Chương 1: Tổng quan về tình hình nghiên cứu 1.1 Tổng quan tình hình nghiên cứu Trong lĩnh vực tiếp thị, quảng bá thương hiệu, sản phẩm đến người tiêu dùng hay để xuất giải pháp cho các công ty, việc phân loại khách hàng mục tiêu luôn là một vấn để quan trọng và cần được đầu tư phát triển. Phân tích dữ liệu lớn đóng một vai trò quan trọng trong việc ra quyết định bán lẻ, đặc biệt khi đữ liệu liên quan đến hành vi của khách hàng. Phân tích hành vi khách hàng giúp chủ công ty thực hiện các quyết định quan trọng ảnh hưởng đến các khía cạnh khác nhau của cửa hàng bán lẻ, nơi hành vị không chỉ giới hạn ở hành vĩ mua hàng của khách hàng. (Mussadiq Abdul Rahim và cộng sự, 2021) Phân cum khach hang (customer segmentation) là quá trình phân chia khách hàng dựa trên các đặc điểm chung như hành vị, thói quen mua sắm và sử dụng dịch vụ của họ.
để các công ty, công ty có thể tiếp thị cho từng nhóm khách hàng một cách hiệu quả và phủ hợp hơn. Với các đặc điểm của nhóm khách hàng, thì việc phân cụm theo điểm chỉ tiêu và thu nhập cho công ty thấy rõ ràng hơn cụm khách hàng mục tiêu, và theo thuật toán K-Means thi việc phân thành 2 cụm khách hàng là tối ưu. (Phạm Kiên Trung và cộng sự, 2020) Đề đạt mục tiêu trên, có nhiều phương pháp đã được tiến hành trên nhiều lĩnh vực khác nhau để tiến hành phân cụm các khách hàng mục tiêu. Trong lĩnh vực dịch vụ viễn thông và dịch vụ tài chính, nghiên cứu của Arne Floh và cộng sự (2013) đã dựa trên mô hình về khái niệm đa chiều dé đánh giá các điểm không đồng nhất ở chính khách hàng đã ủng hộ mạnh mẽ lập luận rằng ảnh hưởng giá trị cảm nhận là ý định về mặt môi trường, nhưng các tác động đó cũng khác nhau về mức độ tùy thuộc vào phân khúc người tiêu dùng (Arne Floh và cộng sự, 2013).
Trong lĩnh vực bảo hiểm, (Wafa Qadadeh và Sherief Abdallah, 2018) đã sử dụng 2 kỹ thuật khai thác đữ liệu là phân cụm K- Means va ky thuat SOM (dựa trên ANN). Thông qua phân tích cụm và trực quan hóa dữ liệu đa chiều có thể biết được đặc điểm tính cách khách hàng trong CRM, từ đó có thể thiết kế một kế hoạch marketing riêng cho từng loại khách hàng của công ty. Còn trong lĩnh vực kinh doanh mỹ phâm, Sari Hartini và cộng sự (2020) đã thu được mô hình phân tích hỗ sơ và phân khúc khách hàng hiệu quả sử dụng thuật toán phân nhóm và phân loại cho kết quả rằng mô hình thuật toán có thê cung cấp giải pháp cho những nhu cầu này là mô hình thuật toán K-Means + Na ve Bayes, với giá trị chính xác cao là 65, 87%. Ở Việt Nam, trong lĩnh vực bản lẻ, Nguyễn Phúc Sơn và cộng sự (202L) đã tập hợp dữ liệu giao dịch bán lẻ từ một chuỗi siêu thị ở Thành phố Hồ Chí Minh, Việt Nam đề thiết kế mô hình phân đoạn mới dựa trên sự kết hợp của mạng nơ-ron sâu và kỹ thuật phân cụm xác suất tự giám sát.
Mô hình mới linh hoạt hơn vả thích ứng hơn với sự đa dạng của bộ dữ liệu khách hàng so với các thuật toán heuristic hién tai trong CRM. Trong linh vực du lịch và khách sạn, Arkadriusz T.Tomezyk và cộng sự (2022) đã thông qua WTP (so sánh về mức chỉ tiêu của khách hàng săn lòng chỉ tiêu) đi sâu về lĩnh vực cá nhân hóa cho chính khách hàng đồng thời kết hợp với CeoP đề tìm ra mức phân khúc phù hợp cho những gì khách hàng chỉ tiêu và thứ họ nhận lại được từ đó đề xuất kiêu khách hàng đề hỗ trợ chiến lược phân khúc và định giá Các nghiên cứu trước đây đã triển khai mô hình hành vi mua hàng dựa trên hành vi thế chất của một đôi tượng. Hiện nay, có nhiều phương pháp giúp công ty thực hiện việc phân cụm khách hàng mục tiêu dựa trên những hiểu biết vé hanh vi (behavior), thoi quen (habits), so thich (preferences) của khách hàng tiém nang nhu KMeans, Mean-Shift, Density-Based Spatial, Expectation- Maximization, Agglomerative Hierarchical Clustering (Chen et al. RFM là một trong những phương pháp phân tích được sử dụng rộng rãi nhất để phân tích khách hàng thông qua phân khúc và lập hồ sơ khách hàng (Sari Hartim và cộng sự (2020).
Mô hình RFM cho hành vi mua hàng của khách hàng sử dụng thuật toán K-Means đã áp dụng trí tuệ kinh doanh trong việc xác định khách hàng tiềm năng băng cách cung cấp đữ liệu phù hợp và kịp thời cho các đơn vị kinh doanh trong ngành Bán lẻ. 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. Anitha, Malini và M.
Mô hình REM và các kỹ thuật lập mô hình dữ liệu được dùng dé phát hiện các mẫu hành vi của khách hang. Mỗi giao dịch được phân bổ cho khách hàng là một phần trong hành vi của một người và là một ví dụ của vectơ đặc điểm, nó được mô hình hóa dựa trên một tập hợp các giao dịch để tạo thành hành vi mua lại. Phân tích thực nghiệm cho thấy tám giao dịch la du dé phan loại khách hàng với độ chính xác cao (Mussadiq Abdul Rahim và cộng sự, 202L). Bên cạnh đó, mô hình dữ liệu REM sử dụng phương pháp Elbow với chỉ sô kiêm dinh Silhouette đề tôi ưu số cụm khách hàng, hệ số chuan (Z- score) va Quy tac kiém chứng (Empirical Rule) được áp dụng để xử liệu các dữ liệu bất thường (Outlier) và phương pháp Cohort đề phân tích tỷ lệ duy trì khách hàng kết hợp biểu đồ nhiệt trên phân phối ma trận.
Mô hình này dựa trên đữ liệu giao địch với những tham số đặc trưng và cầu trúc tương đồng có thể tìm thấy trên các hóa đơn bán hàng trong bất kỳ cửa hàng tại các nước trên thế giới cũng như tại Việt Nam và áp dụng phương pháp học máy không giám sát để phân tích phân khúc khách hàng và tìm ra những giá trị thật sự (insight) co kha năng tác động, ảnh hưởng tới hành vi và quyết định mua hàng của khách hàng. (Hồ Trung Thành và Nguyễn Dang Son, 2021) Ngoai m6 hinh RFM truyén thông, nhiều nhóm tác giả đã phát triển nhiều mô hình RFM sáng tạo kết hợp với nhiều kỹ thuật khác nhau để giải quyết các điểm yếu của mô hình truyền thống. Một mô hình mới liên kết mô hình REM với giá trị lâu dài của khach hang (CLV) sử dụng đường cong gia tri đăng cấp đề tính toán phân khúc khách hàng, nhóm các cá nhân lại với nhau, những người có hành vi mua sắm khác nhau nhưng có giá trị tương đương trong tương lai. Fader và cộng sự, 2005).
Tính chu kỷ của nhu câu sản pham ở¢ mô hinh truyền thống chưa có thế được ước tính dựa trên hành ví mua của mỗi khách hàng, khiến cho khó đề xuất sản phâm vào đúng thời điểm phù hợp với yêu cầu mua. Để đối phó với tính chu kỳ của sản phẩm, mô hình TREM có tính đến tính chất sản phẩm và tính chu kỳ mua hàng. Phương pháp này kết hợp đặc tính sản phẩm và chu kỳ mua hàng dé đo lường lòng trung thành của khách hàng và phân tích hành vĩ mua hàng của khách hàng. Ngoài ra, còn có mô hình kết hợp giá trị định lượng của các thuộc tính REM và thuật toán K-mean vào lý thuyết tập hợp thô (lý thuyết RS), dé trích xuất các quy tắc ý nghĩa và nó có thế cải thiện một cách hiệu quả mạng nơ-ron có thời gian đảo tạo lâu và thuật toán di truyền trong CRM.
Phân tích dữ liệu mua hàng của khách hàng trong lĩnh vực thương mại điện tử bằng 3 thuật toán phân cụm: K-means Clustering, Fuzzy C-means Clustering va Hierarchical Clustering được xây dựng trên ngôn ngữ lập trình R đề hiểu rõ về hành vĩ và phân khúc khách hàng dựa trên mô hình REMI. Chỉ số Dumn chỉ ra rằng mô hình phân cấp hoạt động tốt hơn so với mô hình K-means và mô hình Fuzzy C-means về mặt tạo ra một cụm tot. Mô hình REM trên mỗi sản pham (RFM/P) duoc dé xuat để ước tính giá trị của khách hàng trên mỗi sản phẩm trước tiên và sau đó tông hợp chúng lại dé thu được giá trị tông thế của khách hàng. Ngoài ra, khi có những thay đổi trong hành vi mua hàng của khách hàng liên quan đến lần truy cập gần đây trên mỗi sản phẩm và tần suất trên mỗi sản phẩm, thông thường, độ chính xác của dự đoán REM/P được nhận thấy là tốt hơn so với REM truyền thống.
12 — Sơ đồ mô hình Tiền xử lý dữ liệu, thiết lập mô hình RFM Phân cụm với thuật toán Kmeans Khám phá dữ liệu và tiền xử lý dữ liệu Chuẩn hóa dữ liệu. Phân tích tỷ lệ duy trì khách hàng ‡ 4 Tim 36 lugng khéch hang mới trong từng thang —> $ —_ $ => Dataset Phân cụm với. Thiết lập mô hình REM thuật toán K-means + Hinh 1: Phuong phap, quy trình nghiên cứu l3 Đánh giả chung Trong một thập kỷ vừa qua chứng kiến những tiến bộ vượt bậc của khoa học kĩ thuật cùng với đó, công nghệ khoa học dữ liệu hiện nay cũng đã phát triên không ngừng giúp việc thu thập và xử lý dữ liệu khách hàng trở nên dễ dàng hơn, mang đến nguồn tài nguyên quý giá, giàu tiềm năng cho việc phân tích hành vị khách hàng trong kinh doanh. Việc phân tích phân khúc khách hàng đóng một vai trò quan trọng giúp công ty, công ty tập trung hóa, đề ra các chiến lược marketing hợp lý và chăm sóc tốt hơn các nhóm khách hàng, đồng thời duy trì và phát triển công ty, công ty trong bối cảnh thị trường cạnh tranh vô cùng khốc liệt.4 Khoảng trồng nghiên cứu và những điễm mới của nhóm Tổng quan các công trình trong nước và trên thế giới chỉ ra răng phân khúc khách hàng băng mô hình RFM không phải là điêu mới.
Tuy nhiên, nhóm tác giả nhận thây có một sô khoảng trông sau: Thứ nhất, các hệ thông quản lý khách hàng ngày càng được tự động hóa. Tuy nhiên, hệ thống chủ yếu là ghi nhận dữ liệu giao dịch và thực hiện những thống kê định kỳ theo phương pháp truyền thống dẫn đến kết quả chưa đảm bảo được tính khách quan, chính xác và khó phân tích được hành vi mua sam của khách hàng để có cơ sở xây dựng chiến lược tiếp cận khách hàng và bán hàng hiệu quả hơn.