Tài liệu: Final project report interdisciplinary research method course

Báo cáo dự án nghiên cứu liên ngành ứng dụng mô hình LRFM phân khúc khách hàng trung thành tại công ty Adventure Works với phương pháp phân tích dữ liệu

• Tác giả: Lê Đình Giáp
• Người hướng dẫn: Assoc. Hồ Trung Thanh
• Trường học: University of Economics and Law
• Chuyên ngành: Interdisciplinary Research Method
• Đề tài: An Application Of Lrfm Model For Customer Loyalty Segmentation At Adventure Works Company
• Loại tài liệu: final project report
• Năm xuất bản: 2023
• Địa điểm: Ho Chi Minh City

Tóm tắt

I. Giới thiệu về Báo cáo Đồ án Nghiên cứu Liên ngành

Báo cáo đồ án nghiên cứu liên ngành là một loại tài liệu học thuật quan trọng trong các chương trình đại học hiện đại, đặc biệt là tại các trường kinh tế và công nghệ thông tin. Tài liệu này yêu cầu sinh viên kết hợp kiến thức từ nhiều lĩnh vực khác nhau để giải quyết các vấn đề thực tế. Báo cáo đồ án liên ngành không chỉ đánh giá năng lực nghiên cứu mà còn khả năng tư duy phê phán và áp dụng lý thuyết vào thực tiễn. Trong bối cảnh cạnh tranh toàn cầu, các dự án research interdisciplinary giúp sinh viên phát triển kỹ năng làm việc nhóm, quản lý dự án và trình bày kết quả nghiên cứu một cách chuyên nghiệp và hiệu quả.

1.1. Khái niệm và Tầm quan trọng của Đồ án Liên ngành

Đồ án liên ngành là dự án nghiên cứu kết hợp nhiều ngành học để giải quyết các thách thức phức tạp. Tầm quan trọng của nó nằm ở việc phát triển tư duy tích hợp kiến thức, giúp sinh viên hiểu rõ hơn mối liên hệ giữa các lĩnh vực. Các báo cáo nghiên cứu loại này chuẩn bị sinh viên cho môi trường làm việc hiện đại nơi mà hợp tác liên ngành là yêu cầu bắt buộc.

1.2. Mục tiêu Chính của Báo cáo Đồ án

Mục tiêu chính là phát triển giải pháp cho các vấn đề thực tế sử dụng phương pháp nghiên cứu khoa học. Báo cáo final project cần chứng minh khả năng phân tích dữ liệu, áp dụng mô hình lý thuyết, và đưa ra kết luận có giá trị. Đồng thời, nó giúp sinh viên rèn luyện kỹ năng viết báo cáo học thuật một cách chuyên nghiệp và đạt chuẩn quốc tế.

II. Phương pháp Nghiên cứu và Cấu trúc Báo cáo

Phương pháp nghiên cứu trong đồ án interdisciplinary thường kết hợp các tiếp cận định lượng và định tính. Sinh viên cần áp dụng kỹ thuật phân tích dữ liệu hiện đại như LRFM model để phân khúc khách hàng dựa trên độ trung thành. Cấu trúc báo cáo đồ án tiêu chuẩn bao gồm: mục tiêu nghiên cứu, khung lý thuyết, phương pháp luận, phân tích dữ liệu, kết quả và kết luận. Mỗi phần cần được trình bày rõ ràng, logic, và có hỗ trợ bằng các bằng chứng thực nghiệm. Báo cáo research chất lượng cao đòi hỏi sự chuẩn bị kỹ lưỡng và tuân thủ các tiêu chuẩn học thuật quốc tế.

2.1. Các Bước Thực hiện Nghiên cứu

Các bước nghiên cứu bao gồm: (1) xác định vấn đề và research gap, (2) xây dựng khung lý thuyết và literature review, (3) thiết kế phương pháp data collection, (4) phân tích và xử lý dữ liệu, (5) áp dụng mô hình phân tích như customer segmentation, và (6) đưa ra kết luận và hợp tác kiến nghị. Mỗi bước cần tài liệu hỗ trợ và giải thích rõ ràng.

2.2. Ứng dụng Mô hình LRFM trong Phân tích Khách hàng

Mô hình LRFM (Length, Recency, Frequency, Monetary) là công cụ phân tích khách hàng hiệu quả dùng để phân khúc độ trung thành. Model này đánh giá giá trị khách hàng dựa trên thời gian hoạt động, tần suất giao dịch, và giá trị tiền tệ. Ứng dụng LRFM giúp doanh nghiệp nhận diện nhóm khách hàng loyal để tối ưu hóa chiến lược marketing và tăng customer retention.

III. Thu thập và Xử lý Dữ liệu trong Đồ án

Thu thập dữ liệu là bước quan trọng trong bất kỳ báo cáo nghiên cứu liên ngành nào. Nguồn dữ liệu có thể từ cơ sở dữ liệu doanh nghiệp (như Adventure Works), khảo sát trực tiếp, hoặc các tài liệu công khai. Xử lý dữ liệu bao gồm làm sạch, chuẩn hóa, và biến đổi dữ liệu thô thành thông tin hữu ích. Sinh viên cần sử dụng công cụ phân tích dữ liệu như Python, SQL, hoặc R để thực hiện các tính toán phức tạp. Quản lý chất lượng dữ liệu đảm bảo độ chính xác của kết quả nghiên cứu và khả tin cậy của báo cáo final project.

3.1. Quy trình Thu thập và Chuẩn bị Dữ liệu

Quy trình thu thập bắt đầu với định nghĩa rõ ràng các biến cần thiết và phương pháp data collection. Sử dụng dữ liệu từ Sales Order, Sales Territory và các bảng liên quan để xây dựng bộ dữ liệu hoàn chỉnh. Chuẩn bị dữ liệu yêu cầu loại bỏ giá trị lỗi, xử lý giá trị thiếu, và chuẩn hóa các đơn vị đo lường để đảm bảo tính nhất quán.

3.2. Biến đổi và Chuẩn hóa Dữ liệu

Biến đổi dữ liệu chuyển đổi dữ liệu thô thành định dạng phù hợp cho phân tích khách hàng. Chuẩn hóa đưa các biến về cùng thang đo để cải thiện hiệu quả của mô hình phân khúc. Các kỹ thuật như normalization và scaling được áp dụng để đạt được kết quả tối ưu trong customer loyalty segmentation.

IV. Kết quả Phân tích và Các Hàm Ý Thực tiễn

Kết quả phân tích từ mô hình LRFM cho thấy các nhóm khách hàng khác nhau với mức độ trung thành khác biệt. Báo cáo đồ án cần trình bày rõ các cluster được xác định, như khách hàng "New Extreme Loyal" hoặc "All-Time Extreme Loyal". Các hàm ý thực tiễn bao gồm: tối ưu hóa chiến lược marketing theo từng nhóm khách hàng, tăng customer retention cho các nhóm trung thành, và phát triển các chương trình loyalty program hiệu quả. Báo cáo final project chất lượng cao phải chứng minh rõ ràng tác động của nghiên cứu đối với hoạt động kinh doanh thực tế, cung cấp khuyến nghị cụ thể và có thể triển khai.

4.1. Phân tích Kết quả Phân khúc Khách hàng

Kết quả phân khúc xác định 4-5 nhóm khách hàng dựa trên chỉ số LRFM. Mỗi cluster có đặc điểm riêng về hành vi mua sắm và giá trị đến doanh nghiệp. Báo cáo phân tích phải cung cấp thống kê chi tiết như số lượng khách hàng, giá trị trung bình và xu hướng trong từng nhóm để hỗ trợ quyết định kinh doanh.

4.2. Đề xuất Chiến lược và Kết luận

Chiến lược được đề xuất tập trung vào việc tăng giá trị lifetime customer thông qua các chương trình loyalty được cá nhân hóa. Kết luận đồ án cần tóm tắt những phát hiện chính, giới hạn nghiên cứu, và hướng phát triển trong tương lai. Báo cáo liên ngành hoàn chỉnh sẽ cung cấp nền tảng vững chắc cho các quyết định marketing và customer relationship management của doanh nghiệp.

Trích đoạn nội dung tài liệu

UNIVERSITY OF ECONOMICS AND LAW FACULTY OF INFORMATION SYSTEMS FINAL PROJECT REPORT INTERDISCIPLINARY RESEARCH METHOD COURSE TOPIC: AN APPLICATION OF LRFM MODEL FOR CUSTOMER LOYALTY SEGMENTATION AT ADVENTURE WORKS COMPANY Lecturers: 1. Ho Trung Thanh, Assoc. Le Thi Kim Hien, Ph. Nguyen Phat Dat, B.

GROUP 02 Ho Chi Minh City, November, 2023 Members of Group 02 Point / 10 No. Full name Student ID (Individual Signature Contribution) 1 Lê Đình Giáp K221060831 10/10 Ce 2 Ha Tran Ngoc Quy K224060845 7/10 y 3 Hồ Song Tín K224111469 10/10 SH 4 Thai Anh Thu K224111468 10/10 “ge 5 Huỳnh Huệ Trúc K224111475 10/10 “%0 Acknowledgements First of all, we would like to express our profound gratitude to University of Economics and Law for integrating the Interdisciplinary Research Methods course into Information System Faculty’s program. We particularly want to convey our appreciation to Associate Professor - Dr. Ho Trung Thanh, Deputy Dean Dr.

Le Thi Kim Hien, and Bachelor of Science Nguyen Phat Dat for their invaluable guidance and unwavering support, which were instrumental in the success of our research. Our heartfelt thanks also go to the authors and author groups who have made significant contributions through research works, articles, theses, models, and the sharing of knowledge and methods across various fields relevant to this study. These contributions have significantly enhanced the clarity and comprehensiveness of our research. Despite our earnest efforts during the research process, we acknowledge that some mistakes may be unavoidable.

We value and welcome all types of feedback as valuable contributions to enhancing and improving our work. Group 02 Commitment The research has been carried out collectively by all members of Group 02 under the guidance of two lecturers, Ho Trung Thanh , Le Thi Kim Hien and Nguyen Phat Dat Additionally, the paper includes references from various articles on related subjects. Should there be any evidence of academic misconduct in this research paper, our group is committed to bearing full responsibility for any consequences at any level of punishment. Ho Chi Minh City, 2023 Group 02 Table of Contents ACkKNOWlEdgeMentS .ccccceccceecceseceneeeeee eases saeeeseeeeaeeeeeeeeeeeeeeeeeeeeeeeeeeeseeeeeseeeteneeees 3 COMMItMENL.

4 Table of Content La. 7 List OF eie0)/(00-NHF. 13 Objecfs and [e-mail] HH TT T ng TT TK KT TH kkt 14 B000 1— 2. Theoretical Framework and Literature Review.

ccc ccceceeee cece cece ee eecaeaeeeeeeeeececeeaeeeeeeeeeesencseeeeeeeeeteaas 16 1. cecccccecceeeee eects eeceeaeeeeeeeeeccneeeeeeeeesenscieeeeeeeeeeeas 17 1. cece ccc cccenceeeeeesseeessee essen sseeeseeeeeeeeesaaeeaseueaeeeeeeneeeeess 19 1. cccccccccceeeeceeceeeeeeeeeececeeceeeeeesesaeeeeeesesecneaeeeeeesenenneeeees 19 ni 6° ha.

Research GAP and Motivafion.- ST nnn ST TH HH Hkrkt 22 Chapter 2. Methodology and Proposed Research Models.--- LH HH ng Hn TT nT KH TT HT KHE EEx 28 2. Customer Segmentation AnalySiS. SH Hs ghe 29 Chapter 3.

Data Understanding and Preparation .- cà SỈ see 32 3. Adventure Works Cycles` Ñequiremen(s. Data collection method .-- TT 1n S 22 cess sete TK kkrkp 32 3. Description and Ủnderstanding.---- 2 HH Hs HH khe 33 3.- - c0 TH n1 TH ST ng TT H TT ng TT cv cà 37 KEcNais 0 090-e ae.

Experiment and ReSulf. Q2 TS S2 TT TT HT TH key 44 4. Customer Loyalty Segmentafion.------c cQ TS Sn HH TH TT ng kệt 44 4. Customer Loyalty AnalySiS.

SH HH nn TH ng ket 47 Chapter 5. Conclusion and Future VWWOrks.-- TS SH HH HT grkt 59 BS¡- hố. 63 5 List of Tables Table 1. cc cceccccccececeneeeeeeceeeeccaeeeeeeeeeccccceeeeeeessesesaeeeseeseessnseeees 22 Table 3.

Sales Order_ data.cc cc ccccceccceeeecceeeeceeceeeeeeeeeecceeeeeeeeesecscaeeeeeeeesenntieeeeeens 33 Table 3. Sales Territory_ dafa .-LLL TQ TT TS SH TT TT TH TT TT KHE kp 33 Table 3.-LLLQQ TT TS SH HT TT TH KT KĐT TK 34 I9 NI.n::ađđidđaiiiidiiiiiiÝẳẢ.LLL LH HH HH HT n TT HT TH He Tnhh nh ng g2 1 cu 35 Table 3. 0000000020211 T11 n TH ng TH ket 35 Table 3.jịjilia—Ả 36 List of Figures Figure 2.- -- 1 2v 2v 1v vn Tnhh 28 Figure 3. Select necessary attributes to calculate L, R, F, M values.4: Relationship between Monetary and Length.

Relationship between Monetary and Recency. Chart Relationship between Monetary and Frequency. The distribution after transform and normalize the data. 0002 22 2 11 0 n1 1g nh ket 44 Figure VÀO (05a.

Œaađiiđiiđa. Silhouette score V€erSus “ K”. TH ST HT SH Tp 46 Figure 4.-- -- - TT TS 2n nT TT TH TK KT KH 46 Figure 4. Average of L, R, F, M values for each cluster.

Number of customers in each segment. Q2 n2 n2 Hs sờ 48 Figure 4. Total Length of each segment. Total Recency of each segmentL.

Total Frequency of each segmentL.-----ccc cà 2n SSnss nhe e 50 Figure 4. Total Monetary of each segment.n n nv vn rxện 51 Figure 4. Description of Cluster 2 - Original Moderate Loyal Customers. Description of Cluster 3 - New Extreme Loyal Customers.

Description of Cluster4 - All-Time Extreme Loyal Customers. Description of Cluster 5 - All-Time Loyal Customers. Description of Cluster 6 - New Customers but low Loyalty. 58 7 List of Acronyms DB Digital Business MIS | Management Information Systems B2B | Business to Business B2C Business-to-Consumer, ML Machine Learning L Length R Recency F Frequency M Monetary AW _ | Adventure Works GANTT CHART Septenber 27,213 October 11,2023 No Task Mame Sat 1 Build ideas and Projects Cuscomes Segmentation Analysis 4 CHAPTER 3: DATA UNDERSTANDING AND PREPARATION Data understanding 44 References poendix MAU 1 1/23 2/23 4 BUILDING IDEAS AND PROJECTS In this step, we find out issues related to big data analysis and methods to help improve data analysis.

We will use a company's sample customer data to analyze and draw conclusions using research methods over a selected period of time. CHAPTER 1: THEORETICAL BACKGROUND AND RELATED WORK Chapter 1 sets the conceptual foundation concentrating on consumer segmentation, the LRFM model, and numerous approaches and algorithms used by other research teams. Furthermore, pertinent research’ recommendations, methodologies, and limitations are provided. CHAPTER 2: METHODOLOGY The second chapter provided a clear framework for researching the research topics by outlining the study design, data gathering methods, and analytical approaches.

Introducing the LRFM models that will be used to drive data analysis, establishing the groundwork for later chapters. CHAPTER 3: DATA UNDERSTANDING AND PREPARATION The structure of the dataset is examined along with the important variables and their connections. It then highlights the critical process of data cleaning and preprocessing in order to ensure data quality and dependability. CHAPTER 4: EXPERIMENTAL RESULTS Applying the K-means algorithm to a normalized dataset using the LRFM model aims to identify distinct customer clusters.

Subsequent analysis of these clusters will inform strategic labeling, enabling the development of targeted marketing campaigns for the company. CONCLUSION AND FUTURE WORK In the competitive retail sector, our research identifies high-value customers using surveys and Python analysis with the LRFM model and K-means method. This approach offers a framework for effective, customer-centric strategies. However, limitations include dataset representativeness, sensitivity in K-means clustering, and challenges in achieving stable segmentation despite normalization efforts.

10 ABSTRACT Targeting the right customers has always been a key strategy in increasing profit. Adventure Works retail company is no different. To ensure that its differentiated marketing strategies keep up with the appropriate segments of customers, this research was conducted.253 records with 15 characteristics regarding Sales Data was collected. This study proposes a customer loyalty segmentation in a retailer context, wherein the clustering is performed using the Length- Recency-Frequency-Monetary (LRFM) model and the integration of the K-means method.

In the end, six clusters were found, but only five of them allowed positive Loyalty Status assessment, labeled as: Original Extreme Loyal Customers, Original Moderate Loyal Customers, New Extreme Loyal Customers, All-Time Extreme Loyal Customers, All-Time Loyal Customers. This clustering results yielded a Silhouette Coefficient score of 0,837. Derived from the results of this segmentation, Adventure Works can strategically deliver tailored marketing to their clients, gradually boost its customer relations. Keywords: LRFM model; K-means clustering; Elbow method; Silhouette score; customer segmentation; customer loyalty; marketing; retail industry.

11 ABSTRACT Việc nhắm đến đúng đối tượng khách hàng luôn là chiến lược quan trọng đề tăng cường lợi nhuận, và công ty bán lẻ Adventure Works cũng không nằm ngoài quy luật. Đề đảm bảo chiến lược tiếp thị phân khúc hóa của công ty được truyền tới các phân đoạn khách hàng thích hợp, nghiên cứu này đã được tiễn hành. Một tập dữ liệu từ năm 2017 - 2020 với 121.253 bản ghi và 15 đặc điểm liên quan đến Dữ liệu Bán hàng đã được thu thập. Nhóm nghiên cứu sau đó đã phân khúc hóa cấp độ trung thành của khách hàng trong ngữ cảnh bán lẻ, trong đó việc gom cụm được thực hiện bằng cách sử dụng mô hình Length-Recency-Frequency-Monetary (LRFM) tích hợp phương pháp K-means.

Kết quả phân cụm, nhóm thu được sáu nhóm, nhưng chỉ có năm trong số đó thỏa mãn điều kiện để đánh giá Trạng thái Trung thành tích cực, được gán cho tên gọi lần lượt là: Khách hàng Trung thành Cao Cấp Ban Đầu, Khách hàng Trung thành Trung Bình Ban Đầu, Khách hàng Trung thành Cao Cấp Mới, Khách hàng Trung thành Cao Cấp Mọi thời kỳ, và Khách hàng Trung thành Mọi thời kỳ. Kết quả phân khúc hóa này đạt được số điểm Silhouette Coefficient khá ấn tượng là 0,837. Xuất phát từ kết quả nảy, Adventure Works có thể tùy chỉnh chiến lược tiếp thị sao cho phù hợp hơn đối với từng phân khúc khách hàng của họ, ngày càng củng cố nền quản trị quan hệ với khách hàng của công ty. Từ khóa: mô hình LREM; thuật toán phân cụm K-means; phương pháp Elbow; phương pháp Silhouette score; phân khúc khách hàng: lòng trung thảnh của khách hàng; marketing: nền công nghiệp bán lẻ.

12 Project Overview Reasons In the context of the Industrial Revolution and contemporary business modernization, the integration of technology and data analysis is indispensable for organizational advancement. As of January 20, 2014, a search for "customer analytics” yielded over 5 million results, encompassing sponsored links from major players such as IBM, Accenture, and Adobe, as well as service providers like SAS, SAP, and Deloitte. Notably, a global survey in 2018 reported that 84% of leading companies in the United States and worldwide had initiated big data analytics endeavors to enhance decision- making accuracy (Statista, 2018). Big data analytics is influential in refining business operations such as supply chain management (Gunasekaran et al., 2017) and customer relationship management (Nam, Lee, & Lee, 2019; Phillips-VWWren & Hoskisson, 2015; Zerbino, Aloini, Dulmin, & Mininno, 2018).

In the context of Adventure Works’ case, the application of LRFM methodology to segment customers based on loyalty status will become a critical element in the development and sustainability of the business. It enables Adventure Works to research and comprehend customer loyalty thoroughly, so that once armed with profound insights, the company can formulate specific strategies to enhance market competitiveness, attract potential customers, and foster loyalty among its existing clients. Objectives The study aims to provide an efficient customer segmentation model based on loyalty status using the LRFM (Length, Recency, Frequency, Monetary) model and K-Means algorithm. The in-depth analysis of each segment means to help Adventure Works: e Identify customers’ actual shopping behavior.

e Comprehend customer diversity and capture the typical characteristics of each segment. e Enhance business decisions and develop more effective marketing and advertising campaigns for increasing profit. 13 Objects and scopes Objects We investigate and analyze the purchasing behaviors and habits of Adventure Works' customers, derived from the retailer dataset, specifically, how long had they been purchasing from Adventure Works, when was the last time they bought something from AW, how often did they order from AW, and how much had they spent on AW’s products. In other words, their Length, Recency, Frequency, and Monetary value scores are to be examined and understood for insightful outputs.

Scopes ® Time scope: From July 1, 2017, to June 15, 2020.