Chúc mừng nhóm sinh viên lớp TMĐT2022.1 Khoa Hệ thống Thông tin có bài báo được chấp nhận tại Hội nghị Khoa học Quốc tế ACDSA 2026
International Conference on Artificial Intelligence, Computer, Data Sciences and Applications 2026 (ACDSA 2026) là hội nghị học thuật quốc tế có phản biện (peer-reviewed), quy tụ các nhà nghiên cứu, học giả và chuyên gia trong ngành nhằm chia sẻ các kết quả nghiên cứu chất lượng cao trong các lĩnh vực:
- Trí tuệ nhân tạo (AI)
- Khoa học dữ liệu và phân tích dữ liệu lớn
- Khoa học máy tính
- Các ứng dụng công nghệ dữ liệu trong doanh nghiệp và công nghiệp
Chương trình kỹ thuật của hội nghị bao gồm nhiều chủ đề nghiên cứu tiên tiến như:
- Machine Learning và Predictive Modeling
- Big Data Analytics
- Cybersecurity
- Cloud Computing
- Natural Language Processing
- Embedded AI Systems
- Các ứng dụng mới của AI và khoa học dữ liệu.
Thời gian: Ngày 5 – 7 tháng 2 năm 2026
Địa điểm: Boracay Island, Philippines
Hình thức: Hybrid (trực tiếp và trực tuyến)
Các bài báo được chấp nhận sẽ trải qua quy trình phản biện học thuật và có thể được đề xuất đưa vào cơ sở dữ liệu của IEEE Xplore nếu đáp ứng yêu cầu về phạm vi và chất lượng.
Link hội nghị: https://www.acdsa.org/
Tên bài báo: “Reevaluating Churn Labeling in E-Commerce: Empirical Evidence for the Effectiveness of Personalized Dynamic Approaches”
Nhóm sinh viên thực hiện:
- 22520094 – Võ Gia Bách – TMĐT2022.1
- 22520622 – Nguyễn Hữu Quốc Khang – TMĐT2022.1
Giảng viên hướng dẫn: ThS. Văn Đức Sơn Hà
Abstract: In today’s data-driven retail and e-commerce landscape, business decisions must rely on analytical insights rather than intuition or past experience. Customer data reveal behavioral patterns and portfolio characteristics that enable firms to optimize revenue and reduce unnecessary costs. Accurately predicting churn is key to enhancing Customer Lifetime Value (CLV), as maintaining long-term relationships with current customers yields substantially higher returns than continuously pursuing new acquisitions. However, most existing studies emphasize model development while overlooking the critical pre-labeling phase. Public datasets often lack churn labels or contain homogeneous labeling, and in real business contexts, raw data rarely include explicit churn indicators. Consequently, pre-labeling plays a decisive yet underexplored role in determining model performance. This study conducts a systematic review of pre-labeling practices within the customer churn prediction literature, identifying the primary methodologies employed in previous research and their inherent limitations. Based on this analysis, the widely adopted 90-day static threshold method is selected as a representative baseline for comparison. Building upon these insights, the paper introduces the eCommerce Personalized Dynamic Churn Labeling (ePDCL) method, a flexible and behaviorally grounded pre-labeling framework. Experiments on the Brazilian E-Commerce Public Dataset by Olist validate the methodological advantages of ePDCL across multiple evaluation dimensions, highlighting its potential for practical deployment in real-world business environments.
