ĐẠI HỌC QUỐC GIA TP.HCM
TRƯỜNG ĐẠI HỌC KINH TẾ - LUẬT
CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM
Độc lập – Tự do – Hạnh phúc
TP. Hồ Chí Minh, ngày tháng năm
THUYẾT MINH
ĐỀ TÀI NGHIÊN CỨU KHOA HỌC SINH VIÊN NĂM …..
A. THÔNG TIN CHUNG
1. Tên đề tài: Phân khúc khách hàng dựa trên mô hình RFMV và giá trị lâu dài của
khách hàng - Ứng dụng trong công ty Adventureworks Cycles
2. Loại hình nghiên cứu:
☐ Nghiên cứu cơ bản
☑ Nghiên cứu ứng dụng
☐ Nghiên cứu triển khai
3. Lĩnh vực nghiên cứu:
TT
1
2
3
4
TÊN LĨNH
VỰC
Lĩnh vực Giáo
dục
CHUYÊN NGÀNH
- Giáo dục học
- Quản lý giáo dục
- Tâm lý giáo dục
- Giáo dục thể chất
Lĩnh vực Kinh tế - Tài chính - ngân hàng - chứng khoán - kế toán kiểm toán, bảo hiểm - tín dụng
- Thương mại - quản trị kinh doanh và du lịch marketing
- Kinh tế học - kinh tế phát triển - kinh tế chính trị
Lĩnh vực Pháp lý - Luật Dân sự
- Luật Hình sự
- Luật Kinh tế
- Luật Hành chính
- Luật Quốc tế
Lĩnh vực Công
- Toán tin
nghệ thông tin
- Công nghệ thông tin
4. Thời gian thực hiện:
6 tháng
5. Người hướng dẫn:
Học hàm, học vị, họ và tên:
Mẫu SV-01_Thuyết minh đăng ký đề tài
PGS. TS. Hồ Trung Thành
Chọn
☐
☐
☐
☐
☐
☑
☐
☐
☐
☐
☐
☐
☐
☑
Khoa/Bộ môn/Trung tâm:
Hệ thống thông tin
Điện thoại:
Email: thanhht@uel.edu.vn
6. Sinh viên thực hiện đề tài
Stt Họ và tên
1
Nhóm trưởng
2
Thành viên
3
Thành viên
4
Thành viên
5
Thành viên
MSSV
Lớp
Khóa
Khoa
Email
Nội dung nghiên cứu
được giao
B. MÔ TẢ NGHIÊN CỨU
B1. Tổng quan tình hình nghiên cứu trong, ngoài nước
Ngày nay, các công ty có xu hướng tìm hiểu rõ hơn về dữ liệu của khách hàng trong
mọi mặt. Việc phát hiện những điểm tương đồng và khác biệt giữa các khách hàng, dự
đoán hành vi của họ, đề xuất các lựa chọn và những cơ hội tốt hơn cho khách hàng trở nên
rất quan trọng đối với sự gắn kết giữa khách hàng và công ty (Dogan và Cộng sự, 2018).
Việc phân khúc khách hàng tốt hơn là rất quan trọng đối với các công ty bán lẻ. Những
nhóm khách hàng có nhu cầu, mong muốn và hành vi tương tự nhau sẽ giúp các công ty
hiểu rõ hơn về mục tiêu của thị trường. Nhiều nhà bán lẻ trực tuyến quy mô nhỏ và những
người mới tham gia vào lĩnh vực bán lẻ trực tuyến muốn khai thác dữ liệu và lấy người
tiêu dùng làm trung tâm trong doanh nghiệp của họ nhưng về mặt kỹ thuật còn yếu và thiếu
kiến thức chuyên môn cần thiết (Chen và Cộng sự, 2012). Trong nghiên cứu của tác giả
Cheng và Chen (2019) đã khẳng định, khai thác dữ liệu là một kỹ thuật mới mạnh mẽ giúp
các công ty khai thác các mẫu và xu hướng trong dữ liệu khách hàng của họ, sau đó thúc
đẩy cải thiện mối quan hệ với khách hàng. Nó là một trong những công cụ nổi tiếng dành
cho quản lý quan hệ khách hàng (CRM). Dữ liệu được sắp xếp không chỉ giúp nâng cao
doanh số và lợi nhuận của doanh nghiệp mà còn trang bị những kiến thức trong việc dự
đoán hành vi mua hàng của người tiêu dùng và các mô hình liên quan (Anitha và Patil,
2019).
Mẫu SV-01_Thuyết minh đăng ký đề tài
Phân khúc khách hàng là vấn đề cơ bản đối với một CRM hiệu quả, và các phương
pháp và chỉ số phân khúc sẽ ảnh hưởng đến kết quả của các ứng dụng (Chen & cộng sự,
2008). Phân khúc khách hàng là quá trình phân chia khách hàng thành nhiều nhóm nhỏ
hơn dựa trên những nét tương đồng về đặc tính và nhu cầu như sở thích, tính cách, độ
tuổi,... Trong kinh doanh, khách hàng là nhóm người sở hữu nhu cầu, mong muốn khác
nhau về hàng hóa/dịch vụ cần được đáp ứng. Doanh nghiệp muốn giải quyết tối đa nhu cầu
đó thì cần phải khoanh vùng được đối tượng khách hàng mà mình muốn hướng đến. Để
xác định được đúng và chính xác nhất, doanh nghiệp sẽ thực hiện phân khúc khách hàng.
Dựa trên kết quả thu được, doanh nghiệp tiến hành chọn ra nhóm khách hàng mục tiêu cho
từng sản phẩm, dịch vụ. Các mô hình phân khúc khách hàng đã được đề xuất, trong đó phổ
biến như mô hình phân cụm (Clustering), mô hình CLV (Giá trị lâu dài của khách hàng Customer Lifetime Value) và đặc biệt là mô hình RFM (Recency – Frequency – Monetary,
Lần truy cập gần đây – Tần suất – Tiền tệ) được đánh giá cao và áp dụng rộng rãi trong
nhiều lĩnh vực, đặc biệt là trong tiếp thị bán lẻ trực tiếp.
Giá trị lâu dài của khách hàng được viết tắt là Customer Lifetime Value, hoặc CLV,
là khái niệm cốt yếu của tiếp thị về mối quan hệ giữa doanh nghiệp và khách hàng. Hiện
nay, CLV ngày càng được đề cập đến trong các bài báo khoa học và kinh doanh. Việc xác
định được nhiều khách hàng có thể gắn kết lâu dài với mục đích cải thiện chiến lược tiếp
thị sẽ dẫn đến các công ty có lợi nhuận cao hơn. Sử dụng CLV, các công ty có khả năng
phân biệt các khách hàng có khả năng sinh lợi và không sinh lợi, từ đó dẫn đến việc ra
quyết định có hiệu quả. Hầu hết các nhà nghiên cứu đều đã chấp nhận khái niệm “Giá trị
trọn đời của khách hàng” từ giữa những năm 1980. Tính toán CLV phù hợp sẽ thúc đẩy
công ty phân loại khách hàng của mình dựa trên xếp hạng CLV, từ đó ta xác định các chiến
lược tiếp thị khác nhau cho từng phân khúc (Hiziroglu & Sengul, 2012). Khách hàng là tài
sản có giá trị lâu dài và doanh nghiệp phải có khả năng đo lường phân khúc và quản lý giá
trị đó của họ.
Trong nghiên cứu của Jo-Ting và Cộng sự (2010) đã chứng minh rằng, bằng cách
áp dụng mô hình RFM, những người đưa ra quyết định có thể xác định một cách hiệu quả
những khách hàng có giá trị và sau đó phát triển chiến lược tiếp thị hiệu quả. Trong hình
bên dưới, phương pháp RFM được biết đến như một bản tóm tắt lại các giao dịch của khách
hàng dưới ba yếu tố, bao gồm: Recency được xem là lần cuối gần nhất mà khách hàng đã
mua hàng (khoảng cách giữa ngày tiến hành áp dụng phương pháp và ngày gần nhất khách
Mẫu SV-01_Thuyết minh đăng ký đề tài
hàng mua hàng); Frequency là tần suất mua hàng của khách hàng hay khách hàng đã mua
hàng bao nhiêu lần; Monetary là tổng lượng tiền mà khách hàng đã chi tiêu cho toàn bộ
hoạt động mua sắm. Qua 3 giá trị này, doanh nghiệp có thể phân tích giá trị khách hàng,
phân khách hàng thành từng nhóm riêng, đưa ra chiến lược marketing và chăm sóc phù
hợp cho từng đối tượng khách hàng.
Ví dụ về Chiến dịch phân khúc khách hàng dựa vào mô hình RFM (Bates, 2020)
Tìm hiểu về mô hình RFM, đã có rất nhiều nghiên cứu liên quan như Anitha & Patil
(2019) đã thực hiện nghiên cứu mô hình RFM kết hợp triển khai các nguyên tắc phân đoạn
tập dữ liệu bằng cách sử dụng thuật toán phân cụm K-Means, một loạt các cụm tập dữ liệu
được xác nhận dựa trên việc tính toán hệ số Silhouette. Do đó, kết quả thu được liên quan
đến giao dịch bán hàng được so sánh với các thông số khác nhau như Lần truy cập bán
hàng, Tần suất bán hàng và Khối lượng bán hàng hay nghiên cứu của Cheng và Chen
(2009) đã kết hợp giá trị định lượng của các thuộc tính RFM và thuật toán K-Means vào lý
thuyết tập hợp thô (lý thuyết RS & thuật toán LEM2) để khai thác các quy tắc phân loại
nhằm giúp các doanh nghiệp thúc đẩy một CRM xuất sắc. Sarvari và Cộng sự (2016) cho
rằng, các cụm khách hàng được nâng cao tốt hơn khi quy trình phân đoạn dựa trên phân
tích RFM kèm theo dữ liệu nhân khẩu học. Các giá trị/ điểm RFM có trọng số (WRFM) và
RFM không có trọng số được áp dụng có và không có các yếu tố nhân khẩu học và được
sử dụng để tổng hợp các loại và số lượng các cụm khác nhau. Thuật toán Apriori được sử
dụng để trích xuất các quy tắc kết hợp, các phân tích hiệu suất của các kịch bản đã được
thực hiện dựa trên các quy tắc trích xuất này. Số lượng các quy tắc, thời gian đã trôi qua
và độ chính xác của dự đoán đã được sử dụng để đánh giá các tình huống khác nhau. Từ
những kết quả mà mô hình RFM mang lại cho phép người làm marketing nhắm mục tiêu
các nhóm khách hàng cụ thể với các thông tin liên lạc phù hợp hơn nhiều với hành vi cụ
Mẫu SV-01_Thuyết minh đăng ký đề tài
thể của họ – và do đó tạo ra tỷ lệ phản hồi cao hơn nhiều, cộng với sự trung thành và giá
trị lâu dài của khách hàng tăng lên.
Ngoài ra, nghiên cứu của Chen & cộng sự (2012) đã thực hiện kết hợp thuật toán
phân cụm K-Means và quy nạp cây quyết định, đồng thời xác định rõ ràng các đặc điểm
chính của người tiêu dùng trong mỗi phân khúc hay khai thác dữ liệu được đưa ra và một
phương pháp phân khúc khách hàng mới được hình thành dựa trên Giá trị lâu dài của
khách hàng (CLV) (Chen & Zhu, 2008). Theo đó, một loạt các khuyến nghị được cung cấp
thêm cho doanh nghiệp về tiếp thị lấy người tiêu dùng làm trung tâm. Dựa trên phân tích
giá trị khách hàng (CLV), nghiên cứu của Aggarwal & Yadav (2020) đã đưa ra mô hình
RFM kết hợp sử dụng kỹ thuật Fuzzy AHP, sau đó chia tập dữ liệu và xếp hạng các cụm
đó trên cơ sở giá trị CLV, giúp các nhà tiếp thị đưa ra quyết định bán hàng và tiếp thị sử
dụng các giá trị CLV này. Peker & Cộng sự (2017) đã đề xuất một mô hình RFM mới được
gọi là LRFMP (Độ dài, Lần truy cập gần đây, Tần suất, Tiền tệ và Định kỳ) để phân loại
khách hàng trong ngành bán lẻ tạp hóa và để xác định các phân khúc khách hàng khác nhau
trong ngành này dựa trên mô hình được đề xuất. Từ đó, cung cấp cho các nhà nghiên cứu
và các nhà thực hành một hướng dẫn có hệ thống để xác định hiệu quả các hồ sơ khách
hàng khác nhau, cung cấp cho các công ty tạp hóa những hiểu biết hữu ích về các hồ sơ
khách hàng khác nhau và hỗ trợ những người ra quyết định phát triển các mối quan hệ
khách hàng hiệu quả và các chiến lược tiếp thị độc đáo, và tiếp tục phân bổ các nguồn lực
một cách hiệu quả. Đặc biệt, nghiên cứu của Namvar & cộng sự (2010) về xây dựng một
phương pháp phân khúc khách hàng mới dựa trên dữ liệu RFM, nhân khẩu học và giá trị
vòng đời khách hàng (LTV). Phương pháp này đã được áp dụng cho tập dữ liệu từ ngân
hàng Iran, dẫn đến một số biện pháp và đề xuất quản lý hữu ích.
Một số kỹ thuật khác cũng được nghiên cứu như phân nhóm và phân loại dựa trên
kỹ thuật tính năng tự động phân tán (AFE) để phân khúc khách hàng, sử dụng đàn ong
nhân tạo (ABC) để chọn các tính năng có giá trị của dữ liệu đầu vào và sau đó RFM cung
cấp các phân tích dữ liệu cơ bản. Các phương pháp phân nhóm K-Means, Wald và Fuzzy
C-Means (FCM) được xử lý để phân cụm các ví dụ trong các nhóm biến thể (Aggarwal và
Yadav, 2020), (Christy và Cộng sự. 2021). Cuối cùng, phương pháp phân loại của cây
quyết định mờ cải tiến sẽ phân loại dữ liệu mục tiêu và tạo ra các quy tắc quyết định để
giải thích các tình huống chi tiết (Lee & cộng sự, 2021). Hay phân cụm khách hàng dựa
trên mô hình RFM đã phát triển, cụ thể là RFMV, bằng cách thêm một số loại sản phẩm
Mẫu SV-01_Thuyết minh đăng ký đề tài
khác nhau (V). Do đó, CRISP-DM và thuật toán K-mean đã được sử dụng để phân cụm
(Qadaki Moghaddam & cộng sự, 2017).
Tuy nhiên, qua các nghiên cứu đã chỉ ra một số hạn chế như đối với công cụ khai
thác dữ liệu, chẳng hạn như mạng Nơ-ron có thời gian đào tạo lâu và thuật toán di truyền
là phương pháp tính toán thô bạo, tồn tại hai bước quan trọng và tốn thời gian nhất trong
toàn bộ quá trình khai thác dữ liệu là chuẩn bị dữ liệu, giải thích và đánh giá mô hình. Hầu
hết trong các nghiên cứu chỉ phân khúc khách hàng bằng công nghệ khai thác dữ liệu đơn
lẻ từ một quan điểm đặc biệt, thay vì từ khuôn khổ có hệ thống. Lee & cộng sự (2021) cho
rằng, một số tính năng được thiết kế không liên quan, dư thừa, không cần thiết và hiệu quả
cho việc phân khúc khách hàng. Ngoài ra, trong các nghiên cứu trước đây, mô hình RFM
được phân tích trên tổng thể gồm tất cả sản phẩm sau đó đưa ra kết quả phân khúc khách
hàng chung. Điều này không đảm bảo sự chính xác cho các phân khúc khách hàng bởi vì
sản phẩm của một công ty rất đa dạng, chẳng hạn như nhóm phân khúc VIP chỉ chú trọng
một loại sản phẩm nhưng công ty lại đẩy mạnh tất cả các sản phẩm vào phân khúc tiềm
năng này thì lúc này chiến lược Marketing sẽ không mang lại hiệu quả cao.
Qua các phân tích nghiên cứu trên, chỉ ra rằng phân khúc khách hàng đang là một
trong những mối quan tâm của nhiều doanh nghiệp (đặc biệt là các doanh nghiệp bán lẻ).
Trong đó, mô hình RFM được đánh giá cao trong hỗ trợ phân khúc khách hàng (Namvar
và Cộng sự, 2010). Bên cạnh những biến giá trị của mô hình RFM thì giá trị lâu dài của
khách hàng và chiến lược tiếp thị trên từng sản phẩm cụ thể cũng là một trong những yếu
tố tác động mạnh mẽ đến quyết định của khách hàng. Nhưng các nghiên cứu trên vẫn chưa
đi sâu vào phân tích đồng thời cả ba yếu tố đó. Nhận thấy được vấn đề, nhóm chúng em đã
thực hiện nghiên cứu đề tài “Phân khúc khách hàng dựa trên mô hình RFMV và giá trị
lâu dài của khách hàng - Ứng dụng trong công ty Adventureworks Cycles”
B2. Ý tưởng khoa học, tính cấp thiết và tính mới
B2.1. Ý tưởng khoa học
Để có thể thực hiện “Phân khúc khách hàng dựa trên mô hình RFMV và giá trị lâu
dài của khách hàng - Ứng dụng trong công ty Adventureworks Cycles”, nhóm chúng em
sẽ thực hiện 3 giai đoạn chính. Giai đoạn 1 là thu thập dữ liệu và tiến hành phân loại sản
phẩm cùng loại thành từng nhóm (Category), mỗi nhóm được gắn với một biến V (Variety).
Tác dụng của biến V là chỉ ra sự đa dạng sản phẩm trong công ty Adventureworks Cycles
Mẫu SV-01_Thuyết minh đăng ký đề tài
bằng số lượng biến V được tạo thành. Thực chất, đây là thủ thuật gắn nhãn để chúng ta có
cái nhìn cụ thể hơn vào từng loại sản phẩm. Sau khi được các tập dữ liệu của từng biến V,
thực hiện phân tích dữ liệu để tìm giá trị RFM Score và CLV (Giá trị lâu dài của khách
hàng). Từ hai giá trị tìm được, nhóm chúng em tiến hành phân cụm khách hàng cho từng
sản phẩm (V). Kết quả đạt được của đề tài sẽ là phân khúc khách hàng của từng loại sản
phẩm của công ty Adventureworks Cycles, dựa vào kết quả này, doanh nghiệp có thể biết
được nên đẩy mạng tiếp thị sản phẩm nào nhóm phân khúc khách hàng nào, từ đó dễ dàng
xây dựng chiến lược Marketing hiệu quả.
B2.2. Tính cấp thiết
Trong nhiều nghiên cứu trước đó, mô hình RFM (Recency - Frequency - Monetary,
Lần truy cập gần đây – Tần suất – Tiền tệ) là mô hình được nhiều doanh nghiệp quan tâm
và sử dụng trong quá trình phát triển. Có thể thấy rằng, những kết quả mang lại từ việc áp
dụng mô hình này hữu ích và thiết thực, giúp doanh nghiệp phân cụm được những khách
hàng có cùng nhu cầu, tài chính. Đó là những kết quả quan trọng giúp doanh nghiệp tiếp
cận gần hơn và chính xác hơn nhu cầu của khách hàng trong từng cụm, cải thiện những
chiến lược kinh doanh và góp phần vào sự phát triển về lâu dài của doanh nghiệp.
Tuy nhiên, vấn đề rằng các nghiên cứu nếu chỉ sử dụng mô hình RFM đơn thuần thì
kết quả sẽ có nhiều điểm hạn chế nhất định. Cụ thể như ở khâu xử lý dữ liệu, giải thích,
phân tích và đánh giá mô hình, việc chỉ sử dụng mô hình RFM đơn thuần khiến nó tốn
nhiều thời gian, ảnh hưởng đến tiến độ nghiên cứu. Kết quả phân khúc khách hàng mà mô
hình RFM đưa ra chưa thật tối ưu bởi vì còn tồn tại nhiều yếu tố tác động bên trong mỗi
phân khúc mà mô hình chưa khai thác được. Đồng thời, có những nghiên cứu sử dụng
những tính năng dư thừa và không cần thiết và cũng như là không hiệu quả đối với quá
trình phân khúc khách hàng. Đặc biệt, đối với các doanh nghiệp bán lẻ đa dạng nhiều mặt
hàng thì phân khúc khách hàng cho từng loại sản phẩm là mối quan tâm hàng đầu, nhưng
các mô hình RFM trước đây hầu như chưa đề cập đến vấn đề đó.
B2.3. Tính mới
Trong nghiên cứu này sử dụng mô hình RFMV, một mô hình được phát triển từ mô
hình RFM trong các nghiên cứu trước đó và kết hợp phân tích trên từng sản phẩm (V –Sự
đa dạng) thay vì phân tích trên tổng thể toàn bộ sản phẩm của công ty. Đồng thời, nghiên
cứu cũng ứng dụng giá trị lâu dài của khách hàng (CLV) để hỗ trợ cho quá trình đưa ra
phân khúc khách hàng. Với sự kết hợp này, việc phân tích, đánh giá và phân chia các nhóm
Mẫu SV-01_Thuyết minh đăng ký đề tài
khách hàng sẽ trở nên hiệu quả, nhanh chóng hơn, giúp cho doanh nghiệp nắm bắt được
xu hướng tiêu dùng của từng nhóm khách hàng đối với từng sản phẩm của công ty.
B3. Kết quả nghiên cứu sơ khởi
Tổng quan chung về quy trình xây dựng mô hình RFM, bao gồm các bước sau:
B4. Tài liệu tham khảo
[1] Cheng, C. H., & Chen, Y. S. (2009). Classifying the segmentation of customer value
via RFM model and RS theory. Expert systems with applications, 36(3), 4176-4184.
[2] Chen, D., Sain, S. L., & Guo, K. (2012). Data mining for the online retail industry: A
case study of RFM model-based customer segmentation using data mining. Journal
of Database Marketing & Customer Strategy Management, 19(3), 197-208.
[3] Jo-Ting, W., Shih-Yen, L., & Hsin-Hung, W. (2010). A review of the application of
RFM model. African Journal of Business Management, 4(19), 4199-4206.
[4] Namvar, M., Gholamian, M. R., & KhakAbi, S. (2010, January). A two phase
clustering method for intelligent customer segmentation. In 2010 International
Conference on Intelligent Systems, Modeling and Simulation (pp. 215-219). IEEE.
[5] Dogan, O., Ayçin, E., & Bulut, Z. A. (2018). Customer segmentation by using RFM
model and clustering methods: a case study in retail industry. International Journal
of Contemporary Economics and Administrative Sciences, 8(1), 1-19.
[6] Anitha, P., & Patil, M. M. (2019). RFM model for customer purchase behavior using
K-Means algorithm. Journal of King Saud University-Computer and Information
Sciences.
[7] Sarvari, P. A., Ustundag, A., & Takci, H. (2016). Performance evaluation of different
customer segmentation approaches based on RFM and demographics analysis.
Kybernetes.
Mẫu SV-01_Thuyết minh đăng ký đề tài
[8] Peker, S., Kocyigit, A., & Eren, P. E. (2017). LRFMP model for customer
segmentation in the grocery retail industry: a case study. Marketing Intelligence &
Planning.
[9] Chen, Y., Fu, C., & Zhu, H. (2008, October). A data mining approach to customer
segments based on customer value. In 2008 Fifth International Conference on Fuzzy
Systems and Knowledge Discovery (Vol. 4, pp. 513-517). IEEE.
[10] Lee, Z. J., Lee, C. Y., Chang, L. Y., & Sano, N. (2021). Clustering and classification
based on distributed automatic feature engineering for customer segmentation.
Symmetry, 13(9), 1557.
[11] Bates, G. (2020, January 15). How to Build an RFM Model for Customer
Segmentation.
CloudKettle.
Retrieved
October
6,
2022,
from
https://www.cloudkettle.com/blog/how-to-build-an-rfm-model-for-customersegmentation/
[12] Hiziroglu, A., & Sengul, S. (2012). Investigating two customer lifetime value models
from segmentation perspective. Procedia-Social and Behavioral Sciences, 62, 766774.
[13] Aggarwal, A. G., & Yadav, S. (2020, June). Customer segmentation using
fuzzy-AHP and RFM models. In 2020 8th International Conference on
Reliability, Infocom Technologies and Optimization (Trends and Future
Directions)(ICRITO) (pp. 77-80). IEEE.
[14] Christy, A. J., Umamakeswari, A., Priyatharsini, L., & Neyaa, A. (2021). RFM
ranking–An effective approach to customer segmentation. Journal of King
Saud University-Computer and Information Sciences, 33(10), 1251-1257.
[15] Namvar, M., Gholamian, M. R., & KhakAbi, S. (2010, January). A two-phase
clustering method for intelligent customer segmentation. In 2010 International
Conference on Intelligent Systems, Modeling, and Simulation (pp. 215-219).
IEEE.
B5. Kế hoạch và phương pháp nghiên cứu
B5.1 Mục tiêu
Nghiên cứu này được thực hiện hướng tới mục tiêu chung là phân chia khách hàng
thành các nhóm khác nhau mà trong cùng một nhóm, những khách hàng sẽ có xu hướng
Mẫu SV-01_Thuyết minh đăng ký đề tài
hành vi mua sắm tương tự nhau từ những nguồn dữ liệu được thu thập trực tiếp từ hành vi
mua sắm trước đó của khách hàng. Khi tìm ra phương pháp hiệu quả nhất, nhanh chóng
nhất, việc phân chia các nhóm khách hàng sẽ trở nên dễ dàng, thuận lợi hơn với nguồn dữ
liệu được phân tích chính xác hơn. Đó là cơ sở giúp doanh nghiệp có được cái nhìn cụ thể
nhất về nhu cầu khách hàng, cải thiện chất lượng sản phẩm dịch vụ, mang đến cho khách
hàng những trải nghiệm tối nhất và quan trọng là giúp doanh nghiệp phát triển về lâu dài.
B5.2 Nội dung
Mục tiêu nội dung
Ứng dụng quy trình khai phá dữ liệu nhằm rút trích thông tin có ích từ tập dữ liệu
bán hàng của công ty bán lẻ hàng tiêu dùng nhằm đưa ra các hàm ý kinh doanh hỗ trợ các
chiến lược duy trì khách hàng. Xử lý bộ dữ liệu xuất ra từ hệ thống CRM của công ty
Adventureworks Cycles để tiến hành xử lý để lấy ra các biến độc lập cần thiết cho việc xây
dựng mô hình RFM.
Tạo điều kiện trau dồi kỹ năng phân tích dữ liệu trên ngôn ngữ lập trình Python.
Dùng RFM, kỹ thuật phân cụm K-Means và phân cụm theo thứ bậc để phân khúc khách
hàng theo các biến đã xử lý và gán nhãn dữ liệu. Từ đó, dễ dàng nhận diện khách hàng và
chăm sóc khách hàng tốt hơn.
Kiểm định chất lượng cụm với chỉ số Silhouette và xác định phân khúc khách hàng
dựa vào giá trị lâu dài của khách hàng đo lường bởi Recency, Frequency và Monetary.
Nghiên cứu trên từng loại sản phẩm thay vì thực hiện phân tích tổng thể như các
nghiên cứu trước đây. Mỗi loại sản phẩm của công ty Adventureworks Cycles sẽ được gán
vào một biến V (Variety) – đây là một biến nhãn dán. Kết quả của mô hình là điểm RFM
Score cho từng biến V để đưa ra phân khúc khách hàng cho từng loại sản phẩm.
Đối tượng và phạm vi nghiên cứu
Đối tượng nghiên cứu: Sử dụng với mô hình RFMV trong việc phân tích hành vi
khách hàng và giá trị lâu dài của khách hàng. Mô hình khai phá dữ liệu K-means, giải thuật
phân cụm, từ đó phân khúc khách hàng thông qua dữ liệu từ hệ thống công ty
Adventureworks Cycles.
Mẫu SV-01_Thuyết minh đăng ký đề tài
Phạm vi nghiên cứu: Nghiên cứu chỉ sử dụng cơ sở dữ liệu nội bộ của công ty
Adventureworks Cycles cũng như dữ liệu các chi nhánh công ty đặt tại các bang của một
số nước được cung cấp. Dữ liệu cho nghiên cứu này chỉ là dữ liệu được lấy từ các kênh
bán hàng trực tiếp tại cửa hàng và online từ năm 2014 đến năm 2018. Vì tiêu chí thông tin
mật nên thông tin khách hàng sẽ được giấu kín. Phát hiện của báo cáo là kỳ vọng thực tế
trong thời gian tới đối với việc phân cụm khách hàng trong ngành bán lẻ của công ty
Adventureworks Cycles.
Phương pháp
Phương pháp định lượng: Thu thập dữ liệu giao dịch từ công ty Adventureworks
Cycles, làm sạch dữ liệu, tích hợp và áp dụng phương pháp thống kê, học máy để phân tích
dữ liệu nhằm khám phá những giá trị tiềm ẩn. Những giá trị tiềm ẩn trong dữ liệu là những
phân khúc khách hàng, tỷ lệ churn và xu hướng được phân tích và từ đó có những thảo
luận và hàm ý trong kinh doanh.
Phương pháp định tính dựa trên dữ liệu định lượng: Phân loại sản phẩm dựa vào
cột giá trị “Caterogy” của tập dữ liệu, tổng hợp số liệu, tính toán trên 3 biến như Recency
(ngày), Frequency (số) và Monetary (tổng cộng) trên từng sản phẩm. Lúc này dữ liệu phân
tích đang bị rối và hỗn độn nên cần một quy trình chấm điểm các biến giá trị theo khoảng
từ 1-5. Nhóm giá trị thuộc 20% dữ liệu cao nhất sẽ được nhận điểm 5 và cứ như thế, 20%
tiếp theo sẽ nhận điểm 4,... và 20% giá trị thấp nhất sẽ nhận điểm 1. Sau giai đoạn này,
xuất hiện 3 biến giá trị mới: R Score, F Score và M Score. Ghép ba giá trị biến mới ta được
giá trị REM Cell, tính giá trị trung bình của biến RFM Cell ta được biến giá trị cuối cùng
là RFM Score.
Công ty Adventureworks Cycles kinh doanh 4 mặt hàng chính, chúng em thực hiện
gắn nhãn các biến V để phân loại với Components (V1), Accessories (V2), Clothing (V3) và
Bikes (V4). Tiếp đến, thực hiện phân tích điểm RFM trên từng biến V riêng biệt. Sau khi
chuyển đổi qua RFM, dữ liệu sẽ được áp dụng kết quả của phân tích số cụm thông qua chỉ
số PBM mở (Fuzzy PBM index). Kết quả này dùng để tính CLV kết hợp với FAHP. Cuối
cùng các cụm CLV sẽ được xếp hạng từ thấp đến cao để phân tích và nhà quản trị đưa ra
chiến lược phù hợp để phát triển cho công ty Adventureworks Cycles.
Mẫu SV-01_Thuyết minh đăng ký đề tài
Công thức tính giá trị lâu dài của khách hàng (CLV)
Dựa vào giá trị RFM Score và CLV, sử dụng kỹ thuật phân cụm K-Means và tiến
hành gắn nhãn cho khách hàng với 10 nhãn. Từ đó, dễ dàng để phân cụm khách hàng để
đưa ra chiến lược Marketing phù hợp. Tuy nhiên, đó chỉ mới là phân khúc khách hàng cho
một loại sản phẩm. Mô hình RFMV sẽ thực hiện phân tích trên sự đa dạng các sản phẩm
trong công ty qua tất cả biến V. Kết quả thu được từ mỗi biến V là phân cụm khách hàng
tiềm năng cho loại sản phẩm đó để đưa ra chiến lượng marketing phù hợp, tăng nguồn
doanh thu cho doanh nghiệp.
Qui trình nghiên cứu
Phương pháp, quy trình nghiên cứu và thực nghiệm
B6. Sản phẩm của đề tài
01 bài báo tại Hội nghị sinh viên cấp trường.
Ngày
tháng
năm 2022
Nhóm trưởng nhóm nghiên cứu
Ngày
tháng
năm 2022
Lãnh đạo Đơn vị
(Họ tên, chữ ký)
Ngày
tháng
năm 2022
Người hướng dẫn
(Họ tên, chữ ký)
Mẫu SV-01_Thuyết minh đăng ký đề tài