Thấu hiểu hành vi của khách hàng là ưu tiên hàng đầu của mọi doanh nghiệp ngày nay. Thu thập thông tin chi tiết về lý do và cách thức khách hàng mua hàng có thể giúp tăng doanh thu. Tuy nhiên, mất khách hàng (còn gọi là khách hàng rời bỏ) luôn là một rủi ro và hiểu biết sâu sắc về lý do khách hàng rời bỏ có thể cũng quan trọng để duy trì doanh thu và lợi nhuận. Máy học (ML) có thể giúp cung cấp thông tin chi tiết, nhưng cho đến nay, bạn vẫn cần các chuyên gia ML xây dựng các mô hình để dự đoán tỷ lệ rời bỏ, việc thiếu các mô hình này có thể làm trì hoãn các hành động dựa trên thông tin chi tiết của các doanh nghiệp để giữ chân khách hàng.
Trong bài đăng này, chúng tôi chỉ cho bạn cách các nhà phân tích kinh doanh có thể xây dựng mô hình ML rời bỏ khách hàng với Canvas SageMaker của Amazon, không cần mã. Canvas cung cấp cho các nhà phân tích kinh doanh một giao diện trỏ và nhấp trực quan cho phép bạn xây dựng các mô hình và tự tạo các dự đoán ML chính xác—mà không yêu cầu bất kỳ kinh nghiệm ML nào hoặc phải viết một dòng mã.
Tổng quan về giải pháp
Đối với bài đăng này, chúng tôi đảm nhận vai trò của một nhà phân tích tiếp thị trong bộ phận tiếp thị của một nhà khai thác điện thoại di động. Chúng tôi đã được giao nhiệm vụ xác định những khách hàng có nguy cơ rời bỏ tiềm năng. Chúng tôi có quyền truy cập vào dữ liệu sử dụng dịch vụ và hành vi khác của khách hàng, đồng thời muốn biết liệu dữ liệu này có thể giúp giải thích lý do tại sao khách hàng rời đi hay không. Nếu chúng tôi có thể xác định các yếu tố giải thích cho việc rời bỏ, thì chúng tôi có thể thực hiện các hành động khắc phục để thay đổi hành vi được dự đoán, chẳng hạn như chạy các chiến dịch giữ chân mục tiêu.
Để làm điều này, chúng tôi sử dụng dữ liệu chúng tôi có trong tệp CSV chứa thông tin về việc sử dụng và rời bỏ của khách hàng. Chúng tôi sử dụng Canvas để thực hiện các bước sau:
- Nhập bộ dữ liệu churn từ Dịch vụ lưu trữ đơn giản của Amazon (Amazon S3).
- Đào tạo và xây dựng mô hình khuấy đảo.
- Phân tích kết quả mô hình.
- Kiểm tra dự đoán so với mô hình.
Đối với tập dữ liệu của chúng tôi, chúng tôi sử dụng một bộ dữ liệu tổng hợp từ một hãng điện thoại di động viễn thông. Tập dữ liệu mẫu này chứa 5,000 bản ghi, trong đó mỗi bản ghi sử dụng 21 thuộc tính để mô tả hồ sơ khách hàng. Các thuộc tính như sau:
- Tiểu bang – Tiểu bang Hoa Kỳ nơi khách hàng cư trú, được biểu thị bằng hai chữ cái viết tắt; ví dụ: OH hoặc NJ
- Độ dài tài khoản - Số ngày mà tài khoản này đã hoạt động
- Mã vùng – Mã vùng gồm ba chữ số của số điện thoại của khách hàng
- Điện thoại – Số điện thoại có bảy chữ số còn lại
- Gói quốc tế – Khách hàng có gói cước gọi quốc tế hay không (có/không)
- Gói VMail – Khách hàng có tính năng hộp thư thoại hay không (có/không)
- Tin nhắn VMail - Số lượng thư thoại trung bình mỗi tháng
- Số phút trong ngày – Tổng số phút gọi sử dụng trong ngày
- Cuộc gọi trong ngày – Tổng số cuộc gọi thực hiện trong ngày
- Phí trong ngày – Chi phí tính cước cuộc gọi ban ngày
- phút giao thừa, cuộc gọi giao thừa, phí giao thừa – Chi phí tính cước cho các cuộc gọi buổi tối
- Phút ban đêm, cuộc gọi đêm, Phí ban đêm – Chi phí tính cước cho các cuộc gọi vào ban đêm
- phút quốc tế, cuộc gọi quốc tế, phí quốc tế - Cước phí đã thanh toán cho các cuộc gọi quốc tế
- Cuộc gọi CustServ - Số lượng cuộc gọi đến dịch vụ khách hàng
- Khuấy đảo? – Khách hàng có rời bỏ dịch vụ hay không (true/false)
Thuộc tính cuối cùng, Churn?
, là thuộc tính mà chúng tôi muốn mô hình ML dự đoán. Thuộc tính đích là nhị phân, nghĩa là mô hình của chúng tôi dự đoán đầu ra là một trong hai loại (True
or False
).
Điều kiện tiên quyết
Quản trị viên đám mây với Tài khoản AWS với các quyền thích hợp được yêu cầu để hoàn thành các điều kiện tiên quyết sau:
- Triển khai một Amazon SageMaker Để được hướng dẫn, xem Tích hợp vào Miền Amazon SageMaker.
- Triển khai Canvas. Để biết hướng dẫn, hãy xem Thiết lập và quản lý Amazon SageMaker Canvas (dành cho quản trị viên CNTT).
- Định cấu hình chính sách chia sẻ tài nguyên nhiều nguồn gốc (CORS) cho Canvas. Để được hướng dẫn, hãy xem Cung cấp cho người dùng của bạn khả năng tải lên các tệp cục bộ.
Tạo mô hình rời bỏ khách hàng
Đầu tiên, chúng ta hãy tải về bộ dữ liệu churn và xem lại tệp để đảm bảo có tất cả dữ liệu ở đó. Sau đó hoàn thành các bước sau:
- Đăng nhập vào Bảng điều khiển quản lý AWS, sử dụng tài khoản có các quyền thích hợp để truy cập Canvas.
- Đăng nhập vào bảng điều khiển Canvas.
Đây là nơi chúng tôi có thể quản lý bộ dữ liệu của mình và tạo mô hình.
- Chọn Nhập khẩu.
- Chọn Tải lên Và chọn
churn.csv
tập tin. - Chọn Nhập dữ liệu để tải nó lên Canvas.
Quá trình nhập mất khoảng 10 giây (thời gian này có thể khác nhau tùy thuộc vào kích thước tập dữ liệu). Khi nó hoàn tất, chúng ta có thể thấy tập dữ liệu nằm trong Ready
trạng thái.
- Để xem trước 100 hàng đầu tiên của tập dữ liệu, hãy di chuột qua biểu tượng con mắt.
Bản xem trước của tập dữ liệu xuất hiện. Ở đây chúng tôi có thể xác minh rằng dữ liệu của chúng tôi là chính xác.
Sau khi chúng tôi xác nhận rằng tập dữ liệu đã nhập đã sẵn sàng, chúng tôi tạo mô hình của mình.
- Chọn Mô hình mới.
- Chọn bộ dữ liệu churn.csv và chọn Chọn tập dữ liệu.
Bây giờ chúng tôi định cấu hình quy trình xây dựng mô hình.
- Trong Cột mục tiêu, chọn
Churn?
cột.
Trong Loại mô hình, Canvas tự động đề xuất loại mô hình, trong trường hợp này dự đoán 2 danh mục (điều mà một nhà khoa học dữ liệu sẽ gọi là phân loại nhị phân). Điều này phù hợp với trường hợp sử dụng của chúng tôi vì chúng tôi chỉ có hai giá trị dự đoán có thể có: True
or False
, vì vậy chúng tôi chọn Canvas đề xuất.
Bây giờ chúng tôi xác nhận một số giả định. Chúng tôi muốn xem nhanh liệu cột mục tiêu của chúng tôi có thể được dự đoán bởi các cột khác hay không. Chúng tôi có thể xem nhanh độ chính xác ước tính của mô hình và tác động cột (tầm quan trọng ước tính của từng cột trong việc dự đoán cột mục tiêu).
- Chọn tất cả 21 cột và chọn Xem trước mô hình.
Tính năng này sử dụng một tập hợp con của tập dữ liệu của chúng tôi và chỉ một lượt duy nhất khi lập mô hình. Đối với trường hợp sử dụng của chúng tôi, mô hình xem trước mất khoảng 2 phút để xây dựng.
Như được hiển thị trong ảnh chụp màn hình sau đây, Phone
và State
các cột có tác động ít hơn nhiều đến dự đoán của chúng tôi. Chúng tôi muốn cẩn thận khi xóa kiểu nhập văn bản vì nó có thể chứa các tính năng phân loại, rời rạc quan trọng góp phần vào dự đoán của chúng tôi. Ở đây, số điện thoại chỉ tương đương với số tài khoản—không có giá trị trong việc dự đoán khả năng rời tài khoản của các tài khoản khác và trạng thái của khách hàng không ảnh hưởng nhiều đến mô hình của chúng tôi.
- Chúng tôi xóa các cột này vì chúng không có tầm quan trọng về tính năng chính.
- Sau khi chúng tôi loại bỏ
Phone
vàState
các cột, hãy chạy lại bản xem trước.
Như được hiển thị trong ảnh chụp màn hình sau, độ chính xác của mô hình tăng 0.1%. Mô hình xem trước của chúng tôi có độ chính xác ước tính là 95.9% và các cột có tác động lớn nhất là Night Calls
, Eve Mins
và Night Charge
. Điều này cho chúng tôi cái nhìn sâu sắc về cột nào ảnh hưởng nhiều nhất đến hiệu suất của mô hình. Ở đây, chúng ta cần cẩn thận khi thực hiện lựa chọn tính năng bởi vì nếu một tính năng đơn lẻ có tác động cực kỳ lớn đến kết quả của mô hình, thì đó là chỉ số chính của mục tiêu rò rỉvà tính năng này sẽ không khả dụng tại thời điểm dự đoán. Trong trường hợp này, một số cột cho thấy tác động rất giống nhau, vì vậy chúng tôi tiếp tục xây dựng mô hình của mình.
Canvas cung cấp hai tùy chọn xây dựng:
- Xây dựng tiêu chuẩn – Xây dựng mô hình tốt nhất từ một quy trình tối ưu hóa được cung cấp bởi Tự động; tốc độ được trao đổi cho độ chính xác cao nhất
- Xây dựng nhanh chóng – Xây dựng mô hình trong thời gian ngắn so với xây dựng tiêu chuẩn; độ chính xác tiềm năng được trao đổi cho tốc độ.
- Đối với bài viết này, chúng tôi chọn Xây dựng tiêu chuẩn tùy chọn vì chúng tôi muốn có mô hình tốt nhất và chúng tôi sẵn sàng dành thêm thời gian chờ đợi kết quả.
Quá trình xây dựng có thể mất 2–4 giờ. Trong thời gian này, Canvas thử nghiệm hàng trăm quy trình ứng cử viên, chọn mô hình tốt nhất để trình bày cho chúng tôi. Trong ảnh chụp màn hình sau đây, chúng ta có thể thấy tiến độ và thời gian xây dựng dự kiến.
Đánh giá hiệu suất mô hình
Khi quá trình xây dựng mô hình hoàn tất, mô hình dự đoán tỷ lệ rời bỏ là 97.9%. Điều này có vẻ ổn, nhưng với tư cách là nhà phân tích, chúng tôi muốn tìm hiểu sâu hơn và xem liệu chúng tôi có thể tin tưởng vào mô hình để đưa ra quyết định dựa trên nó hay không. trên Ghi điểm tab, chúng ta có thể xem lại biểu đồ trực quan về các dự đoán của mình được ánh xạ tới kết quả của chúng. Điều này cho phép chúng tôi hiểu sâu hơn về mô hình của chúng tôi.
Canvas tách tập dữ liệu thành tập huấn luyện và kiểm tra. Tập dữ liệu huấn luyện là dữ liệu mà Canvas sử dụng để xây dựng mô hình. Bộ kiểm tra được sử dụng để xem liệu mô hình có hoạt động tốt với dữ liệu mới hay không. Biểu đồ Sankey trong ảnh chụp màn hình sau đây cho thấy mô hình đã hoạt động như thế nào trên bộ thử nghiệm. Để tìm hiểu thêm, hãy tham khảo Đánh giá hiệu suất mô hình của bạn trong Amazon SageMaker Canvas.
Để có được những hiểu biết chi tiết hơn ngoài những gì được hiển thị trong sơ đồ Sankey, các nhà phân tích kinh doanh có thể sử dụng một ma trận hỗn loạn phân tích cho các giải pháp kinh doanh của họ. Ví dụ: chúng tôi muốn hiểu rõ hơn về khả năng mô hình đưa ra dự đoán sai. Chúng ta có thể thấy điều này trong sơ đồ Sankey, nhưng muốn hiểu rõ hơn, vì vậy chúng ta chọn Các chỉ số nâng cao. Chúng tôi được cung cấp một ma trận nhầm lẫn, hiển thị hiệu suất của một mô hình ở định dạng trực quan với các giá trị sau, dành riêng cho loại tích cực—chúng tôi đang đo lường dựa trên việc liệu chúng có thực sự bị xáo trộn hay không, vì vậy loại tích cực của chúng tôi là True
trong ví dụ này:
- Tích cực thực sự (TP) - Số lượng
True
kết quả đã được dự đoán chính xác nhưTrue
- Tiêu cực thực sự (TN) - Số lượng
False
kết quả đã được dự đoán chính xác nhưFalse
- Dương tính giả (FP) - Số lượng
False
kết quả đã được dự đoán sai nhưTrue
- Phủ định Sai (FN) - Số lượng
True
kết quả đã được dự đoán sai nhưFalse
Chúng ta có thể sử dụng biểu đồ ma trận này để xác định không chỉ mức độ chính xác của mô hình mà còn khi nó sai, mức độ thường xuyên và mức độ sai của nó.
Các số liệu nâng cao có vẻ tốt. Chúng ta có thể tin tưởng vào kết quả mô hình. Chúng tôi thấy tỷ lệ dương tính giả và âm tính giả rất thấp. Đây là nếu mô hình nghĩ rằng một khách hàng trong tập dữ liệu sẽ rời bỏ và họ thực sự không (dương tính giả) hoặc nếu mô hình nghĩ rằng khách hàng sẽ rời bỏ và họ thực sự làm vậy (âm tính giả). Con số cao cho cả hai có thể khiến chúng ta suy nghĩ nhiều hơn về việc liệu chúng ta có thể sử dụng mô hình để đưa ra quyết định hay không.
Hãy quay trở lại Giới thiệu chung tab, để xem xét tác động của từng cột. Thông tin này có thể giúp nhóm tiếp thị hiểu rõ hơn để có thể thực hiện các hành động nhằm giảm tỷ lệ rời bỏ khách hàng. Ví dụ, chúng ta có thể thấy rằng cả thấp và cao CustServ Calls
tăng khả năng khuấy động. Nhóm tiếp thị có thể thực hiện các hành động để ngăn chặn sự rời bỏ của khách hàng dựa trên những kiến thức này. Các ví dụ bao gồm tạo Câu hỏi thường gặp chi tiết trên các trang web để giảm các cuộc gọi dịch vụ khách hàng và chạy các chiến dịch giáo dục với khách hàng về Câu hỏi thường gặp để có thể duy trì mức độ tương tác.
Mô hình của chúng tôi trông khá chính xác. Chúng ta có thể trực tiếp thực hiện một dự đoán tương tác trên Dự đoán tab, theo dự đoán hàng loạt hoặc đơn lẻ (thời gian thực). Trong ví dụ này, chúng tôi đã thực hiện một số thay đổi đối với các giá trị cột nhất định và thực hiện dự đoán theo thời gian thực. Canvas cho chúng ta thấy kết quả dự đoán cùng với mức độ tin cậy.
Giả sử chúng ta có một khách hàng hiện tại có cách sử dụng như sau: Night Mins
là 40 và Eve Mins
là 40. Chúng tôi có thể chạy dự đoán và mô hình của chúng tôi trả về điểm tin cậy là 93.2% rằng khách hàng này sẽ rời bỏ (True
). Bây giờ chúng tôi có thể chọn cung cấp giảm giá khuyến mại để giữ chân khách hàng này.
Giả sử chúng ta có một khách hàng hiện tại có cách sử dụng như sau: Night Mins
là 40 và Eve Mins
là 40. Chúng tôi có thể chạy dự đoán và mô hình của chúng tôi trả về điểm tin cậy là 93.2% rằng khách hàng này sẽ rời bỏ (True
). Bây giờ chúng tôi có thể chọn cung cấp giảm giá khuyến mãi để giữ chân khách hàng này.
Chạy một dự đoán là điều tuyệt vời cho phân tích giả định riêng lẻ, nhưng chúng ta cũng cần chạy dự đoán trên nhiều bản ghi cùng một lúc. Canvas có thể chạy dự đoán hàng loạt, cho phép bạn chạy các dự đoán trên quy mô lớn.
Kết luận
Trong bài đăng này, chúng tôi đã chỉ ra cách một nhà phân tích kinh doanh có thể tạo mô hình rời bỏ khách hàng với SageMaker Canvas bằng cách sử dụng dữ liệu mẫu. Canvas cho phép các nhà phân tích kinh doanh của bạn tạo các mô hình ML chính xác và tạo dự đoán bằng cách sử dụng giao diện trỏ và nhấp, trực quan, không có mã. Giờ đây, một nhà phân tích tiếp thị có thể sử dụng thông tin này để chạy các chiến dịch giữ chân mục tiêu và thử nghiệm các chiến lược chiến dịch mới nhanh hơn, giúp giảm tỷ lệ khách hàng rời bỏ.
Các nhà phân tích có thể đưa điều này lên một tầm cao mới bằng cách chia sẻ mô hình của họ với các đồng nghiệp là nhà khoa học dữ liệu. Các nhà khoa học dữ liệu có thể xem mô hình Canvas trong Xưởng sản xuất Amazon SageMaker, nơi họ có thể khám phá các lựa chọn Canvas AutoML đã thực hiện, xác thực kết quả mô hình và thậm chí sản xuất mô hình bằng một vài cú nhấp chuột. Điều này có thể đẩy nhanh quá trình tạo giá trị dựa trên ML và giúp mở rộng quy mô các kết quả được cải thiện nhanh hơn.
Để tìm hiểu thêm về cách sử dụng Canvas, hãy xem Xây dựng, Chia sẻ, Triển khai: cách các nhà phân tích kinh doanh và nhà khoa học dữ liệu đạt được thời gian ra thị trường nhanh hơn bằng cách sử dụng ML không mã và Amazon SageMaker Canvas. Để biết thêm thông tin về cách tạo mô hình ML với giải pháp không mã, hãy xem Công bố Amazon SageMaker Canvas - Khả năng học máy trực quan, không cần mã cho các nhà phân tích kinh doanh.
Lưu ý
Henry Robalino là Kiến trúc sư giải pháp tại AWS, có trụ sở tại NJ. Anh ấy đam mê điện toán đám mây và học máy cũng như vai trò của chúng trong xã hội. Anh đạt được điều này bằng cách làm việc với khách hàng để giúp họ đạt được các mục tiêu kinh doanh bằng Đám mây AWS. Ngoài giờ làm việc, bạn có thể bắt gặp Henry đi du lịch hoặc khám phá thế giới bên ngoài cùng cô con gái lông xù Arly của mình.
Triều Nhiên Vương là Kiến trúc sư giải pháp tại AWS, có trụ sở tại Dallas, TX. Anh ấy đã làm việc tại AWS kể từ khi tốt nghiệp Đại học Texas ở Dallas vào năm 2016 với bằng thạc sĩ Khoa học Máy tính. Chaoran giúp khách hàng xây dựng các ứng dụng có thể mở rộng, bảo mật và tiết kiệm chi phí, đồng thời tìm giải pháp để giải quyết các thách thức kinh doanh của họ trên Đám mây AWS. Ngoài công việc, Chaoran thích dành thời gian cho gia đình và hai chú chó Biubiu và Coco.
- Coinsmart. Sàn giao dịch Bitcoin và tiền điện tử tốt nhất Châu Âu.
- Platoblockchain. Web3 Metaverse Intelligence. Khuếch đại kiến thức. TRUY CẬP MIỄN PHÍ.
- CryptoHawk. Radar Altcoin. Dùng thử miễn phí.
- Nguồn: https://aws.amazon.com/blogs/machine-learning/predicting-customer-churn-with-no-code-machine-learning-using-amazon-sagemaker-canvas/
- "
- 000
- 10
- 100
- 11
- 2016
- 7
- 9
- Giới thiệu
- đẩy nhanh tiến độ
- truy cập
- Tài khoản
- chính xác
- hành động
- thêm vào
- quản trị viên
- quản trị
- tiên tiến
- Tất cả
- đàn bà gan dạ
- phân tích
- phân tích
- các ứng dụng
- thích hợp
- khoảng
- KHU VỰC
- thuộc tính
- có sẵn
- Trung bình cộng
- AWS
- BEST
- Ngoài
- lớn nhất
- biên giới
- xây dựng
- Xây dựng
- xây dựng
- kinh doanh
- các doanh nghiệp
- mua
- cuộc gọi
- Chiến dịch
- Chiến dịch
- Có thể có được
- ứng cử viên
- vải
- Phân loại
- nhất định
- thách thức
- thay đổi
- phí
- lựa chọn
- Chọn
- tốt nghiệp lớp XNUMX
- phân loại
- đám mây
- mã
- đồng nghiệp
- Cột
- so
- máy tính
- Khoa học Máy tính
- sự tự tin
- nhầm lẫn
- An ủi
- chứa
- tiếp tục
- chi phí-hiệu quả
- có thể
- tạo
- Tạo
- tạo
- khách hàng
- Dịch Vụ CSKH
- khách hàng
- Dallas
- dữ liệu
- nhà khoa học dữ liệu
- sâu sắc hơn
- chậm trễ
- Tùy
- triển khai
- chi tiết
- Xác định
- trực tiếp
- màn hình
- Không
- Đào tạo
- Tham gia
- Kỹ Sư
- ước tính
- ví dụ
- hiện tại
- dự kiến
- kinh nghiệm
- các chuyên gia
- khám phá
- mắt
- các yếu tố
- gia đình
- Câu Hỏi Thường Gặp
- NHANH
- nhanh hơn
- Đặc tính
- Tính năng
- cuối
- Tên
- tiếp theo
- định dạng
- tạo ra
- Các mục tiêu
- tốt
- tuyệt vời
- lớn nhất
- Phát triển
- có
- giúp đỡ
- giúp
- tại đây
- Cao
- Độ đáng tin của
- HTTPS
- Hàng trăm
- ICON
- xác định
- xác định
- Va chạm
- ảnh hưởng lớn
- tầm quan trọng
- quan trọng
- cải thiện
- bao gồm
- Tăng lên
- tăng
- hệ thống riêng biệt,
- thông tin
- đầu vào
- những hiểu biết
- tương tác
- Giao thức
- Quốc Tế
- IT
- dẫn
- hàng đầu
- LEARN
- học tập
- Rời bỏ
- Cấp
- Dòng
- địa phương
- máy
- học máy
- thực hiện
- chính
- Làm
- quản lý
- quản lý
- quản lý
- Marketing
- thạc sĩ
- Matrix
- có nghĩa là
- Metrics
- tâm
- ML
- di động
- điện thoại di động
- kiểu mẫu
- mô hình
- chi tiết
- hầu hết
- tiêu cực
- con số
- số
- Cung cấp
- tối ưu hóa
- Tùy chọn
- Các lựa chọn
- Nền tảng khác
- ngoài trời
- đam mê
- hiệu suất
- Play
- Chính sách
- tích cực
- có thể
- tiềm năng
- dự đoán
- dự đoán
- Dự đoán
- trình bày
- khá
- Xem trước
- chính
- quá trình
- Hồ sơ
- lợi nhuận
- xúc tiến
- quảng cáo
- cho
- cung cấp
- Nhanh chóng
- thời gian thực
- đề nghị
- ghi
- hồ sơ
- giảm
- còn lại
- loại bỏ
- cần phải
- tài nguyên
- Kết quả
- Trả về
- doanh thu
- xem xét
- Nguy cơ
- chạy
- chạy
- khả năng mở rộng
- Quy mô
- Khoa học
- Nhà khoa học
- các nhà khoa học
- giây
- an toàn
- dịch vụ
- định
- Chia sẻ
- chia sẻ
- tương tự
- Đơn giản
- Kích thước máy
- So
- Xã hội
- rắn
- giải pháp
- Giải pháp
- động SOLVE
- một số
- tốc độ
- tiêu
- Chi
- Tiêu chuẩn
- Tiểu bang
- Trạng thái
- là gắn
- chiến lược
- dùng
- Mục tiêu
- nhóm
- viễn thông
- thử nghiệm
- kiểm tra
- texas
- thời gian
- bây giờ
- hàng đầu
- Hội thảo
- Đi du lịch
- NIỀM TIN
- TX
- hiểu
- trường đại học
- us
- sử dụng
- Người sử dụng
- giá trị
- xác minh
- Xem
- Giọng nói
- trang web
- Điều gì
- Là gì
- liệu
- CHÚNG TÔI LÀ
- Wikipedia
- Công việc
- đang làm việc
- sẽ