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 IMCOM 2026
The 20th International Conference on Ubiquitous Information Management and Communication (IMCOM 2026) là hội nghị quốc tế thường niên uy tín trong lĩnh vực quản lý thông tin và truyền thông toàn thể (ubiquitous information and communication). Hội nghị là diễn đàn học thuật chất lượng cao nhằm giải quyết các thách thức trong xử lý thông tin thông minh, hệ thống mạng xã hội, truyền thông không dây và có dây, và các ứng dụng điện toán toàn thể.
IMCOM đóng vai trò là nền tảng quốc tế để các nhà nghiên cứu, giảng viên, và học viên chia sẻ ý tưởng, mở rộng hợp tác nghiên cứu và thúc đẩy trao đổi học thuật trong khu vực châu Á – Thái Bình Dương.
Các bài báo được chấp nhận tại hội nghị sẽ được chỉ mục bởi Scopus và EI, đồng thời nộp xem xét đưa vào IEEE Xplore (nếu đạt yêu cầu về phạm vi và chất lượng). Một số bài tiêu biểu sẽ được mời mở rộng và xuất bản trên các tạp chí uy tín như IEEE Access, WCMC, Oxford The Computer Journal, IEEE Transactions on Emerging Topics in Computing, IET Intelligent Transport Systems, cùng nhiều tạp chí SCI/SCIE khác.
IMCOM 2026 sẽ được tổ chức từ ngày 4–6 tháng 1 năm 2026 tại Hà Nội, Việt Nam (hình thức trực tiếp và trực tuyến).
Link hội nghị: https://imcom.org/
Tên bài báo: “Bridging Technical and Business Evaluation in E-Commerce Churn Prediction: The PDCL Labeling and Hybrid eCCP-Net Approach”
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 the digital era, business decisions are increasingly guided by data-driven approaches, transforming information into insights and actions aimed at enhancing revenue and customer lifetime value (CLV) for sustainable growth. To achieve long-term customer retention, companies must deeply understand customer behavior and predict future actions, as acquiring new customers is considerably more expensive than retaining existing ones. However, both public and enterprise datasets often lack explicit churn labels, while many previous studies depend on overly simplistic labeling methods that fail to reflect actual customer behavior, leading to high-performing models with limited business relevance. This paper introduces a novel Personalized Dynamic Churn Labeling (PDCL) method that captures individual purchasing behaviors and product category characteristics to generate precise churn labels, and proposes Hybrid eCCP-Net (e-commerce Customer Churn Prediction Network), a multi-modal deep learning model capable of integrating static, sequential, and textual customer data for deeper behavioral insights. Beyond standard technical metrics, this study emphasizes a business-oriented evaluation metric as the primary assessment criterion to align predictive modeling with real-world financial outcomes. Experimental results on the Brazilian E-Commerce Public Dataset by Olist demonstrate that PDCL significantly improves upon existing pre-labeling methods, while Hybrid eCCP-Net achieves the best business-oriented performance, confirming its effectiveness in improving customer retention and reducing misclassification costs in practical e-commerce applications.
