Swiggy Dùng Mô Hình MLP Đa Nhiệm Với 350+ Đặc Trưng Để Dự Đoán Giá Trị Vòng Đời Khách Hàng

Swiggy — siêu ứng dụng giao đồ ăn và hàng tiêu dùng nhanh của Ấn Độ — vừa công bố chi tiết về hệ thống dự đoán giá trị vòng đời khách hàng (predicted Lifetime Value - pLTV) được phát triển nội bộ. Đáng chú ý, thay vì dùng các kiến trúc deep learning phức tạp, đội ngũ kỹ thuật của Swiggy đã tối ưu một mạng MLP (Multi-Layer Perceptron) đa nhiệm để xử lý đồng thời hai mảng kinh doanh cốt lõi: giao đồ ăn (Food) và giao hàng tạp hóa (Instamart).

Bài toán chi phí thu hút khách hàng

Trong thị trường giao đồ ăn cạnh tranh khốc liệt như Ấn Độ, việc chi bao nhiêu tiền để có một khách hàng mới (CAC) luôn là bài toán sống còn. Nếu chi quá tay cho người dùng sẽ rời bỏ sau vài đơn, công ty lỗ nặng. Ngược lại, nếu chi quá ít, doanh nghiệp sẽ mất cơ hội tiếp cận khách hàng tiềm năng trung thành. Swiggy đặt ra yêu cầu: cần một mô hình dự đoán chính xác khách hàng này sẽ mang lại bao nhiêu doanh thu trong tương lai — ngay trước khi họ đặt đơn đầu tiên.

Thiết kế mô hình với hơn 350 đặc trưng

Mạng MLP của Swiggy được huấn luyện trên hơn 350 đặc trưng trước đơn hàng (pre-order features), bao gồm:

• Nhân khẩu học người dùng và thiết bị (device, hệ điều hành, ngôn ngữ giao diện)
• Dữ liệu vị trí địa lý và mật độ nhà hàng/ cửa hàng tạp hóa xung quanh
• Hành vi tương tác với ứng dụng trước đó (đã cài đặt, đã mở app nhưng chưa đặt hàng, thời gian sử dụng)
• Các chương trình khuyến mãi và mã giảm giá được hiển thị
• Đặc trưng theo mùa, thời tiết và ngày lễ

Điểm tối ưu quan trọng nằm ở kiến trúc multi-task: thay vì chỉ dự đoán một con số doanh thu duy nhất, mô hình còn học song song nhiệm vụ phụ trợ (auxiliary task) là dự đoán số lượng đơn hàng khách hàng sẽ đặt. Việc này buộc mô hình học các đặc trưng có ý nghĩa về hành vi chung, thay vì chỉ khớp quá mức vào một mục tiêu duy nhất.

Kết quả ấn tượng: giảm 63% tham số

Kết quả công bố trên InfoQ cho thấy, bằng cách thêm nhiệm vụ dự đoán số đơn hàng làm bộ điều chỉnh (regularizer), nhóm kỹ thuật đã giảm được 63% tham số mô hình so với phiên bản MLP đơn nhiệm có cùng chất lượng. Điều này mang lại lợi ích kép:

• Giảm chi phí suy luận (inference cost) — quan trọng khi hệ thống phải phục vụ hàng trăm nghìn yêu cầu dự đoán mỗi phút
• Giảm thời gian huấn luyện và chi phí lưu trữ mô hình trên môi trường production

Mô hình nhẹ nhưng vẫn cải thiện độ chính xác dự đoán so với kiến trúc nặng nề trước đó. Điều này khẳng định quan điểm kỹ thuật: trong nhiều bài toán thực tế, một mô hình đa nhiệm được thiết kế khéo léo có thể vượt trội so với mô hình đơn nhiệm cực lớn.

Ứng dụng vào Google Target ROAS

Giá trị lớn nhất của mô hình pLTV không chỉ dừng ở dự đoán nội bộ. Swiggy đã tích hợp tín hiệu này vào nền tảng quảng cáo của Google để tối ưu chiến dịch thu hút khách hàng mới thông qua chiến lược Target ROAS (Return On Ad Spend).

Bằng cách gửi giá trị pLTV dự đoán làm tín hiệu đấu giá, Google sẽ tự động điều chỉnh giá thầu để ưu tiên hiển thị quảng cáo cho những người dùng có tiềm năng mang lại doanh thu cao nhất trong tương lai, thay vì chỉ nhìn vào doanh thu đơn hàng đầu tiên.

Cách làm này giúp Swiggy chuyển từ tối ưu hóa ngắn hạn (giá trị đơn đầu tiên) sang tối ưu dài hạn (toàn bộ vòng đời khách hàng). Đây là xu hướng hiện đại trong lĩnh vực growth marketing và performance marketing, đặc biệt phù hợp với các doanh nghiệp có chi phí thu hút khách hàng cao.

Bài học cho các đội ngũ dữ liệu tại Việt Nam

Kinh nghiệm từ Swiggy mang nhiều bài toán gần gũi với các công ty giao đồ ăn, thương mại điện tử và ví điện tử đang phát triển tại Việt Nam như Grab, ShopeeFood, Baemin hay các nền tảng fintech:

• Ưu tiên đặc trưng nghiệp vụ: Hơn 350 đặc trưng đều được chọn lọc từ hiểu biết về hoạt động kinh doanh, không chỉ là feature engineering tự động.
• Chọn kiến trúc phù hợp, không chạy theo mốt: MLP vẫn là lựa chọn đáng cân nhắc cho các bài toán dự đoán trên dữ liệu dạng bảng, đặc biệt khi cần triển khai nhanh và tiết kiệm tài nguyên.
• Multi-task không chỉ là "thời thượng": Khi được dùng đúng cách, nó đóng vai trò như bộ giảm nhiễu và buộc mô hình học biểu diễn tốt hơn, thậm chí cho phép dùng mô hình nhỏ hơn.

Với việc thị trường giao đồ ăn Việt Nam đang trở nên cạnh tranh hơn bao giờ hết, việc dự đoán chính xác giá trị khách hàng ngay từ đầu vòng đời sẽ quyết định ai là người chiến thắng trong cuộc đua giành thị phần bền vững.