LuanVan.vnLuận Văn
Gửi thư

Thiết kế và triển khai quy trình học máy tự động hóa cho bài toán dự đoán người dùng rời bỏ ứng dụng

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

Loại tài liệuLuận văn
Bậc họcThạc sĩ
NgànhCông nghệ thông tin
Tác giảHồng Tuệ Minh
Người hướng dẫnNgô Tấn Vũ Khanh
Cơ sở đào tạoTrường Đại học Kinh tế TP. Hồ Chí Minh
Năm2025
NguồnThư viện số Trường Đại học Kinh tế TP. Hồ Chí Minh · trang gốc

Tóm tắt

Theo số liệu từ Newzoo, từ cuối năm 2022, thế giới đã có gần 3,2 tỷ người chơi game, tổng doanh thu toàn ngành đạt tới con số lớn nhất từ trước tới nay là 182,9 tỷ USD. Năm 2023, doanh thu ước tính sẽ chạm mốc mới là 187,7 tỷ USD. Trong đó, riêng mảng game di động đã đóng góp hơn 92,6 tỷ USD. Theo số liệu của một số công ty nghiên cứu thị trường, Việt Nam nói riêng và Đông Nam Á nói chung là khu vực có tốc độ tăng trưởng game di động cao nhất trên thế giới, với mức 7,4% mỗi năm trong giai đoạn 2022 – 2025. Thị trường game của Việt Nam xếp thứ 5 khu vực Đông Nam Á về doanh thu. Thực tế cho thấy bối cảnh ngành công nghiệp game di động tại Việt Nam đang phát triển nhanh chóng, được thúc đẩy bởi sự gia tăng của smartphone và truy cập internet. Khi mức độ cạnh tranh ngày càng cao, việc hiểu và dự đoán khả năng người chơi rời bỏ game đang trở thành một yếu tố quan trọng cho sự thành công của các nhà phát triển game. Việc xác định chính xác những người chơi có khả năng rời bỏ giúp các nhà phát triển triển khai các chiến lược giữ chân người dùng nhắm mục tiêu, từ đó nâng cao sự gắn kết của người chơi và tạo tiền đề tăng trưởng doanh thu. Nghiên cứu này tập trung vào việc phân tích hành vi chơi game di động của khách hàng và đưa ra các dự đoán về xu hướng rời bỏ game của họ, thông qua sử dụng các mô hình học máy. Các mô hình học máy cung cấp một cách tiếp cận tinh vi để giải quyết thách thức này, cho phép có những dự đoán chuyên sâu dựa trên dữ liệu hành vi của người chơi. Trong nghiên cứu này, nhiều kỹ thuật học máy khác nhau — như Hồi quy Logistic, Decision Tree, Random Forest, Gradient Boosting, K-Nearest Neighbors (KNN), và Máy Vector Hỗ trợ (SVM) — được áp dụng để đánh giá tính hiệu quả của chúng trong việc dự đoán tỷ lệ rời bỏ, tạo ra một khung dự báo rời bỏ vững chắc và hỗ trợ các chiến lược chủ động trong việc thu hút người chơi ở thị trường game di động sôi động của Việt Nam nói chung và của công ty VNG nói riêng.
Bản toàn văn lưu tại thư viện Trường Đại học Kinh tế 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 công nghệ thông tin · 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.

Tải ứng dụng AI Học Thuật

Tư vấn học thuật, luận văn, công bố quốc tế với chuyên gia — miễn phí trên iPhone, iPad và Android.

Download on the App Store Tải trên Google Play