LuanVan.vnLuận Văn
Gửi thư

Phân tích theo khía cạnh đánh giá độ hài lòng của khách hàng thông qua nội dung cuộc gọi Outbound chăm sóc khách hàng

Luận văn · Thạc sĩ · năm 2025 · đề tài tham khảo

Loại tài liệuLuận văn
Bậc họcThạc sĩ
NgànhMarketing, thương mại
Tác giảTrương Thị Anh Đào
Người hướng dẫnĐỗ Trọng Hợp
Cơ sở đào tạoĐại học Quốc gia TP. Hồ Chí Minh
Năm2025
NguồnThư viện số Đại học Quốc gia TP. Hồ Chí Minh · trang gốc

Tóm tắt

Cạnh tranh gay gắt giữa các doanh nghiệp dẫn đến chủ doanh nghiệp phải quan tâm tới chất lượng dịch vụ chăm sóc khách hàng đóng vai trò then chốt trong việc duy trì lòng trung thành và nâng cao trải nghiệm người dùng. Luận văn này tập trung nghiên cứu việc xử lý và phân tích dữ liệu ghi âm từ các cuộc gọi Outbound (OB) nhằm đánh giá mức độ hài lòng của người dùng thông qua các khía cạnh cảm xúc và nội dung trao đổi. Dữ liệu sử dụng trong nghiên cứu là các đoạn hội thoại được ghi âm và chuyển đổi sang dạng văn bản (.txt), phản ánh trực tiếp ý kiến và thái độ của khách hàng. Tổng cộng có 5.866 câu phản hồi được thu thập, chia thành bốn khía cạnh chính: Thiết bị đầu cuối (TBDC), Chất lượng đường truyền (CLDT), Nhân viên kinh doanh (NVKD) và Nhân viên kỹ thuật (NVKT). Mỗi phản hồi được gán nhãn cảm xúc Hài lòng (HL) hoặc Không hài lòng (KHL) thông qua quy trình đánh giá thủ công. Luận văn tiến hành tiền xử lý dữ liệu văn bản, bao gồm chuẩn hóa tiếng Việt, loại bỏ dấu câu, từ dừng và thực hiện tách từ. Sau đó, các phản hồi được biểu diễn bằng mô hình TF-IDF (Term Frequency – Inverse Document Frequency) để chuyển đổi văn bản thành dạng vector số. Dữ liệu được chia thành hai phần: 80% cho huấn luyện và 20% cho kiểm tra, đảm bảo tính khách quan trong đánh giá mô hình. Hai thuật toán được lựa chọn để huấn luyện và so sánh là Logistic Regression và Support Vector Machine (SVM). Đây là hai phương pháp học máy kinh điển, phổ biến trong các bài toán phân loại văn bản, với ưu điểm là dễ triển khai, hiệu quả cao và có khả năng diễn giải rõ ràng. Kết quả thực nghiệm cho thấy, mô hình Logistic Regression đạt hiệu suất vượt trội hơn so với SVM trên hầu hết các khía cạnh. Độ chính xác trung bình trên tập kiểm tra của Logistic Regression dao động từ 94% đến 96%, trong khi SVM chỉ đạt từ 86% đến 91%. Ngoài việc so sánh hai mô hình, luận văn cũng tiến hành đánh giá tổng hợp cho bài toán phân loại cảm xúc khách hàng. Sau khi loại bỏ các mẫu dữ liệu không đồng nhất, mô hình Logistic Regression đạt 97,56% độ chính xác, với các chỉ số Precision, Recall và F1-score đều trên 0,96, thể hiện khả năng nhận diện cảm xúc rất tốt. Ma trận nhầm lẫn cho thấy chỉ còn một tỷ lệ rất nhỏ các mẫu bị dự đoán sai, chứng tỏ mô hình có tính ổn định cao và có thể ứng dụng thực tế. Một trong những đóng góp quan trọng của luận văn là xử lý vấn đề mất cân bằng dữ liệu – vốn là thách thức phổ biến trong các bài toán phân tích cảm xúc. Bằng việc mở rộng tập dữ liệu huấn luyện và bổ sung các mẫu phản hồi mới, mô hình đã cải thiện đáng kể khả năng phân biệt giữa hai lớp cảm xúc, đặc biệt ở các khía cạnh có ít phản hồi tiêu cực. Kết quả nghiên cứu khẳng định rằng Logistic Regression là mô hình phù hợp nhất trong bối cảnh dữ liệu phản hồi tiếng Việt, có khả năng triển khai nhanh, độ chính xác cao và dễ tích hợp vào các hệ thống doanh nghiệp. Luận văn cũng mở ra hướng nghiên cứu tương lai bao gồm: (1) kết hợp dữ liệu giọng nói và văn bản để khai thác đặc trưng ngữ điệu trong cảm xúc khách hàng; (2) ứng dụng các mô hình ngôn ngữ hiện đại như PhoBERT, BERT, hoặc Transformer nhằm nâng cao khả năng hiểu ngữ cảnh; và (3) tích hợp mô hình vào hệ thống CRM của VNPT để tự động hóa quy trình đánh giá mức độ hài lòng và hỗ trợ ra quyết định cho đội ngũ chăm sóc khách hàng. Tổng thể, luận văn không chỉ đạt được kết quả tốt về mặt học thuật mà còn mang giá trị thực tiễn cao, thể hiện tiềm năng ứng dụng học máy trong việc nâng cao trải nghiệm khách hàng và tối ưu hóa quy trình dịch vụ tại doanh nghiệp viễn thông. CHƯƠNG 1: GIỚI THIỆU CHƯƠNG 2: CƠ SỞ LÝ LUẬN VÀ CÁC NGHIÊN CỨU LIÊN QUAN CHƯƠNG 3: PHÂN TÍCH YÊU CẦU VÀ ĐỀ XUẤT MÔ HÌNH CHƯƠNG 4: THỰC NGHIỆM VÀ ĐÁNH GIÁ CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
Bản toàn văn lưu tại thư viện Đại học Quốc gia TP. Hồ Chí Minh

Thông tin và tóm tắt ở trên lấy từ kho số mở của thư viện trường. Bản toàn văn do thư viện trường quản lý — có nơi cho đọc trực tuyến, có nơi cần tài khoản bạn đọc của trường.

Mở tại thư viện trường ↗
Dùng tài liệu tham khảo cho đúng
  • Đọc để hiểu cách người trước đặt câu hỏi, chọn phương pháp, trình bày số liệu — rồi tự làm với dữ liệu và bối cảnh của bạn.
  • Ý, số liệu, bảng biểu lấy từ tài liệu này phải trích dẫn (tác giả, năm, tên đề tài, cơ sở đào tạo).
  • Đề tài trùng tên vẫn làm được nếu khác đơn vị khảo sát, thời gian hoặc cách tiếp cận — nêu rõ điểm khác trong phần mở đầu.

Hướng dẫn chọn đề tài, cấu trúc và số liệu cho ngành này: Luận văn marketing, thương mại · Hỏi đáp từng chương với người hướng dẫn số: Học Giả Số · Công cụ số: Luận Văn Số.

Đề tài cùng ngành

Tác giả muốn gỡ, sửa thông tin hoặc bổ sung bản toàn văn: gửi yêu cầu qua trang Liên hệ, kèm đường dẫn trang này.