Trong những năm gần đây, Học máy (Machine Learning - ML) đã trở thành một công cụ quan trọng và đầy hứa hẹn trong việc dự báo và giải quyết nhiều vấn đề phức tạp. Sự phát triển nhanh chóng của học máy gắn liền với sự tiến bộ của công nghệ và cũng thúc đẩy sự phát triển của cộng đồng AI cùng các công cụ mã nguồn mở (ví dụ: TensorFlow, Keras, PyTorch, fast.ai). Điều này giúp các nhà nghiên cứu triển khai và áp dụng các thuật toán học máy một cách hiệu quả hơn. Bài báo này tổng quan về lưu lượng mạng di động cho các trạm BTS, được thực hiện theo hướng dữ liệu, tập trung vào việc khai thác và chuyển đổi dữ liệu thành thông tin phục vụ sản xuất kinh doanh trong mạng di động, cũng như mô tả đặc điểm lưu lượng truy cập của người dùng. Nhóm tác giả đã sử dụng môi trường Google Colab để phân tích các số liệu thống kê về thời gian của mạng, nhằm xác định lưu lượng tại từng khu vực. Việc khai thác một lượng lớn thông tin giúp cải thiện hiệu suất mạng di động và giải quyết nhiều vấn đề (ví dụ: phát hiện bất thường) có thể ảnh hưởng đến cơ sở hạ tầng mạng. Kết quả nghiên cứu trong bài báo đã góp phần nhỏ vào việc giải quyết các vấn đề liên quan đến triển khai, tối ưu hoá, phân bổ tài nguyên và tiết kiệm năng lượng cho mạng di động trong thực tế.