LOI CAM ON Trong quá trình nghiên cứu đề tài “A⁄ô hình dự báo đơn hàng được giao đúng hay trễ giờ tại shopee việt nam dựa trén Azure Machine Learning Studio”, nhom rat cam kich vi đã đượ
Ý nghĩa lý thuyết
Kiểm tra, khẳng định tính đúng đắn của mô hình và kết quá của bài nghiên cứu trước liên quan tới các yếu tố ảnh hưởng đến giao hàng của sản TMĐT Hơn nữa, bài này còn nghiên cứu mở rộng hơn việc đưa ra mô hình dự đoán đơn hàng trễ hay đúng giờ thông qua các thông số cũng như đưa ra lý thuyết về xu hướng phân phối phù hợp cho các nhà quản lý sàn TMĐT, nhằm cải thiện tình hình nan giải của việc giao hàng
1.7.2 Ý nghĩa thực tiễn Đưa ra mô hình hoàn thiện và đề xuất được các phương pháp hữu ích giúp cho doanh nghiệp, cụ thể là các công ty TMĐT, từ đó có thê xử lý tôi ưu các đơn hàng có khả năng giao trễ, lấy được sự hài lòng khách hàng Đồng thời, có thể mở rộng ứng dụng sang các doanh nghiệp hoạt động tương tự như: các công ty logistics, forwarder, cũng như hỗ trợ cho qua trinh supply chain gap ít trở ngại hơn với vẫn đề vận chuyền, nhất là ở khâu phân phôi cho các chỉ nhánh bán lẻ toàn quốc
1.8 Bồ cục nghiên cứu Bài nghiên cứu này gồm 5 chương:
Chương I: Tổng quan nghiên cứu Chương 2: Cơ sở lý thuyết Chương 3: Phương pháp nghiên cứu Chương 4: Kết quả nghiên cứu Chương 5: Kết luận và đề xuất
CHUONG 2: CO SO LY THUYET
Giao hàng đúng/ trễ giờ - ảnh hướng lớn đến sự hài lòng của khách hàng Trước đây đã có nhiều nghiên cứu đã đóng góp đáng kê vào sự hiểu biết về trải nghiệm Trước đây đã có nhiều nghiên cứu đã đóng góp đáng kê vào sự hiểu biết về trải nghiệm
phối như một thước đo chất lượng quan trọng Jiang và Rosenbloom (2005) đưa ra bằng chứng rằng mức độ hài lòng của khách hàng có thể khác nhau giữa các giai đoạn thanh toán bán lẻ trực tuyến và sau khi giao hàng, cho thấy rằng việc giao hàng có tác động đến sự hài lòng tông thể của khách hàng Những nghiên cứu trước đây cho thấy mối liên hệ giữa nhận thức của khách hàng về trải nghiệm trực tuyến và trải nghiệm của họ sau khi nhận bưu kiện Giao hàng đúng giờ đã được coi là nguồn giá trị của khách hàng trong thương mại điện tử (Keeney 1999) Các yếu tô như giao hàng đúng hẹn (Heim và Sinha 2001), giá cả và tông thời gian giao hàng (Swaminathan và Tayur 2003; Fisher, Gallino và Xu 2016) đã được chấp nhận là tiền đề cho sự hài lòng và lòng trung thành của khách hàng đôi với một nhà bán lẻ điện tử Từ góc độ trải nghiệm của khách hàng, sự bất đồng về nhận thức do giao hàng chậm trễ sẽ ảnh hưởng đến nhận thức của khách hàng vẻ trải nghiệm mua sắm trực tuyến (Liao va Keng 2013)
Khi người tiêu dùng có xu hướng hiểu trải nghiệm thương mại điện tử từ góc độ tông thể, mà không phân biệt rõ ràng tác nhân nào trong số các tác nhân thị trường tham gia chịu trách nhiệm cho quy trình nào (Tax, MeCutcheon và Wilkinson 2013), có thê giá định rằng kết quả phân phối giao hàng trễ sẽ có ảnh hưởng đến sự hài lòng tông thể của khách hàng và mối quan hệ của người tiêu dùng trong tương lai với một nhà bán lẻ điện tử nhất định
Hãy xem xét trường hợp khách hàng mua một mặt hàng trực tuyến mặc dù có trải nghiệm mua sắm trực tuyến hoàn hảo nhưng trái nghiệm giao hàng khiến khách hàng không hài lòng (ví dụ: giao hàng chậm trễ hay bị móp méo)thì khách hàng có thê chuyển sang các nhà bán lẻ điện tử thay thế để có gắng tránh các lỗi dich vụ trong tương lai Người ta cho rằng trái nghiệm mua hàng trực tuyến được thiết kế tốt có tính đến các yêu cầu giao hàng của người tiêu dùng và do đó có thê có tác động tích cực đến quá trình giao hàng chặng cuối, vì nhà bán lẻ điện tử là tác nhân đặt ra các tùy chọn giao hàng để người tiêu dùng lựa chọn Từ đó có thể thầy rằng trái nghiệm giao hàng chặng cuối có tác động lớn đến sự hài lòng của khách hàng và cũng là một trong những nhân tô quyết định xem sản thương mại điện tử đó có giữ chân được khách hàng của mình hay không
Trong bài nghiên cứu này việc giao hàng đúng hay trễ giờ được quyết định dựa vào hợp đồng thỏa thuan mirc d6 dich vu (Service level agreement) Service level agreement (SLA) là một hợp đồng chính thức giữa người cung cấp dịch vụ (SP) và người sử dụng dịch vụ (SC) và nó xác định hiệu suất và mức thời gian mà nhà vận chuyên có thê đảm bảo đến nơi Hợp đồng này bao gom những thỏa thuận đặc trưng như trách nhiệm, quyền lợi, ưu tiên, đảm báo Mục đích chính của SLA là giảm thiểu những xung đột tiềm ân và đưa ra các giải pháp trước khi các vấn đề được xảy ra Các tham số SLA thường được thiết kế bằng cách xác định một số điều kiện có thể đo lường khách quan, và trong đó có khoảng thời gian chuẩn từ lúc lay hang dén lúc nhận hàng (leadtime) Nếu khoảng thời gian từ lúc lây hàng đến lúc nhận hàng thực tế nhỏ hơn hoặc bằng tham số chuẩn này thì đơn hàng được tính là đúng giờ và ngược lại vượt quá con số này đơn hàng tính là trễ giờ giao hàng
Leadtime delivery = done delivery — pickup done 2.2 Các yếu tố ảnh hưởng đến vấn đề giao hàng trễ giờ
2.2.1 Điểm đi (tỉnh/ quận, huyện của người bán) và điểm đến (tỉnh/ quận, huyện của người mua)
Tính đến ngày | tháng I năm 2021, Việt Nam có 63 tỉnh, 46 quận và 52§ huyện Shopee là trang thương mại điện tử lớn với độ phủ sóng khắp các tỉnh thành tại Việt Nam VỊ trí địa lý của người mua và người bán là một yêu tô tác động lớn đên vân đề giao hàng tại các trang thương mại điện tử (P Anderson, Lata ChatterJee và T.R.Lakshamanan 2003): Dân sô đông thường tập trung ở các thành phô lớn, người dân đô thị tiếp xúc sớm và có nhiều điều kiện sử dụng sử dụng internet hơn, vì vậy những khu vực này tập trung nhiều người bán và cả người mua Điều này tạo nên sự khác biệt giữa thành thị và nông thôn, giữa các thành phố lớn và thành phố vừa
2.2.2 Distance Đây là khoảng cách giữa người mua và người bán Khoảng cách được chia thành 5 khoảng, tùy vào mỗi khoáng sẽ ảnh hướng đến mức độ giao hàng nhanh chậm khác nhau
LÌ eel cs g
PD Fit { v x", mm 7 á „ a es 8 case ae ar OF v
Hình 4.18: M6 ta hodn chinh cde bude danh gia mé hinh trong Azure Machine Learning
Nguồn: Nhóm tác gid ẹệ Sait Metedsts
{© Fiter Based Feature Selection v ND ô
DL) Two-Claz: Boosted Decision @! Split Date v ey Class Boosted D 0 way PT 23:2 a “ °
| Evaluat= Mode SJ evaluate Mode
Hình 4.19: M6 ta hodn chinh các bước danh gia m6 hinh Two-Class Boosted Decision Tree trong Azure
Machine Learning Nguồn: Nhóm tác giả Đối với K-Nearest Neighbors
Vì mô hình K-Nearest Neighbors không có sẵn trên Azure Machine Learning nên nhóm đã sử dụng thuật toán trên nền tảng Colab viết bằng ngôn ngữ Python đề thêm thư viện của mé hinh K-Nearest Neighbors dé tiễn hành đánh giá y Start training the model using training set ¥ [85] from sklearn.neighbors import KNeighborsClassifier classifier = KNeighborsClassifier() classifier.fit(X_train, y train)
KNeighborsClassifier(algorithm="auto’, leaf_size0, metric="minkowski’', metric_params=None, n_jobs=None, n_neighbors=5, p=2, weights='uniform' )
Hình 4.20: Mã code trainning dữ liệu theo mô hình K-Nearest Neighbors
Predicted labels from sklearn.metrics import classification_report, confusion_matrix print(classification_report(y_test, y_pred)) precision
1 6.84 accuracy macro avg 9.68 weighted avg 0.78 recall f1-score
8.35 eee WHO OneR 17500 - 15000 - 12500 - 10000 su pport
Hình 4.21: Kế quả đánh giá độ tin cậy của mô hình K-Nearest Neighbors
4.3 Đánh giá và lựa chọn mô hình dự đoán Sau khi chạy cả 3 mô hình nhóm so sánh dựa trên các chỉ số đã giải thích trước đó:
Bảng 4.1: Kết quả so sánh 3 mô hình dự đoán
Mô hình Accurancy Precision Recall F1 Score
CHƯƠNG 5: KẾT LUẬN
Mô hình được xác định dự đoán đơn hàng giao đúng hay trễ tốt nhất là mô hình Two- Class Bayes Point
Qua việc chạy thử nghiệm các mô hình dự đoán như Two-Class Bayes Point, Two- Class Boosted Decision Tree, K-Nearest Neighbors thì nhóm có thể xem xét mức độ chính xác mô hình dựa trên nhiều chỉ số khác nhau như accurancy, precision, recall, F 1-score ttr đó có thê đưa ra được lựa chọn mô hình tốt nhất trong bài nghiên cứu là Two-Class Bayes Point
2 Các yếu tô ảnh hưởng nhất đến việc đơn hàng được giao đúng hay trễ:
O Dwa trén Filter Based Feature Selection cé thé thay được mức độ tác động của các biến độc lập đối với biến phụ thuộc “Check delivery ontime”, cụ thê 3 biển tác động lớn nhất:
C1 Quận/huyện người mua (Buyer Town): sự khác biệt có do nhiều yếu tố như vị trí địa lý, mật độ dân cư, xu hướng mua hàng online của nhiều khu vực người mua khác nhau đẫn đến tác động đến việc giao hàng đúng hay trễ khác nhau
E1 Ngày cuối tuần (Is_weekend): Số lượng đơn khác biệt giữa ngày cuối tuần và ngày thường cũng được xem như một tác động lớn đến việc giao hàng đúng hay trễ LÌ Khoảng cách (Distance): Khoảng cách càng xa thì quy định giao hàng theo Service
Level Aggrement có xu hướng càng lâu vì vậy không hắn các đơn xa sẽ trễ nhiều hơn mà ở từng mức khoảng cách nhất định sẽ có tác động đến việc giao hàng trễ nhiều hơn, cụ thể trong trường hợp này là số lượng đơn giao trễ nhiều nhất nằm trong khoảng 20- 100km
5.2 Hạn chế nghiên cứu Do hạn chế trong việc ứng dụng google map API vào việc xác định đúng vị trí người mua và người bán nên nhóm chỉ có thể phân loại thành 6 nhóm khoảng cách chính đề tiến hành nghiên cứu sơ bộ sự tác động của khoảng cách đối với việc giao hàng đúng hay trễ giờ Vì vậy có thê mô hình sẽ có sự thay đôi của biến khoảng cách khi áp dụng vào dự báo thực tế tại các sàn Thương Mại Điện Tử có định vị vị trí đơn hàng cụ thé
Dự báo này dựa trên dữ liệu của các đơn hàng trong tầm tháng 8 va thang 9/2020, những thay đổi về số lượng đơn hàng vào những tháng khác như mùa sale, lễ tết, không thê phản ánh được tính chính xác nhất so với nghiên cứu
Do thời gian nghiên cứu có hạn và kiến thức còn hạn chế nên nghiên cứu vẫn chưa tìm hiểu sâu vào được hết tất cả các biến trong dữ liệu
5.3 Đề xuất và Hàm ý quản trị Việc phát triển mô hình cho thấy rằng các tính năng có yếu tố khác nhau và tầm quan trọng khác nhau tương ứng từng quốc gia riêng biệt, có nghĩa là một mô hình không thê phù hợp với tất cá các quốc gia vì sự khác biệt trong việc phân phối hàng hóa, khu vực địa lý, và do đó, mỗi sàn thương mại điện tử tại các quốc gia nên có một mô hình riêng dựa trên việc so sánh chi s6 thể hiện mức độ chính xác như đã trình bày Các mô hình dự đoán này cho phép các sàn thương mại điện tử dự báo được các đơn hàng giao trễ làm ảnh hưởng đến sự hài lòng của khách hàng Từ đó dựa trên các đặc tính của đơn hàng sẽ đưa ra các hướng giải quyết, khắc phục mới trong tương lai nhằm thu hút thêm khách hàng mới và giữ chân được khách hàng cũ
5.4 Hướng nghiên cứu trong tương lai Trong việc phát triển hơn mô hình trong tương lai thì việc nghiên cứu chỉ tiết hơn và sử dụng thêm các biến ảnh hưởng thực tế khác như thông tin tọa độ vị trí cụ thé, các đơn được đặt trong các ngày lễ tết, các đơn giao hàng xuyên quốc gia để nhằm cải thiện hiệu suất mô hình và đo lường chuẩn xác hơn các yếu tô ảnh hưởng đến việc đơn hàng giao đúng hay trễ giờ Bên cạnh đó, do hạn chế nghiên cứu của bài này là lấy đữ liệu từ Shopee chi phục vụ cho mục đích học tập nên chưa thực sự đầy đủ các biến thực tế nên hướng nghiên cứu sắp tới cần bổ sung đữ liệu thực tế và chỉ tiết hơn đề có thể đưa ra những dự báo, chuân đoán và giải pháp thiết thực phù hợp với Shopee nói riêng và các sàn thương mại điện tử nói chung.
TAI LIEU THAM KHAO
Kandula, S., Krishnamoorthy, S., & Roy, D (2021).A prescriptive analytics framework for efficient E-commerce order delivery Decision Support Systems, 147,
Praet, S., & Martens, D (2019) Efficient Parcel Delivery by Predicting Customers’
Quah, J W., Ang, C H., Divakar, R., Idrus, R., Abdullah, N L., & Chew, X
(2018) Timing-of-Delivery Prediction Model to Visualize Delivery Trends for Pos Laju Malaysia by Machine Learning Techniques Soft Computing in Data Science, 65-95
Vakulenko, Y., Shams, P., Hellstrém, D., & Hjort, K (2019) Online retail experience and customer satisfaction: the mediating role of last mile delivery The International Review of Retail, Distribution and Consumer Research, 29(3), 306-320
Anderson, W P., Chatterjee, L., & Lakshmanan, T R (2003) E-commerce, Transportation, and Economic Geography Growth and Change, 34(4), 415-432
Trevinal, A M., and T Stenger 2014 “Toward a Conceptualization of the Online Shopping Experience.” Journal of Retailing and Consumer Services 21 (3): 314-326
Jiang, P., and B Rosenbloom 2005 “Customer Intention to Return Online: Price Perception, Attribute-Level Performance, and Satisfaction Unfolding over Time.”
European Journal of Marketing Keeney, R L 1999 “The Value of Internet Commerce to the Customer.”
Heim, G R., and K K Sinha 2001 “Operational Drivers of Customer Loyalty in Electronic Retailing: An Empirical Analysis of Electronic Food Retailers.”
Swaminathan, J M., and S R Tayur 2003 “Models for Supply Chains in E- Business.” Management Science 49 (10): 1387-1406
Fisher, M., S Gallino, and J Xu 2016 “The Value of Rapid Delivery in Online Retailing” Ssrn, May.
