Ứng Dụng Mô Hình Phân Khúc Khách Hàng Bằng RFM Kết Hợp Thuật Toán K-Means

Chuyên khảo kỹ thuật phân tích Ứng dụng xây dựng mô hình phân khúc khách hàng bằng rfm kết hợp thuật toán phân cụm k means, đánh giá các khía cạnh quan trọng, đề xuất hướng nghiên

• Tác giả: Nguyễn Kim Quyên
• Người hướng dẫn: ThS. Đào Quang Toàn
• Trường học: Học viện Chính sách và Phát triển
• Chuyên ngành: Phân tích dữ liệu lớn trong kinh tế và kinh doanh
• Đề tài: Mô Hình Phân Khúc Khách Hàng Bằng RFM Kết Hợp Thuật Toán K-Means
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2023
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: CƠ SỞ LÝ LUẬN
• 1.1. Tổng quan về phân khúc khách hàng
• 1.1.1. Hành vi khách hàng
• 1.1.2. Phân tích phân khúc khách hàng (RFM)
• 1.2. Cơ sở lý thuyết về thuật toán K – means
• 1.2.1. Phân cụm dữ liệu
• 1.2.2. Thuật toán K – means
• 1.2.3. Các phương pháp đánh giá trong thuật toán Clustering
• 1.3. Tổng quan về khai phá dữ liệu
• 1.3.1. Khái niệm khai phá dữ liệu
• 1.3.2. Mục tiêu của khai phá dữ liệu
• 1.3.3. Quá trình khai phá dữ liệu
• 1.4. Các công trình nghiên cứu
• 1.4.1. Công trình nghiên cứu trong nước
• 1.4.2. Công trình nghiên cứu nước ngoài
• 2. CHƯƠNG 2: ỨNG DỤNG XÂY DỰNG MÔ HÌNH PHÂN KHÚC KHÁCH HÀNG BẰNG RFM KẾT HỢP THUẬT TOÁN PHÂN CỤM K-MEANS
• 2.1. Thu thập dữ liệu
• 2.2. Thông tin về bộ dữ liệu
• 2.3. Mô tả bộ dữ liệu
• 2.4. Tiền xử lý dữ liệu
• 2.4.1. Lựa chọn các thuộc tính
• 2.4.2. Làm sạch dữ liệu
• 2.4.3. Biến đổi dữ liệu
• 2.5. Trực quan hóa dữ liệu
• 2.6. Xây dựng mô hình RFM
• 2.6.1. Tính điểm RFM tổng thể
• 2.6.2. Phân cụm và gán nhãn nhóm khách hàng
• 2.7. Xây dựng mô hình với thuật toán K-means
• 2.7.1. Chuẩn hóa dữ liệu
• 2.7.2. Tìm số cụm với phương pháp Elbow
• 2.7.3. Kiểm nghiệm bằng phương pháp Silhouette
• 3. CHƯƠNG 3: KẾT QUẢ THỰC NGHIỆM
• 3.1. Kết quả thực nghiệm
• 3.2. Kết quả phân tích RFM
• 3.3. Kết quả phân cụm với thuật toán K – means
• 3.4. Phân tích kết quả phân khúc RFM
• 3.5. Phân tích kết quả phân cụm với K – means
• 3.6. Khuyến nghị và kết luận
• 3.6.1. Kết luận và hướng phát triển
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Mô Hình Phân Khúc Khách Hàng RFM K Means

Phân khúc khách hàng là một hoạt động marketing quan trọng, chia cơ sở khách hàng thành các nhóm nhỏ dựa trên các đặc điểm khác nhau như địa lý, nhân khẩu học, hành vi. Chìa khóa để phân khúc hiệu quả là chia khách hàng thành các nhóm dựa trên dự đoán về giá trị của họ đối với doanh nghiệp. Mô hình RFM (Recency, Frequency, Monetary) là một phương pháp phổ biến để phân tích giá trị khách hàng. Kết hợp RFM với thuật toán K-Means giúp tự động hóa và tối ưu hóa quá trình phân cụm, mang lại hiệu quả cao hơn. Theo nguyên lý Pareto, 20% khách hàng thường mang lại 80% doanh số, do đó việc xác định và chăm sóc khách hàng quan trọng là vô cùng cần thiết. Phân tích dữ liệu khách hàng bằng RFM K-Means giúp doanh nghiệp tối đa hóa lợi nhuận từ các chiến dịch marketing.

1.1. Tầm quan trọng của Segmentation Khách Hàng trong Marketing

Phân khúc khách hàng cho phép doanh nghiệp cá nhân hóa các chiến dịch marketing, tăng tỷ lệ chuyển đổi và xây dựng lòng trung thành. Bằng cách hiểu rõ nhu cầu và hành vi của từng phân khúc, doanh nghiệp có thể tạo ra các thông điệp và ưu đãi phù hợp, từ đó tăng doanh thu và lợi nhuận. Customer segmentation giúp doanh nghiệp tập trung nguồn lực vào những khách hàng tiềm năng nhất, giảm chi phí marketing và tăng hiệu quả. Việc phân tích hành vi mua hàng là yếu tố then chốt để xây dựng chiến lược marketing hiệu quả.

1.2. Giới thiệu về Mô Hình RFM và Ưu điểm của nó

Mô hình RFM là một phương pháp đơn giản nhưng hiệu quả để đánh giá giá trị khách hàng dựa trên ba yếu tố: Recency (thời gian mua hàng gần nhất), Frequency (tần suất mua hàng) và Monetary (giá trị mua hàng). Ưu điểm của mô hình RFM là dễ hiểu, dễ triển khai và cung cấp thông tin hữu ích về giá trị khách hàng. Tuy nhiên, phân tích RFM truyền thống có thể chủ quan và tốn thời gian. Việc kết hợp với thuật toán K-Means giúp khắc phục những hạn chế này.

II. Thách Thức Khi Phân Khúc Khách Hàng Bằng RFM Truyền Thống

Mặc dù mô hình RFM là một công cụ hữu ích, nhưng nó cũng có những hạn chế nhất định. Việc xác định các ngưỡng RFM (ví dụ: khách hàng 'gần đây' là những người mua hàng trong vòng bao lâu) có thể chủ quan và không chính xác. Ngoài ra, phân tích RFM truyền thống thường dựa trên các quy tắc thủ công, tốn thời gian và khó mở rộng. Các doanh nghiệp bán lẻ vẫn còn sử dụng mô hình phân khúc khách hàng truyền thống. Việc kết hợp thuật toán K-Means giúp tự động hóa quá trình phân cụm, giảm thiểu sự can thiệp của con người và tăng tính khách quan. Ứng dụng RFM K-Means giúp doanh nghiệp giải quyết bài toán phân khúc khách hàng hiệu quả hơn.

2.1. Hạn chế của Phương Pháp Phân Tích RFM Thủ Công

Phương pháp phân tích RFM thủ công đòi hỏi nhiều thời gian và công sức để thu thập, xử lý và phân tích dữ liệu. Việc xác định các ngưỡng RFM thường dựa trên kinh nghiệm và cảm tính, dẫn đến kết quả không chính xác. Ngoài ra, phương pháp này khó mở rộng khi số lượng khách hàng tăng lên. Phân tích dữ liệu khách hàng thủ công cũng dễ bị sai sót do lỗi nhập liệu hoặc tính toán.

2.2. Vấn đề về Tính Chủ Quan trong Xác Định Ngưỡng RFM

Việc xác định các ngưỡng RFM (ví dụ: khách hàng 'tần suất cao' là những người mua hàng bao nhiêu lần) thường mang tính chủ quan và phụ thuộc vào ngành nghề, sản phẩm và đặc điểm của từng doanh nghiệp. Điều này có thể dẫn đến việc phân loại khách hàng không chính xác và ảnh hưởng đến hiệu quả của các chiến dịch marketing. Cải thiện RFM K-Means bằng cách sử dụng các phương pháp thống kê và machine learning để xác định các ngưỡng RFM một cách khách quan và chính xác hơn.

III. Phương Pháp Phân Khúc Khách Hàng RFM Kết Hợp K Means

Kết hợp mô hình RFM với thuật toán K-Means là một giải pháp hiệu quả để tự động hóa và tối ưu hóa quá trình phân cụm khách hàng. Thuật toán K-Means sẽ tự động phân chia khách hàng thành các cụm dựa trên các giá trị RFM, giúp doanh nghiệp xác định các phân khúc khách hàng một cách khách quan và chính xác hơn. RFM K-Means giúp doanh nghiệp hiểu rõ hơn về hành vi khách hàng và giá trị khách hàng, từ đó đưa ra các chiến lược marketing phù hợp. Bài nghiên cứu này được thực hiện để hướng đến việc tạo lập mô hình phân khúc khách hàng hiệu quả kết hợp phương pháp học máy K-means cho lĩnh vực bán lẻ xe đạp của Công ty AdventureWorks Cycles đồng thời so sánh mô hình RFM truyền thống với mô hình RFM kết hợp thuật toán phân cụm K-means.

3.1. Giải thích Thuật Toán K Means và Cách Hoạt Động

Thuật toán K-Means là một thuật toán phân cụm phổ biến, được sử dụng để phân chia dữ liệu thành k cụm khác nhau. Thuật toán này hoạt động bằng cách lặp đi lặp lại các bước sau: chọn k điểm trung tâm ban đầu, gán mỗi điểm dữ liệu vào cụm gần nhất, tính toán lại các điểm trung tâm của các cụm. Quá trình này lặp lại cho đến khi các điểm trung tâm không thay đổi hoặc đạt đến một số lần lặp tối đa. Clustering bằng K-Means giúp tìm ra các nhóm khách hàng có đặc điểm tương đồng.

3.2. Quy trình Xây Dựng Mô Hình RFM K Means Chi Tiết

Quy trình xây dựng mô hình RFM K-Means bao gồm các bước sau: thu thập dữ liệu khách hàng, tính toán các giá trị RFM, chuẩn hóa dữ liệu, áp dụng thuật toán K-Means để phân cụm khách hàng, phân tích đặc điểm của từng cụm và đưa ra các chiến lược marketing phù hợp. Việc tiền xử lý dữ liệu là rất quan trọng để đảm bảo chất lượng của mô hình. Code RFM K-Means có thể được viết bằng Python hoặc R.

3.3. Lựa Chọn Số Cụm K Tối Ưu trong Thuật Toán K Means

Việc lựa chọn số cụm (k) tối ưu là một bước quan trọng trong thuật toán K-Means. Có nhiều phương pháp để xác định số cụm tối ưu, bao gồm phương pháp Elbow, phương pháp Silhouette và phương pháp Gap Statistic. Phương pháp Elbow dựa trên việc tìm điểm uốn trên biểu đồ SSE (Sum of Squared Errors). Phương pháp Silhouette đánh giá chất lượng của các cụm dựa trên khoảng cách giữa các điểm trong cùng một cụm và khoảng cách đến các cụm khác. Đánh giá RFM K-Means bằng các chỉ số phù hợp giúp đảm bảo tính chính xác của mô hình.

IV. Ứng Dụng Thực Tế và Ví Dụ Về RFM K Means Thành Công

Ứng dụng RFM K-Means trong nhiều lĩnh vực khác nhau, bao gồm bán lẻ, thương mại điện tử, tài chính và viễn thông. Các doanh nghiệp sử dụng RFM K-Means để cá nhân hóa các chiến dịch marketing, cải thiện giữ chân khách hàng, tăng doanh thu và lợi nhuận. Ví dụ, một công ty bán lẻ có thể sử dụng RFM K-Means để xác định các khách hàng tiềm năng, khách hàng trung thành và khách hàng có nguy cơ rời bỏ, từ đó đưa ra các chiến lược marketing phù hợp cho từng phân khúc. Bài nghiên cứu này được thực hiện để hướng đến việc tạo lập mô hình phân khúc khách hàng hiệu quả kết hợp phương pháp học máy K-means cho lĩnh vực bán lẻ xe đạp của Công ty AdventureWorks Cycles đồng thời so sánh mô hình RFM truyền thống với mô hình RFM kết hợp thuật toán phân cụm K-means.

4.1. Case Study Phân Khúc Khách Hàng trong Ngành Bán Lẻ

Trong ngành bán lẻ, RFM K-Means có thể được sử dụng để phân khúc khách hàng dựa trên hành vi mua hàng, tần suất mua hàng và giá trị mua hàng. Các phân khúc khách hàng có thể bao gồm khách hàng VIP, khách hàng trung thành, khách hàng tiềm năng và khách hàng có nguy cơ rời bỏ. Dựa trên các phân khúc này, doanh nghiệp có thể đưa ra các chương trình khuyến mãi, giảm giá và chăm sóc khách hàng phù hợp. Ví dụ RFM K-Means trong bán lẻ có thể giúp tăng doanh thu và cải thiện lòng trung thành khách hàng.

4.2. Tối Ưu Hóa Chiến Dịch Marketing Dựa Trên Phân Khúc RFM K Means

Tối ưu hóa chiến dịch marketing dựa trên phân khúc RFM K-Means giúp doanh nghiệp tăng tỷ lệ chuyển đổi và giảm chi phí marketing. Bằng cách cá nhân hóa các thông điệp và ưu đãi cho từng phân khúc, doanh nghiệp có thể thu hút và giữ chân khách hàng hiệu quả hơn. Ví dụ, doanh nghiệp có thể gửi email marketing cho khách hàng tiềm năng với các ưu đãi đặc biệt, hoặc gửi quà tặng cho khách hàng trung thành để thể hiện sự tri ân. Tăng trưởng doanh thu là mục tiêu cuối cùng của việc phân khúc khách hàng.

V. Kết Luận và Hướng Phát Triển Của Mô Hình RFM K Means

Mô hình RFM K-Means là một công cụ mạnh mẽ để phân khúc khách hàng và phân tích dữ liệu khách hàng. Bằng cách kết hợp RFM với thuật toán K-Means, doanh nghiệp có thể tự động hóa và tối ưu hóa quá trình phân cụm, từ đó đưa ra các chiến lược marketing phù hợp và hiệu quả. Trong tương lai, RFM K-Means có thể được kết hợp với các kỹ thuật machine learning khác để cải thiện độ chính xác và hiệu quả. Phần mềm RFM K-Means ngày càng trở nên phổ biến và dễ sử dụng.

5.1. Ưu Điểm và Nhược Điểm Của Phương Pháp RFM K Means

Ưu điểm RFM K-Means bao gồm tính đơn giản, dễ triển khai, khả năng tự động hóa và hiệu quả cao. Nhược điểm RFM K-Means bao gồm việc cần lựa chọn số cụm tối ưu và khả năng bị ảnh hưởng bởi các điểm ngoại lệ. Tuy nhiên, những nhược điểm này có thể được khắc phục bằng cách sử dụng các phương pháp phù hợp. Công cụ RFM K-Means ngày càng được cải tiến để giải quyết các vấn đề này.

5.2. Hướng Nghiên Cứu và Phát Triển Mô Hình RFM K Means

Trong tương lai, RFM K-Means có thể được kết hợp với các kỹ thuật machine learning khác, chẳng hạn như deep learning, để cải thiện độ chính xác và hiệu quả. Ngoài ra, RFM K-Means có thể được sử dụng để phân tích dữ liệu thời gian thực, giúp doanh nghiệp đưa ra các quyết định marketing nhanh chóng và chính xác hơn. Cải thiện RFM K-Means liên tục là cần thiết để đáp ứng nhu cầu ngày càng cao của thị trường.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: CƠ SỞ LÝ LUẬN 1. Tổng quan về phân khúc khách hàng 1. Hành vi khách hàng Hành vi của người tiêu dùng (Consumer Behavior) là nghiên cứu về người tiêu dùng và các quy trình họ sử dụng để lựa chọn, sử dụng (tiêu dùng) và loại bỏ các sản phẩm và dịch vụ, bao gồm các phản ứng về cảm xúc, tinh thần và hành vi của người tiêu dùng. Nó liên quan đến việc hiểu các yếu tố tâm lý, xã hội và kinh tế ảnh hưởng đến quyết định của người tiêu dùng và trải nghiệm của họ.

Hành vi người tiêu dùng là quá trình phức tạp, được ảnh hưởng bởi các yếu tố nội và ngoại tại. Các yếu tố nội tại bao gồm các đặc điểm cá nhân như động cơ, nhận thức, thái độ và học hỏi, trong khi các yếu tố bên ngoài bao gồm các yếu tố văn hóa, xã hội, kinh tế và môi trường. Đặc biệt việc nghiên cứu hành vi khách hàng là một phần quan trọng trong nghiên cứu kinh tế học với mục đích tìm hiểu xem bằng cách nào và tại sao người tiêu dùng mua hoặc không mua các sản phẩm, dịch vụ và quá trình mua sắm, sử dụng dịch vụ của khách hàng diễn ra như thế nào? Hiểu hành vi người tiêu dùng là điều cần thiết để các doanh nghiệp tạo ra các chiến lược tiếp thị và sản phẩm hiệu quả để đáp ứng nhu cầu và mong muốn của khách hàng mục tiêu. Bằng cách phân tích hành vi người tiêu dùng, các doanh nghiệp có thể xác định cơ hội để cải thiện sản phẩm, dịch vụ và nỗ lực tiếp thị để đáp ứng tốt hơn nhu cầu của khách hàng và tăng doanh số và lợi nhuận.

Có nhiều định nghĩa về hành vi khách hàng, sau đây là một số định nghĩa tiêu biểu: Theo Hiệp hội marketing Hoa Kỳ, hành vi khách hàng chính là sự tác động qua lại giữa các yếu tố kích thích của môi trường với nhận thức và hành vi của con người mà qua sự tương tác đó, con người thay đổi cuộc sống của họ. Hay nói cách khác, hành vi khách hàng bao gồm những suy nghĩ và cảm nhận mà con người có được và những hành động mà họ thực hiện trong quá trình tiêu dùng. Những yếu tố như ý kiến từ những người tiêu dùng khác, quảng cáo, thông tin về giá cả, bao bì, bề 4 ngoài sản phẩm… đều có thể tác động đến cảm nhận, suy nghĩ và hành vi của khách hàng. Theo Kotler & Levy, hành vi khách hàng là những hành vi cụ thể của một cá nhân khi thực hiện các quyết định mua sắm, sử dụng và vứt bỏ sản phẩm hay dịch vụ.

Như vậy, qua hai định nghĩa trên, chúng ta có thể xác định hành vi khách hàng là: Những suy nghĩ và cảm nhận của con người trong quá trình mua sắm và tiêu dùng. Hành vi khách hàng là năng động và tương tác vì nó chịu tác động bởi những yếu tố từ môi trường bên ngoài và có sự tác động trở lại đối với môi trường ấy. Hành vi khách hàng bao gồm các hoạt động: mua sắm, sử dụng và xử lí sản phẩm dịch vụ. Phân tích phân khúc khách hàng (RFM) Phân khúc khách hàng (còn gọi là phân khúc thị trường) là một hoạt động marketing phân chia cơ sở khách hàng thành các nhóm nhỏ.

Đây có thể là phân chia theo địa lý, nhân khẩu học, tâm lý học, hành vi và các đặc điểm khác. Chìa khóa để phân khúc hiệu quả là chia khách hàng thành các nhóm dựa trên; dự đoán về giá trị của họ đối với doanh nghiệp. Sau đó, nhắm mục tiêu đến từng nhóm khách hàng với các chiến lược khác nhau nhằm khai thác giá trị tối đa từ những khách hàng có khả năng sinh lợi cao và thấp. Theo nguyên lý pareto 20% khách hàng sẽ mang lại 80% doanh số.

Do đó doanh nghiệp cần xác định được những khách hàng quan trọng nhất để chăm sóc đặc biệt. Ngày nay rất nhiều doanh nghiệp đã áp dụng các phương thức phức tạp để phân loại và xác định khách hàng tiềm năng của mình và RFM là một trong những phương pháp đó. Điểm mạnh của phương pháp RFM là giúp các doanh nghiệp tối đa hóa lợi tức từ đầu tư và công sức họ đã bỏ vào các chiến dịch marketing. Trong phương pháp phân tích RFM, mỗi khách hàng sẽ được đánh giá là khách hàng tiềm năng dựa trên ba tiêu chí lần lượt là Sự Gần Đây (Recency) thể hiện khoảng 5 thời gian mà khách hàng mua hàng gần đây nhất, tiêu chí thứ hai là Mức Độ Thường Xuyên (Frequency) đánh giá tần suất mua hàng của khách hàng và chỉ tiêu cuối cùng là Mức Độ Chi Tiền (Moneytary) thể hiện giá trị mỗi lần mua hàng của khách hàng là bao nhiêu.

Phương pháp RFM được sử dụng để phân tích giá trị khách hàng, từ đó giúp doanh nghiệp có thể phân tích ra từng nhóm khách hàng mà mình đang có, đưa ra những chiến dịch marketing hoặc chăm sóc đặc biệt. RFM định lượng giá trị của một khách hàng dựa trên 3 thông tin chính:  Recency: Khoảng thời gian mua hàng gần đây nhất là bao lâu. Cho biết khách hàng có đang thực sự hoạt động gần thời điểm đánh giá. Chỉ số này càng lớn càng cho thấy xu hướng rời bỏ của khách hàng càng cao.

Đó là một cảnh báo cho doanh nghiệp nên thay đổi sản phẩm để đáp ứng thị hiếu khách hàng hoặc thay đổi chính sách để nâng cao chất lượng phục vụ.  Frequency: Tần suất mua hàng của khách hàng. Nếu khách hàng mua càng nhiều đơn thì giá trị về doanh số mang lại cho công ty càng cao và tất nhiên giá trị của họ càng lớn. Tuy nhiên nếu chỉ xét dựa trên tần suất mua hàng thì cũng chưa đánh giá được đầy đủ mức độ tác động lên doanh thu bởi bên cạnh đó, giá trị đơn hàng cũng là yếu tố trực tiếp cho thấy khách hàng tiềm năng như thế nào.

 Monetary: Là số tiền chi tiêu của khách hàng. Đây là yếu tố trực quan nhất ảnh hưởng tới doanh số. Hay nói cách khác, doanh nghiệp quan tâm nhất là khách hàng đã dành bao nhiêu tiền để mua sắm sản phẩm của công ty? Monetary sẽ tác động trực tiếp tới doanh thu và bị tác động gián tiếp thông qua 2 yếu tố còn lại là Recency và Frequency. Cơ sở lý thuyết về thuật toán K – means 1.

Phân cụm dữ liệu a, Phân cụm dữ liệu là gì? Phân cụm dữ liệu là một kỹ thuật trong Khai phá dữ liệu nhằm tìm kiếm, phát hiện các cụm, các mẫu dữ liệu tự nhiên tiềm ẩn và quan trọng trong tập dữ liệu lớm để từ đó cung cấp thông tin, tri thức cho việc ra quyết định. Phân cụm dữ liệu là quá trình nhóm một tập các đối tượng tương tự nhau trong tập dữ liệu vào các cụm sao 6 cho các đối tượng thuộc cùng một cụm là tương đồng còn các đối tượng thuộc các cụm khác nhau sẽ không tương đồng. Hay ta có thể hiểu “Phân cụm dữ liệu là quá trình tổ chức các đối tượng thành từng nhóm mà các đối tượng ở mỗi nhóm đều tương tự nhau theo một tính chất nào đó, những đối tượng không tương tự tính chất sẽ ở nhóm khác”. b, Tại sao phải phân cụm? Mục đích của phân cụm là tìm ra bản chất bên trong các nhóm của dữ liệu.

Các thuật toán phân cụm (Clustering Algorithms) đều sinh ra các cụm (clusters). Tuy nhiên, không có tiêu chí nào là được xem là tốt nhất để đánh hiệu của của phân tích phân cụm, điều này phụ thuộc vào mục đích của phân cụm như: data reduction, “natural clusters”, “useful” clusters, outlier detection Phân cụm khách hàng đem lại các thông số cụ thể, giúp hình thành các nhóm rời nhau, giảm số lượng nhóm cần phải xử lý và tăng tính hiệu quả. Thuật toán K – means a, Giới thiệu thuật toán K - means K - Means là một thuật toán phân cụm đơn giản thuộc loại học không giám sát (tức là dữ liệu không có nhãn). K-Means là thuật toán rất quan trọng và được sử dụng phổ biến trong kỹ thuật phân cụm dữ liệu.

Thuật toán này tìm cách phân cụm các đối tượng đã cho vào k cụm (k là số cụm được xác định trước, k nguyên dương) sao cho tổng bình phương khoảng cách giữa các đối tượng đến tâm cụm (centroid) là nhỏ nhất. Về nguyên lý, có n đối tượng, mỗi đối tượng có m thuộc tính, các đối tượng được phân chia thành k cụm dựa trên các thuộc tính của đối tượng bằng việc áp dụng thuật toán K-means. Bài toán này xem mỗi thuộc tính của đối tượng (đối tượng có m 7 thuộc tính) như một tọa độ của không gian m chiều và biểu diễn đối tượng như một điểm trong không gian m chiều, đó là: 𝑎𝑖 = (𝑥𝑖1 , 𝑥𝑖2 , … , 𝑥𝑖𝑚 ) Trong đó: 𝑎𝑖 (𝑖 = 1, … 𝑛): Đối tượng thứ i 𝑥𝑖𝑗 (𝑖 = 1. 𝑛, 𝑗 = 1 … 𝑚): Thuộc tính thứ j của đối tượng i Tóm lại, thuật toán phân cụm K - Means là một phương pháp được sử dụng trong phân tích tính chất cụm của dữ liệu.

Nó đặc biệt được sử dụng nhiều trong khai phá dữ liệu và thống kê. Nó phân vùng dữ liệu thành k cụm khác nhau. Thuật toán này giúp chúng ta xác định được dữ liệu của chúng ta nó thực sự thuộc về nhóm nào. Thuật toán phân cụm K - Means thường được sử dụng trong các ứng dụng cỗ máy tìm kiếm, phân đoạn khách hàng, thống kê dữ liệu,… b, Khoảng cách Euclid Phương pháp phân cụm dữ liệu thực hiện dựa trên khoảng cách Euclid là khoảng cách nhỏ nhất từ đối tượng đến phần tử trọng tâm của các cụm.

Phần tử trọng tâm của cụm được xác định bằng giá trị trung bình các phần tử trong cụm. 𝑎𝑖 = (𝑥𝑖1 , 𝑥𝑖2 , … , 𝑥𝑖𝑚 ); 𝑖 = 1 … 𝑛 là đối tượng thứ i cần phân cụm 𝑐𝑗 = (𝑥𝑗1 , 𝑥𝑗2 , … , 𝑥𝑗𝑚 ); 𝑗 = 1 … 𝑘 là phần tử trọng tâm cụm j Khoảng cách Euclid từ đối tượng 𝑎𝑖 đến phần tử trọng tâm nhóm j; 𝑐𝑗 được tính toán dựa trên công thức: 𝑚 𝜕𝑖𝑗 = √∑ (𝑥𝑖𝑠 − 𝑥𝑗𝑠 )2 𝑠=1 Trong đó: 𝜕𝑖𝑗 : Khoảng cách Euclid từ 𝑎𝑖 đến 𝑐𝑗 𝑥𝑖𝑠 : Thuộc tính thứ s của đối tượng 𝑎𝑖 𝑥𝑗𝑠 : Thuộc tính thứ s của phần tử trọng tâm 𝑐𝑗 c, Phần tử trọng tâm 8 K phần tử trọng tâm ban đầu được chọn ngẫu nhiên, sau mỗi lần gom các đối tượng vàocác cụm, phần tử trọng tâm được tính toán lại: 𝐶𝑙𝑢𝑠𝑡𝑒𝑟𝑖 = {𝑎1 , 𝑎2 , … 𝑎𝑡 } – cụm thứ i; i = 1.