiệm được cung cấp và tất cả các điểm dữ liệu trong tập huấn luyện. Trong thống kê, thuật toán hàng xóm gần nhất là phương pháp phân loại không tham số, điểm dữ liệu được phân loại dựa trên nhãn lớp các lân cận của nó. Trong k điểm gần nhất, nếu nhãn nào có nhiều điểm gần với điểm ví dụ thử nghiệm hơn thì đó chính là nhãn của điểm ví dụ thử nghiệm. Thách thức là giá trị chính xác của k hàng xóm gần nhất cần được thiết lập. Nếu giá trị của k quá thấp, nó có thể phân loại sai do nhiễu trong dữ liệu huấn luyện. Mặt khác, nếu giá trị của k quá lớn, sẽ có nguy cơ phân loại sai do tập hợp các lân cận gần nhất có thể chứa các điểm dữ liệu nằm cách xa lân cận của thuộc tính thử nghiệm.
Rừng ngẫu nhiên là một kĩ thuật ML có giám sát bao gồm một rừng các phán đoán được tạo bởi nhiều cây quyết định sinh ra bằng cách sử dụng các vectơ ngẫu nhiên. Phương pháp này có thể được sử dụng để giải quyết các vấn đề phân loại cũng như các bài toán hồi quy. Kết quả của thuật toán rừng ngẫu nhiên được kết nối với số lượng cây mà nó kết hợp trong rừng theo quy tắc khi số lượng cây trong rừng tăng lên thì cơ hội đạt được độ chính xác cao hơn. Điều quan trọng là phải hiểu rằng thiết lập rừng ngẫu nhiên không giống như tạo cây quyết định.
Sự khác biệt chính giữa cây quyết định và rừng ngẫu nhiên là trong phân loại rừng ngẫu nhiên, việc xác định nút gốc và tách các nút đặc trưng diễn ra ngẫu nhiên. Phân loại rừng ngẫu nhiên là phổ biến do lợi thế của nó. Một trong số đó là nó có thể được sử dụng cho cả phân loại và hồi quy. Ngoài ra, một bộ phân loại rừng ngẫu nhiên có thể xử lí dữ liệu bị thiếu và có thể được mô hình hóa trong trường hợp dữ liệu phân loại.
Bộ phân loại rừng ngẫu nhiên được sử dụng trong y tế, tài chính, thương mại điện tử và thị trường chứng khoán. Trong ngân hàng, phân loại ngẫu nhiên được sử dụng để phân biệt giữa khách hàng trung thành và gian lận. Thuật toán rừng ngẫu nhiên được sử dụng trong y học để tìm ra cách kết hợp thuốc tối ưu và chẩn đoán bệnh dựa trên thông tin y tế trước đây của bệnh nhân. Trong thị trường chứng khoán, công cụ phân loại rừng ngẫu nhiên được sử dụng để theo dõi hoạt động của cổ phiếu, sau đó phát hiện lỗ và lãi. Thuật toán rừng ngẫu nhiên có thể được sử dụng để đề xuất sản phẩm cho người dùng trong bối cảnh thương mại điện tử.
Máy vector hỗ trợ là mô hình học có giám sát nhận được rất nhiều sự quan tâm trong lĩnh vực phân loại. Mục tiêu của máy vector hỗ trợ là tìm ra một siêu phẳng trong không gian N chiều (ứng với N đặc trưng) chia dữ liệu thành hai phần tương ứng với lớp của chúng. Một máy vector hỗ trợ có thể thực hiện phân loại phi tuyến một cách hiệu quả bằng cách sử dụng kĩ thuật Kernel.
Phân cụm còn được gọi là phân tích cụm là công việc sắp xếp một tập hợp các đối tượng sao cho các phần tử trong một nhóm giống nhau hơn so với các phần tử trong nhóm khác. Phân cụm là nền tảng của khai thác dữ liệu và có thể được sử dụng trong nhiều ứng dụng như xử lí hình ảnh, nén dữ liệu, đồ họa máy tính... Phân cụm có thể được sử dụng kết hợp với các kĩ thuật phân loại đối tượng khác như phân loại, phân đoạn và phân vùng. Khi so sánh phân tích cụm với phân loại, có thể nói rằng, phân cụm là một ví dụ về học tập không giám sát, khác với phân loại dựa trên các phương pháp được giám sát. Hơn nữa, các mẫu mới được nhóm thành các lớp đã thiết lập trong trường hợp phân loại, trong khi các nhóm khuyến nghị được thiết lập ở trong trường hợp phân cụm dựa trên các mẫu dữ liệu.
3. Ứng dụng AI trong quản lí doanh nghiệp, thương mại điện tử và tài chính - ngân hàng
Các ứng dụng của AI và ML trong quản lí kinh doanh, thương mại điện tử và tài chính - ngân hàng sẽ được thảo luận trong phần này.
Chatbot
Hầu hết các trang web thương mại điện tử và tài chính đang sử dụng Chatbot để cải thiện sự hài lòng của khách hàng và cung cấp các dịch vụ nâng cao cho khách hàng. Những Chatbot này được phát triển bằng AI và kĩ thuật máy học. Chúng có khả năng giao tiếp như con người. Những Chatbot này có khả năng học tập, trên cơ sở sẵn có của dữ liệu trong quá khứ, chúng có khả năng cung cấp khuyến nghị tốt nhất cho khách hàng.
Hiện nay, rất nhiều ngân hàng trên thế giới và Việt Nam đã ứng dụng thành công Chatbot và nhận lại những lợi ích to lớn phải kể đến như:
- Bank of America (Mỹ): Sử dụng Chatbot Erica có khả năng giao tiếp bằng giọng nói và văn bản với khách hàng, cung cấp hướng dẫn tài chính cho hơn 45 triệu khách hàng.
- Commonwealth Bank (Úc): Commonwealth Bank đã tung ra một Chatbot có tên là Ceba để hỗ trợ khách hàng thực hiện hơn 200 tác vụ ngân hàng như kích hoạt thẻ, kiểm tra số dư tài khoản, thanh toán hoặc nhận tiền mặt không cần thẻ...
- Ngân hàng Thương mại cổ phần Tiên Phong (TPBank): Tại Việt Nam, TPBank đã sớm ứng dụng AI để phục vụ khách hàng trong lĩnh vực ngân hàng số với trợ lí ảo có tên gọi là “T’Aio”. Trợ lí ảo này có khả năng phản hồi tự động khi nhận được đề nghị giao tiếp thông tin từ khách hàng chưa tới 5 giây; hoạt động 24/7 và nhờ ứng dụng AI, Tiao liên tục học hỏi; hoàn thiện qua những lần hỗ trợ khách hàng để dần trở nên thông minh và giống con người hơn.
Tìm kiếm bằng hình ảnh
Trong bối cảnh toàn cầu hóa, con người có thể mua sắm từ khắp nơi trên thế giới thông qua các website thương mại điện tử. Tuy nhiên, rào cản về ngôn ngữ khiến người dùng khó tiếp cận tới nguồn hàng. Chính vì vậy, gần đây một số website thương mại điện tử đã ứng dụng tìm kiếm bằng hình ảnh dựa trên AI, giúp khách hàng có thể tìm kiếm sản phẩm bằng hình ảnh thay vì tìm kiếm sản phẩm bằng cách sử dụng các từ khóa.
Ứng dụng này đã thu hút sự quan tâm của khách hàng và gia tăng trải nghiệm khách hàng. Một số website thương mại điện tử tiêu biểu đã triển khai ứng dụng này đó là: Amazon, Taobao, Shopee…
Xử lí dữ liệu khách hàng
Thương mại điện tử có một lượng lớn dữ liệu liên quan. Các thuật toán ML có khả năng thực hiện nghiên cứu phân tích về dữ liệu trong quá khứ liên quan đến bán hàng, nguồn nhân lực, tiếp thị và thói quen mua hàng của khách hàng. Kết quả phân tích này có thể giúp tối đa hóa lợi nhuận, tối đa hóa doanh số bán hàng, tối ưu hóa nguồn lực. Điều này giúp các công ty thương mại điện tử và tài chính cung cấp sản phẩm của họ phù hợp cho từng loại khách hàng cụ thể.
Hệ thống khuyến nghị
Các thuật toán ML có thể thực hiện phân tích dữ liệu quá khứ của khách hàng liên quan đến sự lựa chọn, hành vi của khách hàng. Từ đó, có thể dự đoán các lựa chọn của khách hàng một cách hiệu quả và có thể đề xuất hoặc giới thiệu các sản phẩm phù hợp nhất cho khách hàng. Khách hàng sẽ dễ dàng tiếp cận được với những sản phẩm, dịch vụ mà mình quan tâm. Ứng dụng của hệ thống khuyến nghị giúp các công ty thương mại điện tử và tài chính tăng doanh thu và sự hài lòng của khách hàng.
Quản lí hàng tồn kho
Thuật toán AI giúp các công ty thương mại điện tử quản lí hàng tồn kho. Các thuật toán này thực hiện nghiên cứu phân tích dữ liệu bán hàng trong quá khứ và tìm ra mối tương quan giữa doanh số bán hàng hiện tại và doanh số bán hàng trong tương lai. Từ đó giúp các nhà quản lí dự đoán doanh số bán hàng trong tương lai và duy trì hàng tồn kho phù hợp.
An ninh mạng
Các thuật toán máy học có khả năng phát hiện các lỗ hổng trong hệ thống và cung cấp các giải pháp bảo mật phù hợp để giữ an toàn cho nền tảng thương mại điện tử. AI quét toàn bộ hệ thống và kiểm tra mọi mối đe dọa có thể xảy ra. Kết hợp thông tin về mối đe dọa thông thường (danh sách tất cả các mối đe dọa mạng đã biết cho đến nay) và sử dụng ML để hiểu các rủi ro có thể xảy ra. Điều này sẽ tạo ra một hệ thống phát hiện và ngăn chặn mối đe dọa tốt và hiệu quả hơn, cũng như có thể giúp xác định bất kì lỗ hổng hoặc mối đe dọa nào có trong dữ liệu. Trên thực tế, ML cũng có thể được sử dụng để phát hiện các điểm bất thường hoặc lỗ hổng tiềm ẩn trong quá trình hoạt động “bình thường” và cảnh báo người dùng về mối đe dọa trước khi nó có thể xâm phạm dữ liệu thiết yếu.
Các công ty tài chính cũng đã lựa chọn các thuật toán ML phù hợp để phát hiện sớm các mối đe dọa và ngăn chặn gian lận. AI có thể phát hiện gian lận bằng cách xem xét hành vi, mô hình của khách hàng hoặc người đang đăng nhập trên hệ thống trong quá khứ và hiện tại. Khi có nghi ngờ gian lận AI sẽ đặt các bước thử hoặc xác nhận lệnh ở mức độ bảo mật cao hơn, đặt thời gian giữ chân giao dịch, nếu mức độ nghiêm trọng có thể khóa tài khoản hoặc gửi cảnh báo đến người dùng hoặc hệ thống.
Các mô hình thuật toán AI thường được sử dụng để đánh giá giao dịch là hợp pháp hay gian lận trong lĩnh vực ngân hàng là: Rừng ngẫu nhiên; mạng nơ-ron nhân tạo; cây quyết định; máy vector hỗ trợ; phân loại hàng xóm gần nhất; kĩ thuật phân cụm…
Quản lí quan hệ khách hàng (Customer Relationship Management - CRM)
Trước đây, CRM sử dụng nhân viên để thu thập dữ liệu và phục vụ khách hàng. Tuy nhiên, ngày nay, AI có thể dự đoán khách hàng nào sẽ mua và làm cách nào để tương tác tốt hơn với họ. Các ứng dụng AI có thể được sử dụng để hỗ trợ xác định xu hướng và lập kế hoạch hoạt động dựa trên các xu hướng mới nhất. CRM nâng cao có thể học hỏi và cải thiện theo thời gian với sự hỗ trợ của các kĩ thuật ML.
Đánh giá rủi ro khoản vay và phân tích tín dụng
Các mô hình thống kê phân tích dữ liệu nhân khẩu học và hành vi được sử dụng để đánh giá rủi ro cho vay và đưa ra quyết định tín dụng. Bên cạnh những thông tin cá nhân như tuổi, địa chỉ, thu nhập hằng tháng, tình trạng nhà hoặc thời gian làm việc, thuật toán ML có thể xem xét các thông tin xác định rủi ro khác như thói quen tiêu dùng. Ngân hàng sẽ nhận được điểm tín dụng làm cơ sở cho quá trình ra quyết định. AI cũng có thể được sử dụng để bảo lãnh cho vay và phân tích tín dụng. Bằng cách phân tích dữ liệu khách hàng, các thuật toán AI có thể đánh giá rủi ro tín dụng và xác định khả năng vỡ nợ của khoản vay. Điều này giúp các tổ chức tài chính đưa ra quyết định tốt hơn và phát triển các chiến lược phân tích tín dụng hiệu quả hơn.
Hiện nay, có nhiều công ty ứng dụng công nghệ AI và dữ liệu lớn trong đánh giá rủi ro tín dụng tại Việt Nam. LenddoEFL là công ty sử dụng công nghệ AI trong chấm điểm tín dụng có trụ sở tại Singapore, công ty hoạt động tại Philippines, Mexico, Colombia và gần đây là Việt Nam thông qua hợp tác với Ngân hàng Thương mại cổ phần Phương Đông (Prweb, 2018). Công ty cung cấp một ứng dụng tích hợp tạo ra một thẻ điểm từ 0 đến 1.000 với tên gọi là LenddoScore. Ứng dụng này thu thập dữ liệu mạng xã hội, dữ liệu di động, dữ liệu trình duyệt, dữ liệu viễn thông, dữ liệu giao dịch thương mại điện tử, dữ liệu giao dịch tài chính, dữ liệu đo lường tâm lí và phân tích điền biểu mẫu.
TrustSocial, một công ty khởi nghiệp có trụ sở tại Việt Nam và Singapore có nhiệm vụ thu thập dữ liệu viễn thông để lập hồ sơ rủi ro. Công ty này sử dụng dữ liệu cuộc gọi hoặc tin nhắn SMS (thời gian, địa điểm và thời lượng), dữ liệu nạp tiền và dữ liệu giao dịch dịch vụ giá trị gia tăng để xác định thu nhập, mô hình di chuyển, kĩ năng tài chính của người vay, hồ sơ tiêu dùng, vốn xã hội và thói quen sống.
Quản lí danh mục đầu tư
Các kĩ thuật AI có thể được sử dụng để thực hiện các phân tích cơ bản đòi hỏi sự kết hợp của nhiều nguồn thông tin, bao gồm cả việc sử dụng phân tích văn bản và để tối ưu hóa việc phân bổ tài sản trong các danh mục đầu tư tài chính. So với các phương pháp tối ưu hóa danh mục đầu tư thông thường, các kĩ thuật AI thường cung cấp các ước tính tốt hơn về lợi nhuận và phương sai. Sau đó, những ước tính này có thể được sử dụng để tối ưu hóa danh mục đầu tư truyền thống. Hơn nữa, AI có thể được sử dụng trực tiếp cho các quyết định phân bổ tài sản để xây dựng danh mục đầu tư đáp ứng mục tiêu hiệu suất chặt chẽ hơn danh mục đầu tư được tạo bằng phương pháp truyền thống.
Các phương pháp để xây dựng danh mục đầu tư gồm: Lập trình ngôn ngữ tư duy (NLP), Hồi quy LASSO, mạng nơ-ron nhân tạo, máy vector hỗ trợ. Phương pháp tối ưu hóa danh mục đầu tư gồm: Kĩ thuật mạng nơ-ron nhân tạo có thể được đào tạo để đưa ra các quyết định phân bổ tài sản dưới những ràng buộc phức tạp thường không dễ dàng để tích hợp vào lợi tức kì vọng - phương sai.
Điển hình trong việc áp dụng AI để quản lí danh mục đầu tư, có thể kể đến tập đoàn đầu tư lớn nhất thế giới là BlackRock (Mỹ) với khối tài sản hơn 6 nghìn tỉ USD, có một phòng thí nghiệm AI chuyên dụng để hỗ trợ hoạt động. Ngân hàng Thụy Sĩ UBS đã cải tiến sàn giao dịch của mình bằng hai hệ thống AI mới: Hệ thống thứ nhất là xác định các mô hình giao dịch sau khi phân tích hàng loạt dữ liệu thị trường, tiếp đến, tư vấn các chiến lược giao dịch cho khách hàng để có lợi nhuận cao hơn; hệ thống thứ hai đề cập đến các sở thích phân bổ sau giao dịch của người dùng.
Nhân sự
Trong vài năm trở lại đây, quá trình tuyển dụng đã trải qua những thay đổi đáng kể do các yếu tố bên ngoài như đại dịch Covid-19 và sự mất cân đối cung cầu lớn trên thị trường lao động. Nhiều công ty đã chuyển sang sử dụng công cụ tuyển dụng AI cho vòng phỏng vấn đầu tiên để giải quyết những thách thức này. Điều này có thể tiết kiệm thời gian và tăng cường hiệu suất quá trình tuyển dụng.
Một ví dụ về công cụ phỏng vấn AI là Duomian, có thể thực hiện hơn 4.000 cuộc phỏng vấn trong vòng 24 giờ, tương đương với khối lượng công việc của ba người phỏng vấn làm việc 48 giờ không nghỉ. Hệ thống cũng có thể trả lời một số câu hỏi thường được hỏi bởi các ứng viên, chẳng hạn như những câu hỏi liên quan đến lương, thưởng, địa điểm văn phòng và chế độ đãi ngộ của công ty.
Bán hàng
AI có thể đánh giá các mục tiêu của doanh nghiệp cùng với nhiều nguồn dữ liệu và sau đó, đề xuất các khả năng thu hút khách hàng phù hợp nhất. Tối ưu hóa giá với sự hỗ trợ của AI và ML cũng có thể giúp tối đa hóa lợi nhuận. AI và ML cũng có thể góp phần cải thiện các đề xuất của người tiêu dùng và phân tích thị trường để cải thiện doanh số bán hàng.
4. Kết luận và khuyến nghị
AI đã được sử dụng trong ngành thương mại điện tử và tài chính để cải thiện trải nghiệm của khách hàng, quản lí chuỗi cung ứng hiệu quả, hiệu quả hoạt động và quy mô đối tác, với mục tiêu chính là thiết kế các phương pháp kiểm soát chất lượng sản phẩm tiêu chuẩn, đáng tin cậy và tìm kiếm các cách tiếp cận mới để phục vụ khách hàng với chi phí thấp. Học sâu và ML là hai trong số các kĩ thuật AI phổ biến nhất. Các mô hình này được các cá nhân, tập đoàn và tổ chức chính phủ sử dụng để dự đoán và học hỏi từ dữ liệu. Bài viết đã đề cập đến việc sử dụng máy học và AI trong thương mại điện tử, quản lí kinh doanh và tài chính. Một số ứng dụng phổ biến nhất bao gồm tăng trưởng doanh số, tối đa hóa lợi nhuận, dự báo doanh số, quản lí hàng tồn kho, bảo mật, phát hiện gian lận và quản lí danh mục đầu tư.
Mặc dù AI mang lại nhiều lợi ích cho ngành thương mại điện tử, quản lí kinh doanh và tài chính, nhưng cũng đặt ra nhiều thách thức khi ứng dụng trong thực tế như độ tin cậy của dữ liệu, vấn đề bảo mật, khả năng khai thác và xử lí dữ liệu, đào tạo và phát triển nhân lực... Để giải quyết các vấn đề này, sau đây là một số khuyến nghị:
Một là, đào tạo và thu hút nhân lực: Việc tìm kiếm và thu hút được nhân lực có chuyên môn, kĩ năng về AI đủ để áp dụng vào thực tế là một thách thức lớn. Theo báo cáo của KPMG (2019), khoảng 65% các doanh nghiệp tham gia khảo sát cho biết họ gặp khó khăn trong việc tìm kiếm và thuê được nhân viên có kĩ năng AI. Các doanh nghiệp, tổ chức cần có chính sách liên kết rõ ràng, cụ thể với các cơ sở đào tạo trong nước, với các tập đoàn công nghệ trong vấn đề đào tạo nguồn nhân lực công nghệ thông tin nói chung và nguồn nhân lực an ninh, an toàn thông tin mạng nói riêng. Cụ thể, các tổ chức, doanh nghiệp có thể kết hợp với các cơ sở đào tạo về công nghệ thông tin cho sinh viên tiếp cận công việc thực tế giúp họ có thể thực tập, làm việc ngay khi còn ngồi trên ghế nhà trường. Đặc biệt, phối hợp với cơ sở đào tạo mở các khóa đào tạo chuyên sâu, cấp học bổng toàn phần/một phần để tạo điều kiện cho sinh viên học tập tốt hơn. Điều này giúp sinh viên được rèn luyện, trải nghiệm thực tế và có thể đáp ứng được yêu cầu công việc ngay khi tốt nghiệp và được tuyển dụng.
Hai là, cần đảm bảo tính minh bạch và trách nhiệm đối với việc sử dụng dữ liệu khách hàng. AI phụ thuộc vào dữ liệu để hoạt động và dữ liệu này thường được thu thập từ người dùng. Việc sử dụng và quản lí dữ liệu đòi hỏi tính minh bạch và trách nhiệm cao, đặc biệt là trong bối cảnh người dùng ngày càng quan tâm đến quyền riêng tư và an ninh thông tin. Theo PwC (2019), 85% khách hàng mong muốn có kiểm soát cao hơn về việc thu thập và sử dụng thông tin của họ, chỉ có 10% khách hàng tin tưởng vào khả năng các công ty bảo vệ thông tin khách hàng. Vì vậy, các công ty thương mại điện tử, công ty tài chính cần đưa ra các biện pháp đảm bảo sự minh bạch về cách thức thu thập và bảo vệ dữ liệu của khách hàng để tăng niềm tin của khách hàng.
Tài liệu tham khảo:
1. P. Prabhu, N. Anbazhagan, FI-FCM Algorithm for Business Intelligence. In: Prasath R., Kathirvalavakumar T. (eds) Mining Intelligence and Knowledge Exploration. Lecture Notes in Computer Science, vol 8284. Springer, Cham, pages 518-528 ISSN 0302-9743(Print ISBN 978-3-319-03843-8), (Online ISBN 978-3-319-03844-5), 2013, doi: 10.1007/978-3-319-03844-5_52 December 2013.
2. A. Di Vaio, F. Boccia, L. Landriani, R. Palladino, Artificial Intelligence in the AgriFood System: Rethinking Sustainable Business Models in the COVID-19 Scenario. Sustainability 2020, 12, 4851.
3. A. Di Vaio, R. Palladino, R. Hassan, O. Escobar, Artificial intelligence and business models in the sustainable development goals perspective: A systematic literature review. J. Bus. Res. 2020, pages 121, 283-314.
4. I.H. Sarker, Machine learning: algorithms, real-world applications and research directions, SN Comput. Sci. 2 (2021) 160, https://doi.org/10.1007/s42979-021-00592-x.
5. M. Ferdous, J. Debnath, N.R. Chakraborty, ‘‘Machine Learning Algorithms in Healthcare: A Literature Survey,” 2020 11th International Conference on Computing, Communication and Networking Technologies (ICCCNT), 2020, pages 1 - 6, doi: 10.1109/ICCCNT49239.2020.9225642.
6. N. Soni, E.K. Sharma, N. Singh, A. Kapoor, Artificial Intelligence in Business: From Research and Innovation to Market Deployment. Procedia Comput. Sci. 2020, 167, pages 2200 - 2210.
7. N. Soni, E.K. Sharma, N. Singh, A. Kapoor, Impact of Artificial Intelligence on Businesses: From Research, Innovation, Market Deployment to Future Shifts in Business Models. arXiv 2019, arXiv:1905.02092.
8. P. Szabó, B. Genge, ‘‘Efficient Conversion Prediction in E-Commerce Applications with Unsupervised Learning,” 2020 International Conference on Software, Telecommunications and Computer Networks (SoftCOM), 2020, pages 1-6, doi: 10.23919/SoftCOM50211.2020.9238344.
9. R. Kamal, A. Karan, V.S. Arungalai, ‘‘Investigations on E-commerce Data for Forecasting the Efficient Promotional Platform Using Supervised Machine Learning,” 2019 4th International Conference on Recent Trends on Electronics, Information, Communication & Technology (RTEICT), 2019, pages 939-943, doi: 10.1109/RTEICT46194.2019.9016688.
10. R. Manne, S.C. Kantheti, Application of artificial intelligence in healthcare: Chances and challenges, Curr. J. Appl. Sci. Technol. 40 (6) (2021) pages 78-89, https://doi.org/10.9734/cjast/2021/v40i631320.
11. R.S. Ganesh, K.J. Jausmin, J. Srilatha, R. Indumathy, M. Naved, M. Ashok, 2021, April. Artificial Intelligence Based Smart Facial Expression Recognition Remote Control System. In 2021 5th International Conference on Computing Methodologies and Communication (ICCMC) (pages 1056-1061). IEEE.
12. S. Nandhini, J. Marseline K.S., ‘‘Performance Evaluation of Machine Learning Algorithms for Email Spam Detection,” 2020 International Conference on Emerging Trends in Information Technology and Engineering (ic-ETITE), 2020, pages 1-4, doi: 10.1109/ic-ETITE47903.2020.312.
13. S.C. Bilow, Introduction: AL and machine learning, SMPTE Motion Imaging J. 129 (2) (2020) 14-15, https://doi.org/10.5594/JMI.2020.2964182.
14. T. Kumar, M. Trakru, The Colossal Impact of Artificial Intelligence. ECommerce: Statistics and Facts. Int. Res. J. Eng. Technol. (IRJET) 2020, 6, pages 570-572. Available online: https://www.irjet.net/archives/V6/i5/IRJET - V6I5116.pdf (accessed on 3 December 2020).
ThS. Nguyễn Thị Yến