Xây dựng mô hình AI từ dữ liệu doanh nghiệp

Sau khi dữ liệu sạch, bạn cần tạo feature - những thứ mà model thực sự học được. Con số thô từ database không phải lúc nào cũng hữu ích.

Ví dụ: Bạn muốn dự đoán một khách hàng sẽ mua gì tiếp theo. Chỉ dùng "tổng tiền đã mua" không đủ. Bạn cần tạo thêm: - Tần suất mua hàng (trung bình bao nhiêu ngày mua lần) - Độ giao động của giá trị mỗi lần mua (khách hàng ổn định hay thất thường) - Thời gian từ lần mua cuối cùng đến hôm nay (có phải chuyển sang competitor không?) - Tỷ lệ category mà họ thích (70% thời trang, 20% điện tử, 10% khác)

Tạo feature là một mix giữa kỹ thuật và business intuition. Bạn cần hiểu cả domain (doanh nghiệp) lẫn thống kê. Và đây là lý do tại sao một data scientist kém, với business knowledge tốt, thường đánh bại một data scientist giỏi nhưng không biết gì về ngành.

Mô hình phải có thể giải thích được

Công ty Việt bây giờ đã bắt đầu quan tâm đến explainability - tại sao mô hình quyết định như vậy. Đây không chỉ là vấn đề kỹ thuật mà là vấn đề pháp lý.

Nếu bạn dùng một black box model như deep learning để quyết định xem có nên cấp tín dụng cho khách hàng hay không, và khách hàng kiện vì lý do차별 đối xử, bạn sẽ gặp rắc rối. Ở Việt Nam, dù pháp lý chưa rõ ràng, nhưng các ngân hàng lớn đã yêu cầu mô hình phải explainable.

Tree-based models như XGBoost hoặc LightGBM là lựa chọn thực tế. Chúng có hiệu năng tốt, tốc độ nhanh, và người ta có thể lý giải được tại sao feature X lại quan trọng.

Hiệu suất thực tế không phải số liệu đẹp

Bài học cuối cùng - và có lẽ quan trọng nhất: accuracy 95% trên test set không có nghĩa gì nếu mô hình fail trong thực tế.

Tôi từng thấy một mô hình dự đoán churn với recall 98% nhưng precision chỉ 40%. Nó ghi hầu hết khách hàng là "sẽ bỏ", nhân viên chạy ra khuyến mãi cho cả cái hồ nước, kết quả là công ty mất tiền. Test set tuyệt vời, business result tệ hại.

Bạn cần đo lường những gì business thực sự quan tâm: bán được bao nhiêu, giảm churn bao nhiêu %, tiết kiệm chi phí bao nhiêu. Nếu mô hình không giúp được những điều đó, nó chẳng có giá trị.

---

Xây dựng mô hình AI từ dữ liệu doanh nghiệp là một hành trình dài, và hầu hết công việc nằm ở phần không sexy: dọn dẹp, chuyển đổi, validate. Đó là lý do tại sao các team tại Idflow Technology luôn nhấn mạnh rằng thành công phụ thuộc vào việc làm đúng những việc nghe có vẻ nhàm chán trước tiên.