Bối cảnh và vấn đề nghiên cứu

Nghiên cứu hành vi mua sắm của khách hàng giữ vai trò quan trọng trong việc hỗ trợ doanh nghiệp xây dựng chiến lược kinh doanh, tối ưu hóa hoạt động tiếp thị, quản lý hàng tồn kho và nâng cao chất lượng dịch vụ khách hàng. Việc nắm bắt kịp thời các quy luật tiêu dùng, sở thích sản phẩm và phản ứng của người mua đối với các chương trình xúc tiến thương mại giúp tổ chức thương mại thích ứng hiệu quả với sự thay đổi của thị trường. Đồ án môn học "Phân tích dữ liệu mua sắm" được thực hiện tại Khoa Công nghệ Thông tin – Trường Đại học Sài Gòn (thực hiện bởi sinh viên Đỗ Hoàng Tin, dưới sự hướng dẫn của giảng viên Phan Thành Huấn, tháng 12/2024) nhằm khai thác bộ dữ liệu khảo sát người tiêu dùng, từ đó xác định các nhân tố tác động trực tiếp đến quyết định chi tiêu.

Mục tiêu và nhiệm vụ nghiên cứu của đề tài được xác định cụ thể như sau:

  1. Phân tích dữ liệu mua sắm nhằm hiểu rõ nhu cầu, thói quen và hành vi tiêu dùng của khách hàng.
  2. Khai thác và trực quan hóa dữ liệu để xác định các yếu tố ảnh hưởng chính đến quyết định mua sắm (loại sản phẩm ưa chuộng, tần suất mua sắm, kênh mua sắm, phương thức thanh toán và tác động của các chương trình giảm giá, khuyến mãi).
  3. Đánh giá mối quan hệ giữa các biến số nhân khẩu học, mức độ hài lòng với chi tiêu trung bình thông qua các mô hình học máy (Machine Learning).
  4. Đề xuất các căn cứ thực nghiệm giúp doanh nghiệp tối ưu hóa chiến lược kinh doanh, nâng cao trải nghiệm khách hàng và cải thiện hiệu quả vận hành.

Đối tượng nghiên cứu là tập dữ liệu khảo sát khách hàng (customers_survey) bao gồm 200 bản ghi với 17 thuộc tính phản ánh các khía cạnh nhân khẩu học, hành vi mua sắm và mức độ hài lòng. Phạm vi nghiên cứu tập trung vào phân tích thống kê mô tả (đơn biến) và mô hình hóa dự báo (đa biến) trên tập dữ liệu khảo sát có sẵn, không mở rộng sang việc thu thập dữ liệu thời gian thực hay triển khai hệ thống phần mềm thương mại độc lập.

Cơ sở lý thuyết và phương pháp

Nghiên cứu được triển khai dựa trên quy trình phân tích dữ liệu chuẩn mực trong khoa học dữ liệu, bao gồm các giai đoạn: tiền xử lý dữ liệu, phân tích khám phá đơn biến (Exploratory Data Analysis - EDA), phân tích tương quan và xây dựng mô hình hồi quy đa biến nhằm dự đoán hành vi chi tiêu.

Khung phân loại và tiêu chuẩn đánh giá

  • Phân nhóm độ tuổi theo tiêu chuẩn của Tổ chức Y tế Thế giới (WHO): Dữ liệu độ tuổi được phân loại thành 5 nhóm: Trẻ em (0–9 tuổi), Vị thành niên (10–19 tuổi), Thanh niên (20–24 tuổi), Người trưởng thành (25–64 tuổi) và Người cao tuổi (65 tuổi trở lên). Trong nghiên cứu thực tế, nhóm tác giả loại bỏ nhóm 0–9 tuổi do nhóm này chưa đủ nhận thức và năng lực thực hiện hành vi mua sắm độc lập.
  • Các thuật toán học máy phục vụ phân tích hồi quy:
    • Hồi quy đa thức (Polynomial Regression): Mô hình hóa phi tuyến tính mối quan hệ giữa biến độc lập và biến phụ thuộc.
    • Hồi quy Cây quyết định (Decision Tree Regressor): Phân vùng không gian dữ liệu thành các tập con đồng nhất để dự báo giá trị liên tục.
    • Hồi quy Rừng ngẫu nhiên (Random Forest Regressor): Kỹ thuật học kết hợp (ensemble learning) xây dựng nhiều cây quyết định nhằm nâng cao độ chính xác và giảm thiểu hiện tượng quá khớp (overfitting).
    • K láng giềng gần nhất (K-Nearest Neighbors Regressor - KNN): Dự báo giá trị dựa trên khoảng cách trung bình của $k$ điểm dữ liệu lân cận gần nhất.
  • Chỉ số đánh giá mô hình:
    • Sai số toàn phương trung bình (Mean Squared Error - MSE): Đo lường độ lớn trung bình của bình phương sai số giữa giá trị thực tế và giá trị dự đoán.
    • Hệ số xác định ($R^2$ Score): Thước đo tỷ lệ biến thiên của biến phụ thuộc được giải thích bởi các biến độc lập trong mô hình.

Nguồn dữ liệu và mô tả các thuộc tính

Dữ liệu sử dụng trong đồ án là tập dữ liệu customers_survey gồm 200 dòng và 17 cột dữ liệu. Cấu trúc các thuộc tính được tác giả mô tả chi tiết như sau:

STT Thuộc tính (Variable) Kiểu dữ liệu Diễn giải nội dung
1 Age Int Tuổi của khách hàng
2 Gender String Giới tính (Nam / Nữ)
3 Income Float Thu nhập hàng tháng/hàng năm của khách hàng
4 Household_Size Int Kích thước hộ gia đình (số lượng thành viên)
5 Average_Spend Float Chi tiêu trung bình của khách hàng
6 Overall_Satisfaction Int Mức độ hài lòng tổng thể (thang điểm 1–5)
7 Education_Level String Trình độ giáo dục (Trung học, Đại học, Sau đại học...)
8 Employment_Status String Tình trạng việc làm
9 Marital_Status String Tình trạng hôn nhân
10 Location String Nơi ở / Vị trí địa lý của khách hàng
11 Shopping_Frequency String Tần suất mua sắm (Daily, Weekly, Monthly, Rarely)
12 Product_Preferences String Sở thích chủng loại sản phẩm
13 Shopping_Channels String Kênh mua sắm khách hàng sử dụng
14 Payment_Methods String Phương thức thanh toán (Tiền mặt, phương thức hiện đại)
15 Product_Quality_Importance Int Độ quan trọng của chất lượng sản phẩm (thang điểm 1–5)
16 Promotions_Discounts_Interest Int Mức độ quan tâm đến khuyến mãi và giảm giá (thang điểm 1–5)
17 Product_Satisfaction Int Mức độ hài lòng với sản phẩm đã mua (thang điểm 1–5)

Nội dung chính theo từng chương

TỔNG QUAN VỀ ĐỒ ÁN

Chương này thiết lập nền tảng lý thuyết và mục tiêu thực tiễn của nghiên cứu. Tác giả phân tích tính cấp thiết của việc nghiên cứu hành vi khách hàng trong hoạt động kinh doanh hiện đại, xác định mục tiêu khai thác dữ liệu nhằm nhận diện các nhân tố tác động đến quyết định tiêu dùng. Toàn bộ thông tin tổng quan về tập dữ liệu khảo sát customers_survey (200 dòng, 17 thuộc tính) cùng bảng mã hóa kiểu dữ liệu được thiết lập chi tiết để làm đầu vào cho các giai đoạn xử lý kế tiếp.

TIỀN XỬ LÝ DỮ LIỆU

Quá trình tiền xử lý được thực hiện nhằm rà soát và bảo đảm chất lượng dữ liệu trước khi đưa vào phân tích. Các bước kiểm tra tập trung vào:

  • Kiểm tra dữ liệu khuyết thiếu (null, NaN): Xác nhận không tồn tại giá trị bị thiếu trong toàn bộ 200 dòng dữ liệu.
  • Kiểm tra tính trùng lặp: Xác nhận không có bản ghi nào bị lặp lại hoàn toàn.
  • Kiểm tra giá trị ngoại lai (outliers) và định dạng: Kiểm tra phân phối các biến định lượng nhằm đảm bảo không có giá trị bất thường gây lệch kết quả phân tích.
  • Chuẩn hóa dữ liệu: Rà soát tính đồng nhất về mặt đơn vị đo lường và cấu trúc định dạng của các thuộc tính, đưa ra kết luận dữ liệu đã đồng nhất và sẵn sàng cho phân tích thống kê.

PHÂN TÍCH ĐƠN BIẾN

Chương này thực hiện trực quan hóa và rút ra các nhận định thống kê mô tả đối với từng biến số độc lập:

  • Phân tích đối tượng khách hàng theo giới tính:
    • Tỷ lệ mua hàng của nam giới cao hơn nữ giới, ghi nhận mức chênh lệch 16%.
    • Tổng số tiền chi tiêu của nhóm khách hàng nam vượt trội rõ rệt so với nhóm khách hàng nữ.
    • Chi tiêu trung bình trên từng đơn hàng giữa nam và nữ không có sự cách biệt lớn.
    • Tần suất mua hàng của nam giới duy trì ở mức cao trên tất cả các mốc (Daily, Weekly, Monthly), trong khi nữ giới tập trung phần lớn ở mốc mua sắm "Rarely" (hiếm khi).
  • Phân tích đối tượng khách hàng theo nhóm tuổi:
    • Nhóm khách hàng trưởng thành (25–64 tuổi) chiếm tỷ trọng áp đảo về số lượng người mua và đóng góp phần lớn tổng doanh thu.
    • Mức chi tiêu trung bình giữa các nhóm tuổi khá đồng đều.
    • Nhóm tuổi trưởng thành chiếm tỷ lệ vượt trội tại mọi mốc tần suất khảo sát so với các nhóm vị thành niên, thanh niên và cao tuổi.
  • Phân tích điểm đánh giá và mức độ quan tâm:
    • Mức độ hài lòng với sản phẩm: Điểm đánh giá trung bình giữa các nhóm mặt hàng khá tương đồng, tuy nhiên điểm số chỉ đạt ở mức trên trung bình một chút, phản ánh chất lượng sản phẩm chưa tạo được sự bứt phá tương xứng với giá cả.
    • Mức độ quan tâm đến mã giảm giá: Đa số khách hàng tập trung ở mức độ quan tâm cao (điểm đánh giá từ 4 đến 5 trên thang điểm 5).
    • Phân bổ khu vực địa lý: Số lượng sản phẩm bán ra phân bố đồng đều giữa 3 khu vực địa lý được khảo sát.
  • Phân tích hành vi thanh toán và kênh mua sắm:
    • Phương thức thanh toán: Các hình thức thanh toán có tỷ lệ sử dụng tương đối cân bằng, tuy nhiên phương thức tiền mặt (Cash) có tỷ trọng thấp hơn so với các phương thức thanh toán hiện đại.
    • Kênh mua sắm: Khách hàng có xu hướng kết hợp linh hoạt giữa kênh mua sắm trực tuyến (Online) và trực tiếp tại cửa hàng (Offline).

PHÂN TÍCH ĐA BIẾN

Nghiên cứu tiến hành phân tách dữ liệu theo hai nhóm khách hàng (Nam và Nữ), tính toán ma trận tương quan giữa các biến và tập trung thử nghiệm 4 thuật toán học máy trên nhóm khách hàng Nam nhằm kiểm định hai mối quan hệ cốt lõi:

     [4 Mô hình hồi quy thực nghiệm]                             [4 Mô hình hồi quy thực nghiệm]
     - Polynomial Regression (Tốt nhất)                          - Polynomial Regression (R² = 0.018)
     - K-Nearest Neighbors (KNN)                                 - Decision Tree Regressor (R² = -0.028)
     - Random Forest Regressor                                   - Random Forest Regressor
     - Decision Tree Regressor                                   - (Không có quan hệ giải thích tốt)
  1. Phân tích mối quan hệ giữa Thu nhập (Income) và Chi tiêu trung bình (Average_Spend):
    • Polynomial Regression: Đạt chỉ số $R^2 = 0.780$ và $MSE = 5642.95$. Mô hình giải thích được 78% biến thiên của mức chi tiêu trung bình từ thu nhập, đạt sai số thấp nhất.
    • Decision Tree Regressor: Đạt chỉ số $R^2 = 0.518$ và $MSE = 12412.00$. Sai số cao và khả năng giải thích chỉ đạt khoảng 52%.
    • Random Forest Regressor: Đạt chỉ số $R^2 = 0.718$ và $MSE = 7267.00$, giải thích được 71.8% biến thiên dữ liệu.
    • K-Nearest Neighbors Regressor: Đạt chỉ số $R^2 = 0.775$ và $MSE = 5782.00$, cho hiệu quả dự báo cao tiệm cận với hồi quy đa thức.
  2. Phân tích mối quan hệ giữa Mức độ hài lòng tổng thể (Overall_Satisfaction) và Chi tiêu trung bình (Average_Spend):
    • Polynomial Regression: Đạt chỉ số $R^2 = 0.018$ và $MSE = 25272.81$. Mô hình chỉ giải thích được 1.8% sự biến thiên và có sai số rất lớn.
    • Decision Tree Regressor: Đạt chỉ số $R^2 = -0.028$ và $MSE = 26479.29$. Hệ số $R^2$ âm cho thấy mô hình không có khả năng dự đoán hay giải thích mối quan hệ giữa hai biến số này.
    • Random Forest Regressor: Tương tự ghi nhận mức độ sai số lớn, không tạo ra mô hình dự báo tin cậy.

Kết quả và đóng góp

Bảng tổng hợp kết quả thực nghiệm mô hình hóa

Dưới đây là bảng so sánh hiệu năng của 4 mô hình hồi quy khi dự đoán mối quan hệ giữa Thu nhập (Income) và Chi tiêu trung bình (Average_Spend) trên tập kiểm tra của nhóm khách hàng nam:

Mô hình thuật toán Chỉ số sai số ($MSE$) Hệ số xác định ($R^2$) Đánh giá mức độ phù hợp
Polynomial Regression 5642.95 0.780 Tốt nhất (Giải thích 78% biến thiên, sai số nhỏ nhất)
K-Nearest Neighbors (KNN) 5782.00 0.775 Tốt (Khả năng giải thích 77.5%, tiệm cận hồi quy đa thức)
Random Forest Regressor 7267.00 0.718 Khá (Giải thích 71.8% biến thiên)
Decision Tree Regressor 12412.00 0.518 Kém (Sai số lớn, chỉ giải thích 51.8% biến thiên)

Đối với mối quan hệ giữa Mức độ hài lòng tổng thể (Overall_Satisfaction) và Chi tiêu trung bình (Average_Spend), các mô hình đều cho thấy mối liên hệ dự báo rất yếu:

  • Hồi quy đa thức chỉ đạt $R^2 = 0.018$ với $MSE = 25272.81$.
  • Hồi quy cây quyết định ghi nhận $R^2 = -0.028$ với $MSE = 26479.29$.

Giải pháp và kiến nghị đề xuất từ tác giả

  1. Định hướng phân khúc khách hàng mục tiêu: Tập trung nguồn lực phát triển các sản phẩm, chiến dịch truyền thông xoay quanh phân khúc khách hàng nam giới và nhóm tuổi trưởng thành (25–64 tuổi), do đây là hai nhóm có tần suất mua hàng cao và đóng góp doanh thu lớn nhất.
  2. Khai thác khách hàng nữ giới và các nhóm tuổi phụ: Nữ giới có chi tiêu trung bình trên mỗi đơn hàng tương đương nam giới nhưng tần suất mua sắm thấp (tập trung ở mốc hiếm khi). Doanh nghiệp cần cải tiến chính sách sản phẩm và chương trình quảng bá để gia tăng sức hấp dẫn đối với khách hàng nữ.
  3. Chính sách giá và chất lượng: Điểm đánh giá trung bình của các sản phẩm hiện chỉ ở mức trên trung bình. Cần nâng cao chất lượng thực tế của sản phẩm để tương xứng với mức giá bán nhằm cải thiện điểm số trải nghiệm.
  4. Ứng dụng công cụ xúc tiến bán hàng: Đẩy mạnh phát hành mã giảm giá và khuyến mãi, do phần lớn khách hàng khảo sát thể hiện sự quan tâm cao đối với yếu tố này (điểm 4–5).
  5. Đa dạng hóa kênh phân phối và thanh toán: Tích hợp mô hình bán hàng đa kênh (kết hợp mua sắm trực tuyến và trực tiếp) cùng việc hỗ trợ tối đa các phương thức thanh toán hiện đại bên cạnh phương thức tiền mặt truyền thống.

Đóng góp của đồ án

Đồ án đã cung cấp một quy trình thực nghiệm rõ ràng từ khâu tiền xử lý, khám phá dữ liệu đơn biến đến việc áp dụng và so sánh định lượng 4 thuật toán hồi quy khác nhau trên dữ liệu hành vi người tiêu dùng. Kết quả thực nghiệm xác định rõ mô hình Hồi quy đa thức (Polynomial Regression) là công cụ tối ưu nhất để dự báo chi tiêu dựa trên thu nhập đối với tập dữ liệu khảo sát này.

Hạn chế và hướng nghiên cứu tiếp

  • Hạn chế về quy mô dữ liệu: Bộ dữ liệu khảo sát customers_survey có kích thước tương đối nhỏ (200 dòng quan sát) và là dữ liệu sạch (không có giá trị thiếu, không có trùng lặp hay ngoại lai), dẫn đến việc kiểm thử các mô hình học máy phức tạp có thể chưa phản ánh đầy đủ độ nhiễu trong thực tế kinh doanh.
  • Hạn chế về phạm vi phân tích mô hình: Việc xây dựng mô hình hồi quy đa biến và so sánh thuật toán mới chỉ được tập trung kiểm nghiệm chi tiết trên tập con khách hàng nam và giới hạn ở hai cặp quan hệ biến số riêng lẻ (Income – Average_Spend và Overall_Satisfaction – Average_Spend).
  • Hướng phát triển:
    • Mở rộng quy mô mẫu khảo sát và thu thập thêm các biến số hành vi chi tiết hơn.
    • Áp dụng thêm các kỹ thuật học máy nâng cao và tinh chỉnh siêu tham số (hyperparameter tuning).
    • Triển khai phân tích hồi quy và phân cụm đa biến toàn diện cho cả nhóm khách hàng nữ và các biến nhân khẩu học khác.

Giá trị tham khảo

Báo cáo đồ án mang lại giá trị tham khảo thiết thực cho các đối tượng sau:

  • Sinh viên ngành Công nghệ thông tin, Khoa học dữ liệu và Hệ thống thông tin: Tài liệu cung cấp một bài mẫu học thuật hoàn chỉnh về quy trình phân tích dữ liệu môn học, từ việc xử lý tập dữ liệu có cấu trúc, triển khai trực quan hóa dữ liệu đơn biến đến việc lập trình và so sánh các thuật toán hồi quy cơ bản (Polynomial Regression, Decision Tree, Random Forest, KNN).
  • Sinh viên ngành Quản trị kinh doanh, Marketing: Cung cấp góc nhìn thực nghiệm về cách thức phân tích định lượng các biến số hành vi tiêu dùng (độ tuổi, giới tính, mức độ quan tâm khuyến mãi, phương thức thanh toán) phục vụ ra quyết định kinh doanh.
  • Phần đáng tham khảo nhất: Quy trình trực quan hóa đơn biến theo từng nhóm nhân khẩu học và phương pháp đánh giá thực nghiệm so sánh chỉ số $MSE$, $R^2$ giữa 4 mô hình học máy.

Câu hỏi thường gặp

1. Tập dữ liệu nghiên cứu trong đồ án có quy mô và cấu trúc như thế nào?

Tập dữ liệu nghiên cứu có tên customers_survey, gồm 200 dòng và 17 cột dữ liệu. Các cột bao gồm các thông tin nhân khẩu học (tuổi, giới tính, thu nhập, kích thước hộ gia đình, trình độ giáo dục, tình trạng việc làm, tình trạng hôn nhân, vị trí địa lý) và các thông tin hành vi/đánh giá (tần suất mua sắm, sở thích sản phẩm, kênh mua sắm, phương thức thanh toán, độ quan trọng chất lượng, mức độ quan tâm giảm giá, độ hài lòng sản phẩm và mức độ hài lòng tổng thể).

2. Tác giả đã phân chia và phân tích độ tuổi của khách hàng theo tiêu chuẩn nào?

Tác giả phân chia độ tuổi theo tiêu chuẩn của Tổ chức Y tế Thế giới (WHO) thành 5 nhóm: Trẻ em (0–9 tuổi), Vị thành niên (10–19 tuổi), Thanh niên (20–24 tuổi), Người trưởng thành (25–64 tuổi) và Người cao tuổi (65 tuổi trở lên). Trong đó, nhóm trẻ em (0–9 tuổi) được loại trừ khỏi phân tích vì chưa có năng lực thực hiện hành vi mua sắm độc lập. Kết quả cho thấy nhóm người trưởng thành (25–64 tuổi) chiếm ưu thế áp đảo về số lượng, tổng chi tiêu và tần suất mua hàng.

3. Trong 4 mô hình hồi quy dự đoán Chi tiêu trung bình theo Thu nhập ở khách hàng nam, mô hình nào cho kết quả tốt nhất?

Mô hình Hồi quy đa thức (Polynomial Regression) cho kết quả tốt nhất với hệ số xác định $R^2 = 0.780$ (giải thích được 78% biến thiên của chi tiêu trung bình) và sai số toàn phương trung bình thấp nhất $MSE = 5642.95$. Xếp thứ hai là mô hình K láng giềng gần nhất (KNN) với $R^2 = 0.775$ và $MSE = 5782.00$.

4. Kết quả mô hình hóa mối quan hệ giữa Mức độ hài lòng tổng thể (Overall_Satisfaction) và Chi tiêu trung bình (Average_Spend) thể hiện điều gì?

Kết quả thực nghiệm cho thấy mức độ hài lòng tổng thể không có mối quan hệ giải thích tốt đối với chi tiêu trung bình. Cụ thể, mô hình Polynomial Regression chỉ đạt $R^2 = 0.018$ ($MSE = 25272.81$) và mô hình Decision Tree Regressor đạt $R^2 = -0.028$ ($MSE = 26479.29$), cho thấy sự biến thiên của mức độ hài lòng hầu như không giải thích được mức độ chi tiêu của khách hàng trong tập dữ liệu này.

5. Kết quả kiểm tra chất lượng dữ liệu ở bước tiền xử lý của đồ án như thế nào?

Qua các bước kiểm tra dữ liệu không hợp lệ, tác giả xác nhận tập dữ liệu customers_survey không chứa giá trị thiếu (null/NaN), không có các dòng dữ liệu bị trùng lặp, không có giá trị ngoại lai bất thường và tất cả các thuộc tính đều đồng nhất về đơn vị đo lường.

Kết luận

Đồ án "Phân tích dữ liệu mua sắm" của sinh viên Đỗ Hoàng Tin đã hoàn thành các mục tiêu đề ra trong khuôn khổ môn học Phân tích dữ liệu tại Khoa Công nghệ Thông tin – Trường Đại học Sài Gòn. Nghiên cứu đã làm rõ các đặc trưng tiêu dùng quan trọng, nổi bật là vai trò chủ lực của phân khúc khách hàng nam giới và nhóm tuổi trưởng thành trong cơ cấu doanh thu, cùng xu hướng ưa chuộng khuyến mãi và mua sắm đa kênh. Việc so sánh thực nghiệm 4 mô hình học máy đã chứng minh Hồi quy đa thức là phương pháp tối ưu để dự báo chi tiêu theo thu nhập trên tập dữ liệu khảo sát này. Kết quả của đồ án cung cấp tài liệu tham khảo có giá trị học thuật và thực tiễn cho sinh viên chuyên ngành công nghệ thông tin và phân tích kinh doanh.