Nghiên cứu này khảo sát 730 người dân miền Bắc để đề xuất kiến nghị thúc đẩy ý định mua sắm nông sản hữu cơ trực tuyến của người tiêu dùng. Dựa trên mô hình TAM, TPB, sử dụng các phương pháp phân tích thông kê như EFA và phân tích hồi quy tuyến tính bằng SPSS 26.0 đã cho thấy có 6 nhân tố ảnh hưởng đến ý định mua sắm nông sản hữu cơ trực tuyến của người tiêu dùng gồm mong đợi về giá cả, an toàn thực phẩm, chất lượng sản phẩm, ảnh hưởng xã hội, niềm tin và chất lượng dịch vụ hậu cần. Kết quả này là căn cứ cho việc đề xuất các kiến nghị để nâng cao năng lực sản xuất, bán hàng và đưa ra các quyết định, hành động đúng đắn cho doanh nghiệp, người tiêu dùng và các cơ quan quản lý liên quan đến nông sản hữu cơ.

Kinh doanh thông minh là tập hợp giải pháp về thu thập, quản lý và khai thác dữ liệu hỗ trợ ra quyết định trong doanh nghiệp. Ngày nay, giải pháp này đã trở nên phổ biến và được nhiều doanh nghiệp áp dụng dựa trên sự “tích lũy” dữ liệu theo thời gian. Tuy nhiên, các giải pháp kinh doanh thông minh hiện tại mới dừng lại ở mức thống kê mô tả, các mô hình dự báo còn hạn chế được sử dụng do sự khó khăn trong việc tích hợp, chi phí, cũng như năng lực chuyên môn liên quan đến các mô hình học máy. Từ đó, nghiên cứu này hình thành giải pháp tích hợp mô hình dự báo vào giải pháp kinh doanh thông minh, thực nghiệm trên tập dữ liệu bán lẻ, tập trung vào các công ty vừa và nhỏ nhằm tối ưu chi phí, dễ dàng triển khai. Kết quả từ nghiên cứu có 4 đóng góp chính, bao gồm (1) Giúp nhà quản trị cấu trúc, sắp xếp và tổ chức dữ liệu theo từng chủ đề nghiệp vụ; (2) Giúp nhà quản trị có cái nhìn toàn cảnh về tình hình hoạt động của doanh nghiệp từ chi tiết đến tổng quát; (3) Giúp nhà quản trị đưa ra các quyết định, chiến lược kinh doanh đúng đắn, nhanh chóng, kịp thời và chính xác; (4) Giúp nhà quản trị dễ dàng tích hợp mô hình dự báo vào giải pháp kinh doanh thông minh. Giải pháp này hoàn toàn có thể ứng dụng vào các doanh nghiệp để theo dõi và dự báo dữ liệu bán hàng.

Nghiên cứu này đề xuất ứng dụng phương pháp máy học để đo lường sự hài lòng (SHL) của khách hàng dựa trên các bình luận trực tuyến. Dữ liệu nghiên cứu là các bình luận của khách du lịch trên trang Agoda.com về các khách sạn tại Việt Nam. Nghiên cứu tiến hành huấn luyện bằng các mô hình máy học: Neural Network (NN), Decision Tree (DT), Naïve Bayes (NB), Support Vector Machines (SVM), Logistic Regression (LR) và Random Forest (RF) để tìm ra mô hình phân loại tốt nhất, sau đó ứng dụng mô hình này để dự báo SHL của khách hàng trên toàn bộ tập dữ liệu. Tiếp đến, nghiên cứu sử dụng phương pháp tổng hợp và xếp hạng mức độ hài lòng của khách hàng. Kết quả của nghiên cứu có giá trị tham khảo cho việc đánh giá SHL của khách hàng ở các lĩnh vực khác.

Đào tạo trực tuyến đang phát triển mạnh mẽ nhưng cũng khiến người học dễ bị lạc lõng, mất phương hướng trong môi trường học tập ảo rộng lớn vì không được tiếp xúc với giảng viên và bạn đồng học cụ thể. Từ đó dẫn đến tình trạng người học bị suy giảm động lực học tập. Vì vậy, nhu cầu phát triển các hệ thống tư vấn để giải quyết vấn đề quá tải thông tin, giúp cho người học dễ dàng truy cập chính xác, kịp thời những tài nguyên, dịch vụ mình quan tâm. Nguyên tắc của hệ tư vấn học tập là dựa trên cộng đồng những người học có đặc trưng tương tự và đạt kết quả học tập tốt để đưa ra tư vấn phù hợp cho một người học cụ thể trong các vấn đề cần ra quyết định như chọn cách thức học tập, tài nguyên học tập, nhóm học tập, đăng ký môn học. Mức độ chính xác của việc xây dựng cộng đồng người học sẽ ảnh hưởng đến chất lượng tư vấn. Nội dung của bài báo này sẽ trình bày về các phương pháp xây dựng cộng đồng người học trên hệ thống tư vấn học tập trong môi trường đào tạo trực tuyến cũng như vấn đề đánh giá hiệu quả của các phương pháp.

Việc đánh giá chất lượng các khóa học tại các trường đại học đóng vai trò quan trọng trong đảm bảo chất lượng giáo dục. Công việc này liên quan đến tìm hiểu mong muốn và mục tiêu của sinh viên, vấn đề họ đang gặp phải và đưa ra lời khuyên phù hợp, đánh giá khóa học dựa trên các phương pháp truyền thống sẽ không thể áp dụng cho các tiêu chí có mức độ quan trọng khác nhau. Bài báo này đã trình bày một cách tiếp cận mới sử dụng mô hình máy học TOPSIS -AHP và Kansei để nâng cao hiệu quả đánh giá chất lượng khóa học. Trong đó mô hình TOPSIS - AHP nhằm đánh giá khóa học được lượng hóa bằng cả yếu tố định tính và định lượng kết hợp đề xuất mô hình Kansei được áp dụng để định lượng mức độ đánh giá của sinh viên cho từng khoa học tại các trường đại học. Mô hình máy học TOPSIS - AHP Kansei được triển khai tại Trường Đại học Kinh tế TP.HCM (UEH) cho kết quả thực nghiệm cải tiến hơn so với phương pháp truyền thống đã có, góp phần giúp sinh viên lựa chọn được các khóa học thuận lợi, giúp cho nhà quản lý ra quyết định kịp thời với nhiều mục tiêu tiêu chí.