Nghiên cứu này tập trung xây dựng mô hình dự đoán điểm chạm trong hành trình mua sắm và dự đoán quyết định mua hàng của khách hàng trên website, góp phần cải thiện chiến lược marketing và cá nhân hóa trải nghiệm người dùng. Bộ dữ liệu sử dụng là hành trình mua sắm trực tuyến của khách hàng trong ngành du lịch, chứa thông tin về các điểm chạm lẫn đặc trưng nhân khẩu học, thu thập từ tháng 5/2015 đến 10/2016. Quy trình phân tích khởi đầu bằng việc áp dụng thuật toán K-Means nhằm phân cụm và xác định các phân khúc khách hàng mục tiêu. Trên cơ sở này, nghiên cứu lần lượt triển khai lọc cộng tác kết hợp phân rã ma trận hạng thấp (Low Rank Matrix Factorization) và huấn luyện Neural networks để dự đoán tần suất xuất hiện của từng điểm chạm trong tương lai. Từ tập dữ liệu dự đoán đó, các mô hình học máy bao gồm Logistic Regression, Decision Tree, Random Forest, KNN và XGBoost được huấn luyện để dự đoán quyết định mua hàng. Kết quả thực nghiệm cho thấy rằng, mô hình Random Forest là phương án vượt trội, đạt độ chính xác 96% cùng các chỉ số F1-score và ROC-AUC cao nhất. Về mặt học thuật, nghiên cứu đóng góp vào lĩnh vực khai phá hành trình khách hàng bằng cách tích hợp hệ thống đề xuất và khai thác quyết định, đồng thời đưa ra mô hình dự đoán thực tiễn có khả năng áp dụng cho nhiều loại hình doanh nghiệp. Định hướng nghiên cứu tương lai đề xuất mở rộng phân tích cho toàn bộ phân khúc khách hàng, đồng thời bổ sung các thuộc tính tương tác như thiết bị truy cập và thời gian truy cập nhằm gia tăng mức độ cá nhân hóa và độ chính xác của hệ thống khuyến nghị.

This study focuses on building a predictive model for customer journey touchpoints and purchasing decisions on e-commerce websites, aiming to enhance personalized marketing strategies. The dataset includes online shopping journey data and customer demographic information in the tourism sector collected between May 2015 and October 2016. The research employs K-Means clustering to segment customers and identify target groups. Then, Collaborative Filtering with Low Rank Matrix Factorization is applied, followed by training a Neural Network to predict the frequency of customer touchpoints. Using the predicted frequency data, machine learning models such as Logistic Regression, Decision Tree, Random Forest, KNN, and XGBoost are implemented to predict purchase behavior. The results show that the Random Forest model outperforms others with the highest accuracy (96%), strong F1-score, and ROC-AUC metrics. The study contributes theoretically by integrating process mining and recommendation systems for journey prediction and offers a practical model applicable to businesses seeking data-driven insights into customer behavior. Future research is encouraged to expand prediction to all customer segments and incorporate additional contextual factors such as access devices and interaction duration to improve personalization.