Đồ án xây dựng bài toán khai phá dữ liệu khách hàng khu trung tâm mua sắm - ĐH Nguyễn Tất Thành

Nghiên cứu đồ án khai phá dữ liệu lớn xây dựng bài toán khai phá dữ liệu khách hàng tại khu trung tâm mua sắm. Phân tích hành vi khách hàng và ứng dụng dữ liệu

• Tác giả: Trang Gia Bảo
• Người hướng dẫn: Hồ Ngọc Trung Kiên
• Trường học: Đại học Nguyễn Tất Thành
• Chuyên ngành: Trí tuệ nhân tạo
• Đề tài: Khai phá dữ liệu khách hàng khu trung tâm mua sắm bằng K-means
• Loại tài liệu: Đồ án
• Năm xuất bản: 2022
• Địa điểm: Hồ Chí Minh

Tóm tắt

I. Tổng quan về đồ án khai phá dữ liệu khách hàng

Đồ án khai phá dữ liệu lớn xây dựng bài toán phân tích hành vi khách hàng tại khu trung tâm mua sắm nhằm giải quyết nhu cầu phân khúc khách hàng hiệu quả. Dữ liệu thu thập bao gồm thông tin nhân khẩu học (tuổi, giới tính, thu nhập) và hành vi mua sắm (điểm số tiêu dùng, chi tiêu hàng năm). Mục tiêu chính là ứng dụng các thuật toán phân cụm như K-Means và Agglomerative để nhóm khách hàng thành các phân khúc khác nhau, từ đó hỗ trợ doanh nghiệp xây dựng chiến lược marketing cá nhân hóa. Đồ án sử dụng phương pháp ETL để xử lý dữ liệu thô, kết hợp với kỹ thuật chuẩn hóa StandardScaler nhằm tối ưu hóa đầu vào cho các thuật toán. Kết quả phân cụm cung cấp thông tin quan trọng giúp doanh nghiệp hiểu rõ hơn về hành vi tiêu dùng, từ đó nâng cao trải nghiệm khách hàng và tăng doanh thu.

1.1. Phương pháp khai phá dữ liệu lớn

Khai phá dữ liệu lớn trong đồ án sử dụng phương pháp ETL (Extract-Transform-Load) để xử lý dữ liệu thô từ nguồn khách hàng. Dữ liệu được trích xuất từ các giao dịch mua sắm, sau đó biến đổi thành các thuộc tính có ý nghĩa như thu nhập hàng năm, điểm số tiêu dùng, và độ tuổi. Quá trình chuẩn hóa dữ liệu bằng StandardScaler giúp loại bỏ sai lệch do quy mô, đảm bảo thuật toán hoạt động hiệu quả. Ngoài ra, đồ án còn áp dụng các kỹ thuật lựa chọn thuật toán phân cụm phù hợp dựa trên đặc điểm dữ liệu, bao gồm thuật toán K-Means (phân hoạch) và Agglomerative (phân cấp). Mỗi thuật toán có ưu nhược điểm riêng, đòi hỏi quá trình thử nghiệm và đánh giá kỹ lưỡng.

1.2. Ứng dụng trong phân khúc khách hàng

Phân khúc khách hàng là mục tiêu cốt lõi của đồ án, giúp doanh nghiệp hiểu rõ nhu cầu và hành vi tiêu dùng của từng nhóm khách hàng. Dữ liệu khách hàng được nhóm thành các cụm dựa trên thu nhập, độ tuổi, giới tính, và điểm số tiêu dùng. Kết quả phân cụm cho phép doanh nghiệp xây dựng chiến lược marketing phù hợp, chẳng hạn như chương trình khuyến mại dành riêng cho nhóm khách hàng có thu nhập cao hoặc chương trình thân thiết cho nhóm khách hàng thường xuyên mua sắm. Ngoài ra, phân khúc khách hàng còn hỗ trợ tối ưu hóa bố trí sản phẩm, cải thiện trải nghiệm mua sắm, và tăng cường sự hài lòng của khách hàng.

II. Phân tích vấn đề khai phá dữ liệu khách hàng

Khu trung tâm mua sắm đối mặt với thách thức trong việc hiểu rõ hành vi và nhu cầu của khách hàng do khối lượng dữ liệu lớn và đa dạng. Dữ liệu khách hàng bao gồm thông tin nhân khẩu học, lịch sử mua sắm, và hành vi tiêu dùng, nhưng việc khai thác thông tin hữu ích từ dữ liệu thô là không hề đơn giản. Doanh nghiệp gặp khó khăn trong việc xác định các phân khúc khách hàng tiềm năng, dẫn đến chiến lược marketing kém hiệu quả và lãng phí ngân sách. Ngoài ra, dữ liệu thiếu đồng nhất, có nhiều giá trị nhiễu, và thiếu các thuộc tính quan trọng cũng ảnh hưởng đến chất lượng phân tích. Để giải quyết vấn đề này, đồ án đề xuất sử dụng các thuật toán khai phá dữ liệu lớn nhằm phân loại khách hàng thành các nhóm có đặc điểm tương đồng, từ đó hỗ trợ doanh nghiệp đưa ra quyết định dựa trên dữ liệu.

2.1. Thách thức trong xử lý dữ liệu lớn

Dữ liệu khách hàng tại khu trung tâm mua sắm thường có quy mô lớn, đa dạng về loại hình, và chứa nhiều giá trị nhiễu. Việc xử lý dữ liệu thô đòi hỏi các bước tiền xử lý như làm sạch dữ liệu, xử lý giá trị thiếu, và chuẩn hóa thuộc tính. Ngoài ra, dữ liệu thường không đồng nhất về định dạng, chẳng hạn như thu nhập được đo bằng đơn vị khác nhau (k$, triệu đồng), hoặc điểm số tiêu dùng được đánh giá theo thang đo khác nhau. Điều này đòi hỏi quy trình ETL chặt chẽ để đảm bảo dữ liệu đầu vào cho các thuật toán phân cụm đạt chất lượng cao. Thiếu sót trong quá trình xử lý dữ liệu có thể dẫn đến kết quả phân cụm không chính xác, ảnh hưởng đến hiệu quả của chiến lược kinh doanh.

2.2. Nhu cầu phân khúc khách hàng hiệu quả

Doanh nghiệp cần phân khúc khách hàng để hiểu rõ hơn về hành vi tiêu dùng và nhu cầu của từng nhóm. Phân khúc giúp doanh nghiệp xác định các nhóm khách hàng tiềm năng, từ đó xây dựng chiến lược marketing cá nhân hóa. Ví dụ, nhóm khách hàng có thu nhập cao thường có xu hướng mua sắm các sản phẩm cao cấp, trong khi nhóm khách hàng trẻ tuổi có thể quan tâm đến sản phẩm giá rẻ hoặc xu hướng mới. Tuy nhiên, việc phân khúc khách hàng truyền thống dựa trên kinh nghiệm chủ quan thường không chính xác và tốn nhiều thời gian. Do đó, ứng dụng khai phá dữ liệu lớn giúp doanh nghiệp phân khúc khách hàng một cách khoa học, dựa trên dữ liệu thực tế, từ đó nâng cao hiệu quả kinh doanh.

III. Giải pháp phương pháp khai phá dữ liệu

Đồ án đề xuất giải pháp khai phá dữ liệu lớn bằng cách áp dụng các thuật toán phân cụm K-Means và Agglomerative để phân loại khách hàng thành các nhóm có đặc điểm tương đồng. Quy trình bao gồm thu thập dữ liệu, tiền xử lý bằng phương pháp ETL, chuẩn hóa dữ liệu, và lựa chọn thuật toán phù hợp. Thuật toán K-Means được sử dụng để phân hoạch dữ liệu thành k cụm, trong khi thuật toán Agglomerative thực hiện phân cấp dữ liệu dựa trên khoảng cách giữa các điểm. Sau khi phân cụm, dữ liệu được đánh giá bằng các phương pháp đo lường độ tin cậy như điểm Silhouette Score hoặc Davies-Bouldin Index. Kết quả phân cụm sau đó được sử dụng để xây dựng chiến lược marketing, tối ưu hóa bố trí sản phẩm, và cải thiện trải nghiệm khách hàng.

3.1. Thuật toán K Means trong phân cụm khách hàng

Thuật toán K-Means là phương pháp phân hoạch phổ biến, hoạt động bằng cách chia dữ liệu thành k cụm dựa trên khoảng cách Euclidean giữa các điểm. Thuật toán bắt đầu bằng cách chọn ngẫu nhiên k tâm cụm, sau đó lặp lại quá trình gán mỗi điểm dữ liệu vào cụm gần nhất và cập nhật tâm cụm mới cho đến khi hội tụ. Ưu điểm của K-Means là đơn giản, dễ triển khai, và hiệu quả với dữ liệu có hình dạng khối cầu. Tuy nhiên, thuật toán nhạy cảm với việc lựa chọn k và tâm cụm ban đầu, có thể dẫn đến kết quả phân cụm không tối ưu. Đồ án sử dụng phương pháp Elbow Method để xác định giá trị k tối ưu, đảm bảo kết quả phân cụm chính xác.

3.2. Thuật toán Agglomerative trong phân cấp dữ liệu

Thuật toán Agglomerative là phương pháp phân cấp, hoạt động bằng cách khởi tạo mỗi điểm dữ liệu là một cụm riêng biệt, sau đó lặp lại quá trình gộp hai cụm gần nhau nhất cho đến khi đạt được số cụm mong muốn. Thuật toán sử dụng khoảng cách Euclidean hoặc Manhattan để đo lường sự tương đồng giữa các cụm. Ưu điểm của Agglomerative là không yêu cầu lựa chọn k ban đầu, có thể tạo ra các cấu trúc phân cấp phức tạp. Tuy nhiên, thuật toán có độ phức tạp cao, đặc biệt với dữ liệu lớn. Đồ án áp dụng Agglomerative để so sánh hiệu quả với K-Means, nhằm xác định thuật toán tối ưu cho bài toán phân khúc khách hàng.

IV. Kết luận ứng dụng khai phá dữ liệu

Đồ án đã thành công trong việc xây dựng bài toán khai phá dữ liệu khách hàng tại khu trung tâm mua sắm bằng cách áp dụng các thuật toán K-Means và Agglomerative. Kết quả phân cụm cung cấp thông tin quan trọng về hành vi tiêu dùng của khách hàng, giúp doanh nghiệp hiểu rõ hơn về nhu cầu và sở thích của từng nhóm khách hàng. Dữ liệu sau khi phân cụm được sử dụng để xây dựng chiến lược marketing cá nhân hóa, tối ưu hóa bố trí sản phẩm, và cải thiện trải nghiệm khách hàng. Ngoài ra, đồ án còn đề xuất các hướng nghiên cứu tiếp theo như ứng dụng học máy nâng cao (Deep Learning) hoặc tích hợp dữ liệu từ nhiều nguồn (multimodal data) để nâng cao độ chính xác của mô hình. Kết quả nghiên cứu chứng minh rằng khai phá dữ liệu lớn là công cụ hữu hiệu trong việc phân khúc khách hàng, hỗ trợ doanh nghiệp đưa ra quyết định dựa trên dữ liệu.

4.1. Đánh giá hiệu quả mô hình

Hiệu quả của mô hình phân cụm được đánh giá dựa trên các tiêu chí như độ tin cậy (Silhouette Score), độ phân tách giữa các cụm, và khả năng giải thích kết quả. Thuật toán Agglomerative đạt độ tin cậy 67%, cao hơn K-Means (55%), cho thấy khả năng phân cụm tốt hơn. Tuy nhiên, cả hai thuật toán đều có những hạn chế nhất định, chẳng hạn như K-Means nhạy cảm với tâm cụm ban đầu, trong khi Agglomerative có độ phức tạp cao. Đồ án đề xuất sử dụng kết hợp nhiều thuật toán để tận dụng ưu điểm của từng phương pháp, từ đó cải thiện chất lượng phân cụm. Kết quả đánh giá cho thấy mô hình có khả năng ứng dụng cao trong thực tế, hỗ trợ doanh nghiệp nâng cao hiệu quả kinh doanh.

4.2. Hướng phát triển tương lai

Hướng phát triển tương lai của đồ án bao gồm ứng dụng các thuật toán học máy nâng cao như DBSCAN hoặc Mean-Shift để xử lý dữ liệu có hình dạng bất thường. Ngoài ra, việc tích hợp dữ liệu từ nhiều nguồn (chẳng hạn như dữ liệu từ mạng xã hội, lịch sử giao dịch) có thể cải thiện độ chính xác của mô hình. Đồ án cũng đề xuất nghiên cứu về các phương pháp tối ưu hóa thuật toán, chẳng hạn như sử dụng Genetic Algorithm để lựa chọn tham số tối ưu cho K-Means. Bên cạnh đó, việc triển khai mô hình dưới dạng ứng dụng web hoặc di động sẽ giúp doanh nghiệp dễ dàng áp dụng kết quả phân tích vào thực tế, nâng cao trải nghiệm khách hàng và tăng doanh thu.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Trong bối cảnh kinh tế số và sự bùng nổ của các mô hình bán lẻ hiện đại, các trung tâm thương mại và khu phức hợp mua sắm quy mô lớn đang đối mặt với sự cạnh tranh khốc liệt nhằm gia tăng số lượng khách hàng và tối ưu hóa lợi nhuận. Sự đa dạng về điều kiện sống, thu nhập và nhu cầu tiêu dùng tại các đô thị đông dân cư đòi hỏi doanh nghiệp phải hiểu rõ từng nhóm đối tượng để có thể gợi ý sản phẩm phù hợp và tối ưu chi phí tiếp thị. Việc áp dụng các kỹ thuật học máy (Machine Learning) và khai phá dữ liệu (Data Mining) đóng vai trò nền tảng trong việc hỗ trợ doanh nghiệp đưa ra các quyết định tiếp thị và quản trị chính xác.

Đề tài "Xây dựng bài toán khai phá dữ liệu khách hàng tại khu trung tâm mua sắm" được thực hiện bởi sinh viên Trang Gia Bảo, chuyên ngành Trí tuệ nhân tạo, Khoa Công nghệ Thông tin, Trường Đại học Nguyễn Tất Thành (năm 2022), dưới sự hướng dẫn của giảng viên Hồ Ngọc Trung Kiên. Nghiên cứu tập trung giải quyết bài toán phân khúc thị trường khách hàng thông qua các thuật toán gom cụm dữ liệu không giám sát.

Mục tiêu nghiên cứu của đề tài được xác định cụ thể trên hai phương diện:

1. Phương diện nhu cầu đời sống: Khai phá hành vi mua sắm để chia nhỏ khách hàng theo từng mục đích tiêu dùng, từ đó gợi ý các sản phẩm thiết yếu phù hợp với đặc tính của từng nhóm khách hàng tại các đô thị lớn.
2. Phương diện lợi ích doanh nghiệp: Hỗ trợ doanh nghiệp hoạch định các chiến lược sản xuất và marketing cá nhân hóa nhằm:
   • Tiết kiệm chi phí sản xuất và chi phí vận chuyển.
   • Nâng cao uy tín, chất lượng và giá trị thương hiệu.
   • Giữ chân các nhóm khách hàng quan trọng có ảnh hưởng trực tiếp đến doanh thu.
   • Gia tăng lượng khách hàng mới từ các chiến dịch tiếp thị trúng đích.
   • Nâng cao hiệu quả lợi nhuận và doanh số bán hàng.

Nhiệm vụ và kết quả kỳ vọng của đồ án bao gồm:

1. Gom nhóm khách hàng đạt độ tin cậy tối ưu dựa trên các thuật toán phân cụm.
2. Thiết lập tập dữ liệu mới với các nhãn cụm phân định rõ ràng.
3. Xây dựng mô hình cho phép dự đoán phân cụm tương ứng từ một bản ghi dữ liệu đầu vào mới.
4. Đặt nền tảng cho việc xây dựng ứng dụng web mô phỏng kết quả phân cụm sau khi hoàn thành.

• Đối tượng nghiên cứu: Thông tin của 200 khách hàng tham gia mua sắm tại trung tâm thương mại, được trích xuất từ bộ dữ liệu khảo sát "Mall Customer Segmentation Data" trên nền tảng Kaggle. Dữ liệu bao gồm 4 đặc trưng hành vi và nhân khẩu học: giới tính (Gender), độ tuổi (Age), mức thu nhập hàng năm (Annual Income) và điểm chi tiêu (Spending Score).
• Phạm vi nghiên cứu: Đồ án tập trung nghiên cứu thực nghiệm trên không gian 2 đặc trưng trọng tâm là thu nhập hàng năm (Annual Income) và điểm chi tiêu (Spending Score); dữ liệu được thu thập và thực hiện trong khuôn khổ môn học Khai phá dữ liệu lớn tại TP. Hồ Chí Minh vào tháng 1 năm 2022.

---

Cơ sở lý thuyết và phương pháp

Đồ án xây dựng nền tảng lý thuyết dựa trên các kỹ thuật khai phá dữ liệu không giám sát (Unsupervised Learning), cụ thể là các thuật toán gom cụm (Data Clustering).

Khung lý thuyết và các mô hình thuật toán

Tác giả hệ thống hóa các nhóm phương pháp gom cụm phổ biến trong khoa học dữ liệu:

• Phân loại theo cấu trúc cụm:
  • Phân hoạch (Partitioning): Phân chia không gian dữ liệu thành các phân hoạch tối ưu theo tiêu chí khoảng cách cụ thể.
  • Phân cấp (Hierarchical): Phân rã tập dữ liệu theo cấu trúc cây thứ bậc theo chiến lược hợp nhất (Agglomerative) hoặc phân chia (Divisive).
  • Dựa trên mật độ (Density-based): Nhóm các điểm dữ liệu dựa trên độ kết nối và mật độ không gian.
  • Dựa trên mô hình (Model-based): Xây dựng mô hình giả thuyết cho từng cụm và hiệu chỉnh tham số tối ưu.
• Phân loại theo mức độ thành viên:
  • Gom cụm cứng (Hard clustering): Mỗi phần tử chỉ thuộc duy nhất về một cụm (mức thành viên là 0 hoặc 1).
  • Gom cụm mờ (Fuzzy clustering): Mỗi phần tử có thể thuộc về nhiều cụm với mức độ thành viên từ 0 đến 1.

Hai thuật toán chính được tác giả triển khai thực nghiệm và so sánh bao gồm:

1. Thuật toán K-means (Dựa trên phân hoạch):
   • Cơ chế: Phân chia $n$ đối tượng vào $k$ cụm sao cho mỗi điểm dữ liệu được gán vào cụm có tâm (centroid) gần nhất dựa trên khoảng cách Euclidean: $$d(x, m_i) = \sqrt{\sum_{j=1}^{d} (X_j - m_{ij})^2}$$
   • Cập nhật trọng tâm cụm $m_i$ bằng trung bình cộng các điểm trong cụm $C_i$: $$m_i = \frac{1}{|C_i|} \sum_{X \in C_i} X$$
   • Tối ưu hóa hàm mất mát: $$m_j = \arg\min_{m_j} \sum_{i=1}^{N} y_{ij} |x_i - m_j|^2$$
   • Khởi tạo tâm cụm: Sử dụng phương pháp k-means++ để tối ưu hóa việc chọn tâm ban đầu dựa trên phân phối xác suất đóng góp vào quán tính (inertia), giúp tăng tốc độ hội tụ.
2. Thuật toán Agglomerative (Dựa trên phân cấp):
   • Cơ chế: Tiếp cận theo hướng từ dưới lên (bottom-up). Ban đầu mỗi quan sát là một cụm riêng biệt (nút lá), sau đó tuần tự hợp nhất các cặp cụm trung gian gần nhau nhất ở từng cấp bậc để tạo thành cây phân cấp (Dendrogram).
   • Tiêu chí liên kết: Sử dụng liên kết Ward (linkage='ward') nhằm tối thiểu hóa phương sai của các cụm được hợp nhất trong không gian Euclidean.

Phương pháp đánh giá chất lượng phân cụm

Tác giả phân loại ba nhóm phương pháp đánh giá:

• Đánh giá ngoại (External validation): Dùng các độ đo như chỉ số Rand (Rand statistic), hệ số Jaccard (Jaccard coefficient), chỉ số Folkes & Mallows.
• Đánh giá nội (Internal validation): Dùng các chỉ số như Silhouette index, Dunn's index dựa trên ma trận khoảng cách nội tại.
• Đánh giá tương đối (Relative validation): So sánh kết quả gom cụm giữa các cấu hình tham số khác nhau nhằm đảm bảo độ nén (compactness) cao và độ phân tách (separation) rõ rệt.

Trong thực nghiệm, tác giả sử dụng hai phương pháp cốt lõi:

• Phương pháp Elbow (Cùi chỏ): Tính toán tổng bình phương khoảng cách từ các điểm dữ liệu tới tâm cụm (SSE / WCSS / Inertia) qua từng giá trị $k \in [1, 10]$ để tìm điểm uốn hội tụ.
• Hệ số Silhouette (Silhouette Coefficient): Đánh giá độ gắn kết nội cụm $a(i)$ và độ phân tách ngoại cụm $b(i)$ của từng điểm $i$: $$S(i) = \frac{b(i) - a(i)}{\max(a(i), b(i))}$$ Điểm số $S(i)$ tiến dần về 1 thể hiện chất lượng phân cụm tốt, tiệm cận 0 khi điểm nằm ở ranh giới giữa hai cụm, và nhỏ hơn 0 khi phân cụm sai.

Phương pháp tiền xử lý và công cụ thực tế

• Chuẩn hóa dữ liệu: Sử dụng kỹ thuật chuẩn hóa StandardScaler nhằm loại bỏ giá trị trung bình và co giãn dữ liệu về phương sai đơn vị: $$x' = \frac{x - \bar{x}}{\sigma}$$
• Nguồn dữ liệu: Tập dữ liệu "Mall Customer Segmentation Data" (200 quan sát) tải từ Kaggle.
• Môi trường và thư viện: Môi trường Jupyter Notebook trên Visual Studio Code; ngôn ngữ Python với các thư viện chuyên dụng: pandas, numpy, matplotlib, seaborn, scikit-learn (sklearn), yellowbrick, scipy.

---

Nội dung chính theo từng chương

Chương 1: Tổng quan đề tài

Chương 1 thiết lập bức tranh tổng quan về kỹ thuật gom cụm dữ liệu (Data Clustering) và vai trò của nó trong khai phá tri thức tiềm ẩn. Tác giả đi sâu phân tích cơ chế, ưu và nhược điểm của hai giải thuật cốt lõi:

• K-means: Có ưu điểm cấu trúc đơn giản, tốc độ thực thi nhanh với độ phức tạp tính toán $O(nkt)$ ($n$ là số quan sát, $k$ là số cụm, $t$ là số vòng lặp hội tụ). Tuy nhiên, thuật toán nhạy cảm với các điểm dữ liệu nhiễu/biên (outlier), có xu hướng tạo các cụm dạng siêu cầu với kích thước tương đối đồng đều, và gặp khó khăn khi phát hiện các cụm có hình dạng không lồi (nonconvex).
• Agglomerative: Có ưu điểm vượt trội là không bắt buộc phải xác định trước số lượng cụm $k$, biểu diễn trực quan qua cây phân cấp, hoạt động hiệu quả trên tập dữ liệu quy mô vừa phải. Nhược điểm là độ phức tạp tính toán cao $O((n^3 kd) t Tflop)$, không phù hợp cho các tập dữ liệu có quy mô quá lớn.

Chương này cũng xác định rõ ràng mục tiêu kinh tế - xã hội, phạm vi đối tượng khảo sát gồm 200 khách hàng với 4 biến đặc trưng, cùng các kết quả mong đợi của đề tài.

Chương 2: Bài báo liên quan

Chương 2 tổng hợp và đối chiếu các công trình nghiên cứu về phân cụm khách hàng đã công bố trong và ngoài nước:

• Nghiên cứu trong nước: Công trình "Ứng dụng thuật toán K-means trong phân cụm khách hàng mục tiêu" (2020) của nhóm tác giả Phạm Kiên Trung, Nguyễn Đức Thắng, Lê Văn Chiến, Nguyễn Văn Thưởng (Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất, ISSN: 1859-1469). Nghiên cứu này thu thập dữ liệu 272 khách hàng từ showroom của Công ty Trường Hải Auto với 6 thuộc tính (Mã khách hàng ID, Chủng loại xe quan tâm, Kênh thông tin phản hồi, Độ tuổi, Thu nhập bình quân/tháng, Điểm chi tiêu) để phân cụm đối tượng mục tiêu.
• Nghiên cứu ngoài nước: Bài báo "Customer Segmentation using K-means Clustering" (2022) của nhóm tác giả Hemashree Kilari, Sailesh Edara, Guna Ratna Sai Yarra, Dileep Varma Gadhiraju (Ấn Độ, nguồn ijert.org, ISSN: 2278-0181). Nghiên cứu sử dụng tập dữ liệu 200 khách hàng từ Kaggle; khi dùng phương pháp Elbow với khoảng cách Euclidean thu được $k=4$, nhưng khi kiểm định bằng Silhouette score lại cho thấy cấu hình tối ưu là $k=5$.
• Nghiên cứu hợp tác quốc tế: Công trình "Maximizing Strategy Improvement in Mall Customer Segmentation using K-means Clustering" (2021) của Musthofa Galih Pradana (Đại học Alma Ata, Indonesia) và Hoàng Thị Hà (Đại học Đà Nẵng, Việt Nam, ISSN: 2723-6471). Nghiên cứu ứng dụng K-means trên 2 thuộc tính Thu nhập hàng năm và Điểm chi tiêu để phân thành 5 cụm chiến lược: nhóm Vừa phải (Moderate), nhóm Hợp lý (Sensible), và nhóm Khách hàng mục tiêu (Target).

Chương 3: Mô hình thực nghiệm

Chương 3 là phần trọng tâm của đồ án, mô tả toàn bộ quy trình từ xử lý dữ liệu, chứng minh giải thuật đến triển khai lập trình và đánh giá so sánh:

• Quy trình gom cụm dữ liệu: Gồm 6 giai đoạn tuần tự: Cơ sở dữ liệu gốc (Database) $\rightarrow$ Trích xuất - Chuyển đổi - Tải (ETL / Data Mart) $\rightarrow$ Lựa chọn thuật toán (Clustering Algorithms Selection) $\rightarrow$ Kết quả gom cụm ban đầu (Initial Clustering Results) $\rightarrow$ Diễn giải kết quả tối ưu (Results Interpretation) $\rightarrow$ Trích xuất tri thức và kiểm định (Knowledge / Clusters Validation).
• Mô tả tập dữ liệu thực nghiệm: 200 bản ghi gồm 5 trường thuộc tính:
  1. CustomerID: Định danh khách hàng (từ 1 đến 200, kiểu số nguyên).
  2. Gender: Giới tính (Male/Female, kiểu chuỗi; thống kê cho thấy khách hàng nữ chiếm tỷ lệ cao hơn nam).
  3. Age: Độ tuổi khách hàng (kiểu số nguyên).
  4. Annual Income (k$): Thu nhập hàng năm tính theo nghìn USD (kiểu số nguyên, trung bình dao động từ 50k đến 85k $/năm).
  5. Spending Score (1-100): Điểm chi tiêu dựa trên hành vi và mức độ chi trả (kiểu số nguyên, thang điểm 1-100).

Thuộc tính	Kiểu dữ liệu	Mô tả
CustomerID	Số nguyên	Mã định danh khách hàng (1 - 200)
Gender	Chuỗi / Đối tượng	Giới tính (Nam: Male, Nữ: Female - chiếm đa số)
Age	Số nguyên	Độ tuổi của khách hàng
Annual Income (k$)	Số nguyên	Thu nhập bình quân hàng năm (50k$ - 85k$/năm)
Spending Score (1-100)	Số nguyên	Điểm số chi tiêu dựa trên lịch sử mua sắm

• Thực nghiệm tính toán từng bước (Manual Trace): Tác giả trích xuất mẫu 5 dòng dữ liệu đầu tiên chưa chuẩn hóa để chạy tay từng bước thuật toán K-means ($k=2$):

  • Mẫu dữ liệu: $0(15, 39)$, $1(15, 81)$, $2(16, 6)$, $3(16, 77)$, $4(17, 40)$.
  • Tâm khởi tạo: $C_1(15, 39)$ và $C_2(17, 40)$.
  • Vòng lặp 1: Tính khoảng cách Euclidean. Nhóm 1 gồm ${0, 2}$, Nhóm 2 gồm ${1, 3, 4}$. Cập nhật tâm mới: $C_1(15.5, 22.5)$, $C_2(16.333, 66)$.
  • Vòng lặp 2: Tính lại khoảng cách. Nhóm 1 gồm ${0, 2, 4}$, Nhóm 2 gồm ${1, 3}$. Cập nhật tâm mới: $C_1(16, 28.333)$, $C_2(15.5, 79)$.
  • Vòng lặp 3: Gán lại cụm. Cụm không đổi so với vòng lặp 2 (Nhóm 1 có 3 điểm, Nhóm 2 có 2 điểm). Thuật toán đạt trạng thái hội tụ và dừng.

• Thực nghiệm lập trình trên tập dữ liệu hoàn chỉnh:

  • Khám phá dữ liệu (EDA): Sử dụng dataset.info(), dataset.describe(), biểu đồ phân bố và ma trận hệ số tương quan để khảo sát mối liên hệ giữa các thuộc tính.
  • Chuẩn hóa: Dùng StandardScaler co giãn 2 thuộc tính Annual Income (k$) và Spending Score (1-100).
  • Xác định số cụm tối ưu $k$: Phương pháp Elbow với quán tính (Inertia) cho thấy điểm uốn rõ nét tại $k=5$. Kiểm định bằng hệ số Silhouette Score trên dải $k \in [2, 10]$ cũng xác nhận $k=5$ cho giá trị tối ưu.
  • Cấu hình K-means: n_clusters=5, init='k-means++', n_init=20, max_iter=400, algorithm='lloyd', random_state=42.
  • Xây dựng hàm dự đoán Predict_clusters(model, thunhap, diemso) nhận dữ liệu chuẩn hóa của một khách hàng mới để gán cụm và trích xuất 5 bản ghi mẫu tương đồng.
  • Triển khai thuật toán Agglomerative: Dùng KElbowVisualizer từ thư viện yellowbrick để xác nhận số cụm $k=5$, cấu hình AgglomerativeClustering(n_clusters=5, affinity='euclidean', linkage='ward'), và vẽ sơ đồ cây phân cấp (Dendrogram) bằng scipy.cluster.hierarchy.

Chương 4: Kết luận

Chương 4 đúc kết các kết quả lý thuyết và kỹ năng thực hành đã tiếp thu, bao gồm kỹ thuật tiền xử lý dữ liệu ETL, quy trình chuẩn hóa StandardScaler, phương pháp tìm $k$ tối ưu bằng Elbow/Silhouette, và phương pháp so sánh hai mô hình gom cụm. Tác giả cũng chỉ ra định hướng nghiên cứu tiếp theo để hoàn thiện bài toán.

---

Kết quả và đóng góp

Kết quả phân khúc khách hàng

Dựa trên việc phân tích không gian hai chiều giữa Thu nhập hàng năm và Điểm chi tiêu, đồ án đã phân chia 200 khách hàng thành 5 phân khúc rõ rệt:

Nhóm cụm	Đặc điểm thu nhập	Đặc điểm chi tiêu	Ý nghĩa phân khúc
Cụm 0	Cao (High)	Thấp (Low)	Nhóm khách hàng có điều kiện tài chính nhưng thận trọng/tiết kiệm trong chi tiêu
Cụm 1	Trung bình (Normal)	Trung bình (Normal)	Nhóm khách hàng phổ thông, mức chi tiêu cân đối với thu nhập
Cụm 2	Cao (High)	Cao (High)	Nhóm khách hàng tiềm năng cao nhất (VIP/Target), đóng góp lớn vào doanh thu
Cụm 3	Thấp (Low)	Cao (High)	Nhóm khách hàng trẻ/tiêu dùng phóng khoáng vượt mức thu nhập
Cụm 4	Thấp (Low)	Thấp (Low)	Nhóm khách hàng thu nhập hạn chế, chi tiêu dè dặt

Kết quả so sánh hai thuật toán

Tác giả tiến hành so sánh đối chuẩn giữa thuật toán K-means và Agglomerative Clustering trên cùng tập dữ liệu chuẩn hóa:

Tiêu chí so sánh	Thuật toán K-MEANS	Thuật toán AGGLOMERATIVE
Loại phương pháp	Phân hoạch (Partitioning)	Phân cấp (Hierarchical)
Số cụm tối ưu ($k$)	5 cụm	5 cụm
Độ đo khoảng cách	Euclidean	Euclidean (kết hợp liên kết Ward)
Độ phức tạp tính toán	$O((3nkd)t Tflop)$	$O((n^3 kd)t Tflop)$
Điểm tin cậy	55%	67%

Kết quả thực nghiệm cho thấy thuật toán Agglomerative đạt điểm tin cậy cao hơn (67% so với 55% của K-means) trên tập dữ liệu khảo sát.

Đóng góp và giải pháp đề xuất

• Đóng góp học thuật/thực nghiệm: Cung cấp bức tranh so sánh thực nghiệm chi tiết giữa mô hình phân hoạch và phân cấp trên dữ liệu bán lẻ; làm rõ các bước tính toán thủ công từng vòng lặp của K-means trước khi thực thi mã nguồn.
• Giải pháp cho doanh nghiệp: Cung cấp cơ sở định lượng để các nhà quản lý trung tâm thương mại thiết lập các chương trình khuyến mãi và chăm sóc khách hàng mục tiêu:
  • Tập trung ưu đãi cao cấp cho nhóm Cụm 2 (Thu nhập cao - Chi tiêu cao) để duy trì sự trung thành.
  • Xây dựng các chương trình kích cầu, giảm giá hoặc đa dạng hóa sản phẩm để thu hút nhóm Cụm 0 (Thu nhập cao - Chi tiêu thấp) và Cụm 1.
  • Tối ưu hóa phân bổ nguồn lực marketing, giảm chi phí tiếp thị đại trà không hiệu quả.

---

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của nghiên cứu

• Quy mô dữ liệu: Mẫu khảo sát dừng lại ở 200 bản ghi từ cuộc thi Kaggle, chưa phản ánh toàn diện tính phức tạp và độ nhiễu của dữ liệu khách hàng thực tế tại các trung tâm thương mại lớn.
• Không gian thuộc tính: Thực nghiệm gom cụm chỉ trích chọn 2 biến (Annual Income và Spending Score), chưa kết hợp đồng thời các biến nhân khẩu học khác như Age và Gender vào không gian đa chiều của mô hình phân cụm chính.
• Độ tin cậy thuật toán: Mặc dù thuật toán Agglomerative đạt điểm tin cậy 67% (cao hơn K-means), tác giả thừa nhận đây vẫn chưa phải là giải thuật tối ưu tuyệt đối cho bài toán phân khúc khách hàng.

Hướng nghiên cứu tiếp

• Mở rộng mô hình thuật toán: Thử nghiệm thêm nhiều giải thuật phân cụm nâng cao khác (như gom cụm dựa trên mật độ DBSCAN, gom cụm mờ Fuzzy C-Means, hoặc các mô hình hỗn hợp Gaussian).
• Mở rộng dữ liệu và thuộc tính: Thu thập tập dữ liệu lớn hơn với nhiều chiều thông tin thực tế từ hệ thống quản lý khách hàng (CRM), tăng cường bước tinh chỉnh siêu tham số.
• Phát triển ứng dụng: Xây dựng hoàn chỉnh giao diện trang web mô phỏng để trực quan hóa kết quả phân cụm và hỗ trợ người dùng doanh nghiệp nhập dữ liệu dự đoán trực tiếp.

---

Giá trị tham khảo

Đồ án là tài liệu tham khảo hữu ích cho các đối tượng và nội dung sau:

• Đối tượng phù hợp:
  • Sinh viên các ngành Công nghệ thông tin, Trí tuệ nhân tạo, Khoa học dữ liệu, Hệ thống thông tin quản lý đang thực hiện đồ án môn học hoặc khóa luận về khai phá dữ liệu lớn và học máy không giám sát.
  • Các nhà phân tích dữ liệu (Data Analyst) và chuyên viên tiếp thị muốn tìm hiểu quy trình phân khúc khách hàng bằng kỹ thuật phân cụm.
• Nội dung đáng tham khảo:
  • Quy trình tiền xử lý và chuẩn hóa dữ liệu: Phương pháp áp dụng StandardScaler và trực quan hóa phân tích khám phá dữ liệu (EDA) bằng seaborn và matplotlib.
  • Phương pháp xác định số cụm tối ưu: Kỹ thuật kết hợp đồng thời phương pháp Elbow (với yellowbrick và hàm quán tính inertia_) và hệ số Silhouette Score.
  • Bài toán tính tay từng bước (Manual Trace): Phần mô tả chi tiết từng vòng lặp K-means là tài liệu minh họa trực quan cho việc giảng dạy và học tập lý thuyết thuật toán.
  • Kỹ thuật lập trình hàm dự đoán: Cấu trúc hàm Predict_clusters xử lý dữ liệu đầu vào mới sau khi mô hình đã được huấn luyện.

---

Câu hỏi thường gặp

1. Đồ án sử dụng bộ dữ liệu nào và bao gồm những đặc trưng gì?

Đồ án sử dụng bộ dữ liệu "Mall Customer Segmentation Data" thu thập từ nền tảng Kaggle, bao gồm 200 bản ghi khách hàng với 5 trường thông tin: mã khách hàng (CustomerID), giới tính (Gender - nữ chiếm đa số), độ tuổi (Age), thu nhập bình quân hàng năm (Annual Income (k$) - trung bình từ 50k đến 85k $/năm) và điểm chi tiêu (Spending Score (1-100)).

2. Tác giả đã dùng những phương pháp nào để xác định số lượng cụm $k$ tối ưu?

Tác giả đã kết hợp hai phương pháp:

• Phương pháp Elbow (Cùi chỏ): Tính toán tổng bình phương khoảng cách nội cụm (SSE/Inertia) trên dải $k$ từ 1 đến 10, xác định điểm uốn tại $k=5$.
• Phương pháp Silhouette Score: Đo lường hệ số bóng trên dải $k$ từ 2 đến 10, xác nhận giá trị đánh giá cao nhất tại $k=5$. Cả hai phương pháp đều thống nhất số cụm tối ưu là 5.

3. Năm phân khúc khách hàng được phát hiện từ mô hình mang đặc trưng gì?

Năm nhóm khách hàng gồm:

• Cụm 0: Thu nhập cao - Chi tiêu thấp (High - Low).
• Cụm 1: Thu nhập trung bình - Chi tiêu trung bình (Normal - Normal).
• Cụm 2: Thu nhập cao - Chi tiêu cao (High - High, nhóm khách hàng mục tiêu).
• Cụm 3: Thu nhập thấp - Chi tiêu cao (Low - High).
• Cụm 4: Thu nhập thấp - Chi tiêu thấp (Low - Low).

4. Kết quả so sánh giữa thuật toán K-means và Agglomerative Clustering ra sao?

Cả hai thuật toán đều cho kết quả tối ưu tại $k=5$ cụm với khoảng cách Euclidean. Tuy nhiên, thuật toán K-means (nhóm phân hoạch) có độ phức tạp tính toán $O((3nkd)t Tflop)$ và đạt điểm tin cậy 55%, trong khi thuật toán Agglomerative (nhóm phân cấp) có độ phức tạp $O((n^3 kd)t Tflop)$ và đạt điểm tin cậy cao hơn là 67%.

5. Hàm dự đoán phân cụm cho khách hàng mới hoạt động như thế nào trong đồ án?

Hàm Predict_clusters(model, thunhap, diemso) nhận 2 giá trị đầu vào là thu nhập và điểm chi tiêu đã qua chuẩn hóa (trong miền giá trị từ -1 đến 3 cho thu nhập và -2 đến 2 cho điểm chi tiêu). Hàm sử dụng mô hình đã huấn luyện để dự đoán nhãn cụm mà dữ liệu thuộc về, đồng thời trích xuất 5 bản ghi khách hàng mẫu đại diện trong cụm đó.

---

Kết luận

Đồ án "Xây dựng bài toán khai phá dữ liệu khách hàng tại khu trung tâm mua sắm" của sinh viên Trang Gia Bảo đã trình bày toàn diện quy trình ứng dụng học máy không giám sát trong bài toán phân khúc thị trường. Thông qua việc chuẩn hóa dữ liệu và đối chuẩn hai thuật toán K-means cùng Agglomerative Clustering, nghiên cứu đã phân lập thành công 200 khách hàng thành 5 nhóm hành vi rõ rệt với độ tin cậy của mô hình phân cấp đạt 67%. Kết quả của đồ án cung cấp cơ sở kỹ thuật thực nghiệm vững chắc cho việc xây dựng các hệ thống gợi ý và hoạch định chiến lược tiếp thị cá nhân hóa trong lĩnh vực bán lẻ.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: TỔNG QUAN ĐỀ TÀI 1.1 Data Clustering Phân cụm là nhiệm vụ nhóm một tập hợp các đối tượng lại với nhau theo cách mà các đối tượng trong cùng một cụm giống nhau hơn so với các đối tượng trong các cụm khác. Độ tương tự là một số liệu phản ánh sức mạnh của mối quan hệ giữa hai đối tượng dữ liệu. Phân cụm chủ yếu được sử dụng để khai thác dữ liệu khám phá. Nó được sử dụng đa dạng trong nhiều lĩnh vực như học máy, nhận dạng mẫu, phân tích hình ảnh, truy xuất thông tin, tin sinh học, nén dữ liệu và đồ họa máy tính.

Phương pháp gom cụm dữ liệu 1.2 Các loại phương pháp gom cụm phổ biến Phân hoạch (partitioning): các phân hoạch được tạo ra và đánh giá theo một tiêu chí nào đó Phân cấp (hierarchical): phân rã tập dữ liệu/đối tượng có thứ tự phân cấp theo một tiêu chí nào đó Dựa trên mật độ (density-based): dựa trên độ kết nối (connectivity) và mật độ (density) Dựa trên mô hình (model-based): một mô hình giả thuyết được đưa ra cho mỗi cụm; sau đó hiệu chỉnh các thông số để mô hình phù hợp với cụm dữ liệu nhất 2 h Một số phương pháp gom cụm khác: Gom cụm cứng (hard clustering): Mỗi đối tượng chỉ thuộc về một cụm Mức thành viên (degree of membership) của mỗi đối tượng với một cụm hoặc là 0 hoặc là 1 Ranh giới (boundary) giữa các cụm rõ ràng Gom cụm mờ (fuzzy clustering): Mỗi đối tượng thuộc về nhiều hơn một cụm với mức thành viên nào đó từ 0 đến 1 Ranh giới giữa các cụm không rõ ràng (mờ - vague/fuzzy) 1.3 Các phương pháp đánh giá chất lượng gom cụm Đánh giá ngoại (external validation): Đánh giá kết quả gom cụm dựa vào cấu trúc được chỉ định trước cho tập dữ liệu. Độ đo: Rand statistic, Jaccard coefficient, Folkes and Mallows index, … Đánh giá nội (internal validation): Đánh giá kết quả gom cụm theo số lượng các vector của chính tập dữ liệu (ma trận gần – proximity matrix). Độ đo: Silhouette index, Dunn’s index, … Đánh giá tương đối (relative validation): Đánh giá kết quả gom cụm bằng việc so sánh các kết quả gom cụm khác ứng với các bộ trị thông số khác nhau => Tiêu chí đánh giá và chọn kết quả gom cụm tối ưu: - Độ nén (compactness): các đối tượng trong cụm nên gần nhau - Độ phân tách (separation): các cụm nên xa nhau 1.4 THUẬT TOÁN K-MEANS DỰA TRÊN PHÂN HOẠCH Một trong những phương pháp nghiên cứu hành vi dữ liệu bằng kỹ thuật gom cụm.Có rất nhiều mô hình để phân cụm ngoài kia. Mặc dù đơn giản nhưng K-means được sử dụng rộng rãi để phân cụm trong nhiều ứng dụng khoa học dữ liệu, đặc biệt hữu ích nếu bạn cần nhanh chóng khám phá thông tin chi tiết từ dữ liệu chưa được gắn nhãn.

Phân cụm K-mean là một loại học tập không giám sát, được sử dụng khi bạn có dữ liệu chưa được gắn nhãn (nghĩa là dữ liệu không có danh mục hoặc nhóm được xác định). Mục tiêu của thuật toán này là tìm các nhóm trong dữ liệu, với số lượng nhóm được đại diện bởi biến K. Thuật toán hoạt động lặp đi lặp lại để gán từng điểm dữ liệu cho một trong K nhóm dựa trên các tính năng được cung cấp. Các 3 h điểm dữ liệu được phân cụm dựa trên tính tương tự của tính năng.

Kết quả của thuật toán phân cụm K-mean là: 1. Trọng tâm của cụm K, có thể được sử dụng để dán nhãn dữ liệu mới 2. Phân cụm cho từng dữ liệu huấn luyện (mỗi điểm dữ liệu được gán cho một cụm) Ưu điểm: Bài toán tối ưu hóa với “Cực trị cục bộ” Mỗi cụm được đặc trưng hóa bởi trung tâm của cụm (đối tượng trung bình (mean)) Số cụm k nên là bao nhiêu? Độ phức tạp: O(nkt), với n là số đối tượng, k là số cụm, t là số lần lặp (k<<n, t<<n) Nhược điểm: Ảnh hưởng bởi nhiễu (các phần tử kì dị/biên gọi là outlier) Không phù hợp trong việc khai phá ra các cụm có dạng không lồi (nonconvex) hay các cụm có kích thước rất khác nhau Kết quả gom cụm có dạng siêu cầu (hyperspherial) Kích thước các cụm thường không đồng đều (relatively uniform sizes) 1.5 GIẢI THUẬT AGGLOMERATIVE DỰA TRÊN PHÂN CẤP Trong phân cụm bằng phân cấp có hai loại chiến lược phân cấp tạo kiến trúc cụm: Agglomerative (Hợp nhất) và Divisive (Phân chia). Trong bài toán sử dụng chiến lược đầu tiên là Agglomerative.

Chiến lược này sẽ đi theo chiều bottum-up (từ dưới lên trên). Quá trình phân cụm bắt đầu ở dưới cùng tại các node lá (còn gọi là leaf node hoặc termial node). Ban đầu mỗi quan sát sẽ được xem là một cụm tách biệt được thể hiện bởi một node lá. Ở mỗi level chúng ta sẽ tìm cách hợp một cặp cụm thành một cụm duy nhất nhằm tạo ra một cụm mới ở level cao hơn tiếp theo.

Cụm mới này tương ứng với các node quyết định (non-leaf node). Như vậy sau khi hợp cụm thì số lượng cụm ít hơn. Một cặp được chọn để hợp nhất sẽ là những cụm trung gian không giao nhau. Ưu điểm: Hữu dụng đối trên các tập dữ liệu vừa phải trở lại.

Không phải xác định trước số lượng cụm điều này khá vượt trội so với k-means 4 h Nhược điểm: Độ phức tạp là 𝑂((𝑛3 𝑘𝑑 )𝑡𝑇𝑓𝑙𝑜𝑝) không phù hợp đối với tập dữ liệu lớn.2 NỘI DUNG ĐỀ TÀI 1.1 Phân cụm khách hàng Phân cụm khách hàng là quá trình gom nhóm khách hàng dựa trên bộ dữ liệu đã thu thập được từ khách hàng. Tùy vào mục tiêu phân cụm và các đặc tính chung của khách hàng (Thói quen mua sắm, hành vi của khách hàng trong khi mua sắm, tuổi tác, giới tính, …) 1.3 MỤC TIÊU NGHIÊN CỨU 1.1 Nhu cầu đời sống Xã hội phát triển, nhu cầu thị yếu của họ cũng nâng cao theo, chẳng hạn như phong phú trong trang phục, điều kiện ăn uống đa dạng,… Dựa vào lý do trên, các doanh nghiệp đã xây dựng nên các khu trung tâm mua sắm đô thị chủ yếu tập trung ở các trung tâm thành phố lớn đông dân cư, du khách qua lại với đa dạng sản phẩm thiết yếu cho đời sống con người. Việc áp dụng bài toán khai phá có thể chia nhỏ khách hàng theo từng mục đích khác nhau, gợi ý những sản phẩm phù hợp dựa vào đặc tính của từng khách hàng. Tương tự như các doanh nghiệp, công ty lớn như Shopee, Điện Máy Xanh, CellphoneS, … 1.2 Lợi ích cho doanh nghiệp Hành động: Đưa ra cácchiến lược sản xuất hàng hóa, tiếp thị, quản bá sản phẩm tùy theo nhóm khách hàng dựa trên đặc tính của họ.

Từ đó, các doanh nghiệp nhận được những lợi ích như: Tiết kiệm chi phí sản xuất, vận chuyển. Tăng độ uy tín, chất lượng của công ty. Giữ chân các khách hàng quan trọng ảnh hưởng trực tiếp đến doanh thu công ty Tăng số lượng khách hàng từ phương thức tiếp thị, marketing. Nâng cao lãi xuất công ty, nâng cao giá cả mặc hàng dựa trên độ chất lượng của thương hiệu Vì thế, công ty của doanh nghiệp phát triển hay xuống dốc phụ thuộc vào độ hảo cảm của khách hàng, buộc họ phải quyết định các chiến lược đúng đắn nhằm giảm 5 h thiểu kinh phí, tăng số doanh thu, tăng lượng khách hàng, tạo uy tín cho công ty.

Do đó, em đã chọn đề tài “ Xây dựng bài toán khai phá dữ liệu của khách hàng tại khu trung tâm mua sắm” 1.4 ĐỐI TƯỢNG NGHIÊN CỨU Đối tượng là thông tin của 200 khách hàng đến trung tâm mua sắm là một phần của cuộc khảo sát cuộc thi dữ liệu phân khúc khách hàng (Mall Customer Segementation Data) được tổ chức trên trang Kaggle. Nghiên cứu được thực hiện trên 200 đối tượng là các khách hàng mua sắm tại trung tâm với 4 đặc điểm về giới tính, độ tuổi, mức thu nhập và điểm chỉ tiêu dựa vào hành vi mua sắm và chi trả.5 KẾT QUẢ MONG ĐỢI Khi đã có ý tưởng xây dựng thì chắc chắn phải có kết quả mong muốn: Gom nhóm khách hàng đạt độ tin cậy tối ưu nhất tùy vào các thuật toán gom cụm. Tập dữ liệu mới các khách hàng đã được phân thành từng cụm rõ ràng. Từ một input mới cho ra danh sách cụm tương ứng.

Xây dựng trang web mô phỏng kết quả đạt được sau khi phân cụm thành công. 6 h CHƯƠNG 2: BÀI BÁO LIÊN QUAN 2.1 TRONG NƯỚC - Lĩnh vực nghiên cứu: Toán học ứng dụng - Tác giả: Phạm Kiên Trung, Nguyễn Đức Thắng, Lê Văn Chiến, Nguyễn Văn Thưởng - Nhan đề: Ứng dụng thuật toán K-means trong phân cụm khách hàng mục tiêu - Nguồn Trích: Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất - Năm xuất bản: 2020 - ISSN (Mã công nhận tiêu chuẩn quốc tế): 1859-1469 Hình 2. Bài báo trong nước về phân cụm khách hàng Bài báo thu thập số liệu thông tin từ 272 khách hàng tại điểm bán hàng của công ty Trường Hải Auto, các thông tin được tập hợp gồm 6 cột: mã khách hàng ID, Chủng loại xe quan tâm, Kênh thông tin phản hồi, độ tuổi, thu nhập bình quân/tháng và điểm chi tiêu ID LOAIXE KENH AGE THUNHAP DIEM 1 …06482 MORNING-SI- Showroom 20 9 55 AT-1. Tập dữ liệu của bài báo trong nước 2.2 NGOÀI NƯỚC - Lĩnh vực nghiên cứu: Student, Department of Computer Science Engineering, GITAM University, India - Tác giả: Hemashree Kilari, Sailesh Edara, Guna Ratna Sai Yarra, Dileep Varma Gadhiraju - Nhan đề: Customer Segmentation using K-means Clustering - Nguồn trích: ijert.org - Thời gian xuất bản: 03 tháng 3 năm 2022 - ISSN: 2278 - 0181 Hình 2.

Bài báo trong nước về phân cụm khách hàng Bộ dữ liệu với 4 thuộc tính customerid, gender, age, annual income (k$), spending score (1-100) của 200 khách hàng được lấy từ Kaggle 8 h Hình 2. Bảng dữ liệu của bài báo ngoài nước Với tập dữ liệu 200 khách hàng áp dụng giải thuật K-means cho thấy kết quả phân cụm tối ưu nhất có thể với k = 4 sử dụng khoảng cách euclidean Hình 2. Tìm số k cụm bằng Elbow của bài báo Tuy nhiên để đảm bảo độ tin cậy họ tiến hành tính điểm Silhouette score cho việc tìm giá trị k. Kết quả ngược lại họ nhận được giá trị tốt nhất cho phân cụm là k = 5.

Tìm số k cụm bằng hệ số Silhouette của bài báo 9 h 2.3 TRONG VÀ NGOÀI NƯỚC - Lĩnh vưc nghiên cứu: Department of Infomatics Alma Ata University, Yogyakarta, Indonesia – Department Management Information System University of Danang, Viet Nam - Tác giả: Musthofa Galih Pradana, Hoàng Thị Hà. - Nhan đề: Maximizing Strategy Improvement in Mall Customer Segmentation using K-means Clustering - Ngày xuất bản: 01, January, 2021 - ISSN: 2723 - 6471 Hình 2.