Luận văn thạc sĩ: Ứng dụng mô hình lý thuyết data mining trong quản lý nhà hàng

Luận văn thạc sĩ phân tích hệ thống thông tin quản lý nghiên cứu và triển khai ứng dụng các mô hình lý thuyết trong data, đánh giá thực trạng, chỉ ra hạn chế, đề xuất giải pháp

• Tác giả: Lâm Hoàng Trúc Mai
• Người hướng dẫn: PGS. Nguyễn Đức Cường
• Trường học: Đại học Bách Khoa - ĐHQG TP. HCM
• Chuyên ngành: Hệ thống thông tin quản lý
• Đề tài: Nghiên Cứu Ứng Dụng Mô Hình Lý Thuyết Data Mining Trong Quản Lý Nhà Hàng
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2012
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• DANH MỤC HÌNH ẢNH
• DANH MỤC BẢNG BIỂU
• 1. CHƯƠNG 1: TỔNG QUAN VỀ ĐỀ TÀI
• 1.1. Hình thành vấn đề
• 1.1.1. Thực trạng nghiên cứu ứng dụng kỹ thuật phát hiện tri thức và khai phá dữ liệu (KDD – Knowledge Discovery and Data Mining)
• 1.1.2. Tình hình quản trị doanh nghiệp
• 1.1.3. Lý do chọn đề tài
• 1.2. Phạm vi nghiên cứu
• 1.2.1. Đối tượng nghiên cứu
• 1.2.2. Không gian và thời gian thực hiện
• 1.3. Quy trình và phương pháp nghiên cứu
• 1.3.1. Quy trình nghiên cứu
• 1.3.2. Phương pháp nghiên cứu
• 1.4. Mục tiêu nghiên cứu
• 1.5. Cấu trúc đề tài
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Kỹ thuật phát hiện tri thức và khai phá dữ liệu (KDD)
• 2.1.1. Khái niệm và phương pháp KDD
• 2.1.2. Mô hình bài toán KDD
• 2.2. Kho dữ liệu (Data Warehouse)
• 2.2.1. Cấu trúc của kho dữ liệu
• 2.3. Hệ thống Business Intelligence (BI)
• 2.3.1. Kiến trúc của BI
• 2.4. Phương pháp khai phá luật kết hợp dựa trên thuật toán Apriori
• 2.4.1. Một số khái niệm
• 2.4.2. Thuật toán tổng quát xác định luật kết hợp
• 2.4.3. Thuật toán Apriori
• 2.5. Những công trình liên quan
• 3. CHƯƠNG 3: PHÂN TÍCH, TRIỂN KHAI VÀ ĐÁNH GIÁ
• 3.1. Mô tả cơ sở dữ liệu (CSDL)
• 3.2. Quy trình xử lý dữ liệu và tạo data mart
• 3.2.1. Xử lý dữ liệu
• 3.2.2. Tạo data mart
• 3.3. Giải quyết vấn đề đặt ra
• 3.3.1. Giải quyết vấn đề
• 3.3.2. Thử nghiệm và đánh giá
• 3.3.3. Giải quyết vấn đề
• 3.3.4. Thử nghiệm và đánh giá
• 3.3.5. Giải quyết vấn đề
• 3.3.6. Thử nghiệm và đánh giá
• 4. CHƯƠNG 4: KẾT LUẬN VÀ KIẾN NGHỊ
• TÀI LIỆU THAM KHẢO
• LÝ LỊCH TRÍCH NGANG

Tóm tắt

I. Giới thiệu tổng quan về đề tài

Nghiên cứu ứng dụng mô hình lý thuyết data mining vào lĩnh vực quản lý nhà hàng là một chủ đề đang thu hút sự quan tâm lớn trong bối cảnh hiện đại. Việc áp dụng các kỹ thuật khai phá dữ liệu không chỉ giúp tối ưu hóa quy trình quản lý mà còn cung cấp thông tin giá trị cho việc quyết định kinh doanh. Đề tài này nhằm mục tiêu xây dựng mô hình kho dữ liệu từ cơ sở dữ liệu thu thập được, phục vụ cho việc phân tích dữ liệu và hỗ trợ các nhà quản lý trong việc ra quyết định. Điều này đặc biệt quan trọng trong ngành nhà hàng, nơi mà hành vi của khách hàng và xu hướng tiêu dùng có thể thay đổi nhanh chóng. Theo một nghiên cứu gần đây, việc áp dụng công nghệ trong quản lý nhà hàng có thể nâng cao hiệu quả kinh doanh lên đến 30%.

1.1. Tình hình nghiên cứu ứng dụng kỹ thuật phát hiện tri thức

Kỹ thuật phát hiện tri thức và khai phá dữ liệu (KDD) đã được áp dụng rộng rãi trong nhiều lĩnh vực như ngân hàng, bảo hiểm và quản lý doanh nghiệp. Tuy nhiên, trong lĩnh vực quản lý nhà hàng, việc ứng dụng vẫn còn hạn chế. Các nghiên cứu hiện tại chủ yếu tập trung vào việc phát triển các thuật toán data mining mà chưa có nhiều ứng dụng thực tiễn. Việc này dẫn đến sự thiếu hụt trong việc khai thác tiềm năng của dữ liệu lớn trong ngành nhà hàng. Nghiên cứu này nhằm giải quyết vấn đề này bằng cách áp dụng các mô hình lý thuyết trong data mining để tạo ra các giải pháp cụ thể cho các vấn đề trong hoạt động kinh doanh nhà hàng.

II. Cơ sở lý thuyết về Data Mining

Để hiểu rõ hơn về ứng dụng của data mining trong quản lý nhà hàng, cần có cái nhìn tổng quan về các khái niệm và phương pháp liên quan. Kho dữ liệu (Data Warehouse) là một thành phần quan trọng trong hệ thống Business Intelligence (BI), giúp tổ chức và lưu trữ dữ liệu một cách có cấu trúc. Một kho dữ liệu tốt sẽ hỗ trợ cho quá trình khai thác dữ liệu, từ đó tạo ra những thông tin giá trị cho các nhà quản lý. Ngoài ra, các thuật toán như Apriori và hồi quy tuyến tính cũng sẽ được áp dụng để phân tích hành vi khách hàng và tối ưu hóa quy trình kinh doanh. Theo một nghiên cứu của Gartner, các công ty sử dụng data mining có khả năng đưa ra các quyết định đúng đắn hơn 60% so với các công ty không sử dụng.

2.1. Mô hình bài toán KDD

Mô hình bài toán KDD bao gồm nhiều bước từ việc hình thành và định nghĩa bài toán, thu thập và tiền xử lý dữ liệu, đến việc lựa chọn và áp dụng phương pháp KDD để tìm ra các quy luật trên dữ liệu. Các quy luật này có thể giúp nhà quản lý trong việc dự đoán xu hướng tiêu dùng, từ đó đưa ra các quyết định kinh doanh chính xác hơn. Nghiên cứu cho thấy rằng việc áp dụng mô hình KDD có thể giúp giảm thiểu chi phí và tăng cường hiệu quả hoạt động của nhà hàng.

III. Phân tích và triển khai ứng dụng

Quá trình phân tích và triển khai ứng dụng các mô hình lý thuyết trong data mining vào lĩnh vực quản lý nhà hàng sẽ được thực hiện qua nhiều bước. Đầu tiên, cần xây dựng mô hình kho dữ liệu từ các nguồn dữ liệu thu thập được. Tiếp theo, việc phân tích dữ liệu sẽ được thực hiện để nhận diện các vấn đề trong hoạt động kinh doanh. Các ứng dụng sẽ được cài đặt dựa trên các mô hình đã nghiên cứu, giúp nhà quản lý dễ dàng thao tác để thống kê và phân tích dữ liệu. Các ứng dụng này không chỉ hỗ trợ trong việc quản lý khách hàng mà còn giúp tối ưu hóa quy trình phục vụ và nâng cao trải nghiệm của khách hàng. Theo một khảo sát, các nhà hàng áp dụng công nghệ data mining có thể cải thiện sự hài lòng của khách hàng lên đến 40%.

3.1. Đánh giá hiệu quả ứng dụng

Việc đánh giá hiệu quả ứng dụng của các mô hình lý thuyết trong data mining sẽ được thực hiện thông qua các chỉ số cụ thể như doanh thu, tỷ lệ khách hàng quay lại và mức độ hài lòng của khách hàng. Các số liệu này sẽ được so sánh trước và sau khi triển khai ứng dụng. Nghiên cứu cho thấy rằng, việc áp dụng công nghệ trong quản lý không chỉ giúp tăng doanh thu mà còn tạo ra những giá trị bền vững cho thương hiệu nhà hàng.

Nội dung chính

Tổng quan nghiên cứu

Theo báo cáo khảo sát công nghệ toàn cầu của tổ chức Gartner, giải pháp trí tuệ doanh nghiệp (Business Intelligence - BI) liên tục giữ vị trí số 1 trong danh mục ưu tiên đầu tư của các Giám đốc công nghệ thông tin (CIO) giai đoạn 2006 - 2009 và duy trì trong nhóm 5 công nghệ hàng đầu các năm 2010 - 2011. Tại Việt Nam, sau làn sóng triển khai hệ thống hoạch định nguồn lực doanh nghiệp (ERP) cơ bản, các tổ chức kinh doanh bắt đầu bước vào giai đoạn khai thác dữ liệu chuyên sâu để gia tăng năng lực cạnh tranh. Tuy nhiên, trong ngành dịch vụ ẩm thực và nhà hàng, các hệ thống cơ sở dữ liệu giao dịch thường chỉ dừng lại ở chức năng ghi nhận nghiệp vụ thu ngân, bán hàng mà chưa được chuẩn hóa thành kho dữ liệu phục vụ phân tích dự báo.

Vấn đề nghiên cứu trọng tâm của luận văn là khắc phục tình trạng phân tán, rời rạc của dữ liệu tác nghiệp nhằm xây dựng một mô hình kho dữ liệu theo chủ đề (Data Mart) và ứng dụng các thuật toán khai phá dữ liệu (Data Mining) để hỗ trợ nhà quản trị đưa ra quyết định kinh doanh chính xác. Mục tiêu cụ thể của đề tài bao gồm: chuẩn hóa cấu trúc dữ liệu từ cơ sở dữ liệu quan hệ nguồn; thiết kế lược đồ Data Mart hình sao tối ưu hóa tốc độ truy vấn; nghiên cứu và triển khai thuật toán Apriori để tìm kiếm các quy luật gọi món kết hợp; đồng thời áp dụng phương pháp hồi quy tuyến tính nhằm phát hiện xu hướng tiêu thụ của từng món ăn.

Phạm vi nghiên cứu được thực hiện tại thị trường Việt Nam trong mốc thời gian 5 tháng (từ tháng 07/2012 đến tháng 11/2012) với dữ liệu thực nghiệm gồm 15.442 hóa đơn giao dịch tại hệ thống nhà hàng. Ý nghĩa của nghiên cứu thể hiện qua việc tinh gọn hơn 54% dung lượng dữ liệu dư thừa (giảm từ 104.648 bản ghi chi tiết xuống còn 48.022 bản ghi hợp lệ), phân loại chuẩn xác 719 món ăn và xây dựng công cụ trực quan giúp nhà quản lý không chuyên về công nghệ thông tin vẫn có thể khai thác tri thức định lượng một cách hiệu quả.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên nền tảng của quy trình phát hiện tri thức trong cơ sở dữ liệu (Knowledge Discovery and Data Mining - KDD) và kiến trúc hệ thống trí tuệ doanh nghiệp (Business Intelligence). KDD là quy trình khoa học bao gồm các giai đoạn: hình thành bài toán, thu thập tiền xử lý dữ liệu, lựa chọn mô hình khai phá, kiểm định kết quả và vận dụng tri thức vào thực tiễn quản trị.

Các khái niệm và mô hình lý thuyết cốt lõi được vận dụng bao gồm:

1. Kho dữ liệu theo chủ đề (Data Mart): Được thiết kế theo lược đồ hình sao (Star Schema), bao gồm một bảng sự kiện (Fact Table) đóng vai trò trung tâm liên kết với các bảng chiều (Dimension Table) xung quanh. Kiến trúc này giải quyết triệt để nhược điểm chậm trễ của các cơ sở dữ liệu giao dịch quan hệ vốn bị ràng buộc bởi các dạng chuẩn khắt khe.
2. Khai phá luật kết hợp (Association Rules) với thuật toán Apriori: Kỹ thuật khai phá tri thức dựa trên hai độ đo chính là độ phổ biến (Support) và độ tin cậy (Confidence). Thuật toán Apriori hoạt động theo nguyên lý tỉa nhánh không gian tìm kiếm thông qua việc xác định các tập mục phổ biến có quy mô tăng dần từ 1 phần tử đến k phần tử.
3. Phân tích chuỗi thời gian và Hồi quy tuyến tính: Mô hình toán học lượng hóa mối quan hệ giữa biến thời gian và số lượng tiêu thụ của món ăn, giúp xác định hệ số góc đại diện cho xu hướng tăng trưởng hoặc suy giảm của sản phẩm.

Phương pháp nghiên cứu

Nghiên cứu kết hợp chặt chẽ giữa phương pháp nghiên cứu định tính và nghiên cứu định lượng trên nguồn dữ liệu thứ cấp được trích xuất từ hệ quản trị cơ sở dữ liệu Microsoft SQL Server của nhà hàng.

• Cỡ mẫu và phương pháp chọn mẫu: Cỡ mẫu ban đầu bao gồm 15.442 hóa đơn giao dịch trong bảng thanh toán và 104.648 dòng bản ghi trong bảng chi tiết gọi món. Tác giả sử dụng phương pháp chọn mẫu toàn bộ dữ liệu phát sinh trong kỳ, sau đó tiến hành lọc sạch các dữ liệu lỗi. Sau quá trình xử lý, tập dữ liệu chuẩn hóa còn lại 15.155 hóa đơn hợp lệ (loại bỏ 287 hóa đơn rỗng không phát sinh món) và 48.022 dòng chi tiết món ăn (loại bỏ các mục ngoài phạm vi như bia, rượu, nước giải khát và xử lý các mã món ăn trùng lặp).
• Phương pháp phân tích dữ liệu: Tác giả tiến hành chuẩn hóa danh mục 1.008 món ăn ban đầu thành 719 món ăn đặc trưng, được phân loại theo cấu trúc 4 chiều thuộc tính: Nguyên vật liệu chính (NVL1), Nguyên vật liệu phụ (NVL2), Cách chế biến (CCB) và Cách chế biến cụ thể kèm gia vị (SCCB) gắn với 146 loại nguyên vật liệu trong bảng danh mục.
• Lý do lựa chọn phương pháp: Cơ sở dữ liệu tác nghiệp thông thường không tối ưu cho các thuật toán quét lặp dữ liệu lớn. Việc tái cấu trúc cơ sở dữ liệu sang dạng Data Mart và triển khai thuật toán Apriori trên môi trường SQL Server Business Intelligence Development Studio cho phép tính toán trực tiếp các khối dữ liệu đa chiều (OLAP Cubes), giảm thiểu tối đa thời gian xử lý và nâng cao độ chính xác của các tập luật được phát hiện. Toàn bộ quy trình thử nghiệm và kiểm định mô hình được hoàn thành trong chu kỳ 5 tháng nghiên cứu.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình phân tích thực nghiệm trên hệ thống dữ liệu nhà hàng đã mang lại các phát hiện định lượng quan trọng:

1. Tối ưu hóa dung lượng và cấu trúc dữ liệu: Việc chuyển đổi từ cơ sở dữ liệu tác nghiệp sang mô hình Data Mart hoàn chỉnh đã loại bỏ 287 hóa đơn không hợp lệ (tương đương 1,86% tổng số hóa đơn) và giảm 56.626 dòng dữ liệu chi tiết dư thừa (giảm 54,11% so với dữ liệu gốc). Danh mục thực đơn được tinh gọn từ 1.008 mã món xuống còn 719 món ăn có cấu trúc chuẩn mực, gắn liền với 146 phân nhóm nguyên vật liệu.
2. Khai phá các luật kết hợp gọi món có độ tin cậy cao: Khi khảo sát trên 15 nhóm nguyên vật liệu có tần suất tiêu thụ lớn nhất, thuật toán Apriori đã trích xuất thành công các luật kết hợp với độ phổ biến (minsupp) từ 0,2 đến 0,5 và độ tin cậy (minconf) đạt từ 80% đến 100%. Các luật này chỉ ra mối quan hệ mật thiết giữa việc lựa chọn các nhóm món ăn chính với các món ăn kèm hoặc món canh cụ thể.
3. Định lượng xu hướng tiêu thụ và tập món ăn phổ biến: Phương pháp hồi quy tuyến tính kết hợp phân tích chuỗi thời gian đã phân tách rõ ràng các nhóm món ăn có độ tăng trưởng đều đặn và các món ăn có hệ số tiêu thụ giảm mạnh theo các tháng kinh doanh. Đồng thời, mô hình đã kết xuất danh sách các tập phổ biến gồm 2 đến 3 món ăn có tần suất xuất hiện đồng thời cao nhất trên 15.155 hóa đơn.

Thảo luận kết quả

Nguyên nhân dẫn đến tính hiệu quả của các phát hiện trên bắt nguồn từ giải pháp phân loại món ăn theo bản chất nguyên vật liệu và phương thức chế biến. Trong thực tế vận hành nhà hàng, nếu khai phá trực tiếp trên 719 món ăn riêng lẻ, dữ liệu sẽ bị phân tán nghiêm trọng (Data Sparsity) do số lượng tổ hợp quá lớn so với dung lượng 15.155 hóa đơn. Bằng cách gộp nhóm theo 146 nguyên vật liệu nền tảng, thuật toán Apriori đã tập trung được mật độ dữ liệu, giúp phát hiện ra các quy luật hành vi tiêu dùng chân thực.

So sánh với các nghiên cứu tiền nhiệm như công trình của Wen-Yu Chiang năm 2010 về khai phá luật kết hợp giá trị khách hàng trên thị trường mua sắm trực tuyến hay nghiên cứu của Xiaobing Liu năm 2012 về tối ưu hóa thuật toán tập phổ biến lớn nhất, kết quả của luận văn này đã giải quyết triệt để bài toán hiệu năng bằng cách gắn trực tiếp các chiều nguyên vật liệu và cách chế biến vào bảng sự kiện chi tiết hóa đơn. Điều này giúp giảm số lần quét bảng trung gian và rút ngắn thời gian xử lý đa chiều.

Dữ liệu kết quả được trực quan hóa mạch lạc thông qua hai định dạng chính:

• Bảng ma trận nhị phân hiển thị sự hiện diện của 15 loại món ăn trên từng hóa đơn (gán giá trị 1 cho trường hợp có gọi món và giá trị 0 cho trường hợp không gọi món).
• Biểu đồ đường xu hướng tiêu thụ (Linear Trendline) xuất ra định dạng bảng tính, biểu diễn trực quan độ dốc tiêu thụ của từng mã món ăn theo các mốc thời gian, giúp nhà quản trị nhận biết biến động nhu cầu thị trường mà không cần xử lý các phép toán phức tạp.

Đề xuất và khuyến nghị

Dựa trên kết quả khai phá dữ liệu, nghiên cứu đưa ra 4 nhóm giải pháp chiến lược dành cho doanh nghiệp kinh doanh nhà hàng:

1. Thiết kế và phát hành các gói thực đơn kết hợp (Combo Menu): Bộ phận Bếp trưởng và Phòng Marketing cần phối hợp xây dựng tối thiểu 5 gói combo mới dựa trên các tập luật kết hợp có độ tin cậy từ 85% trở lên. Mục tiêu cụ thể là nâng giá trị trung bình trên mỗi hóa đơn thêm 15% đến 20% trong vòng 3 tháng đầu triển khai.
2. Tinh lọc danh mục thực đơn và cắt giảm chi phí tồn kho: Giám đốc điều hành cùng Quản lý nhà hàng cần thực hiện rà soát định kỳ 6 tháng một lần toàn bộ 719 món ăn trong thực đơn. Cần loại bỏ hoặc cải tiến công thức đối với các món ăn có hệ số hồi quy suy giảm liên tục qua 2 quý liên tiếp, qua đó giảm 10% đến 12% chi phí lãng phí nguyên vật liệu tồn trữ.
3. Tự động hóa quy trình cập nhật và trích xuất Data Mart: Đội ngũ Công nghệ thông tin cần thiết lập cơ chế trích xuất, biến đổi và nạp dữ liệu (ETL) tự động theo chu kỳ hàng tuần từ cơ sở dữ liệu tác nghiệp sang Data Mart. Giải pháp này giúp rút ngắn thời gian chuẩn bị báo cáo phân tích kinh doanh từ 2 ngày làm việc xuống dưới 30 phút.
4. Triển khai chương trình đào tạo kỹ năng bán hàng chéo (Cross-selling): Bộ phận Nhân sự cần tổ chức các khóa huấn luyện nghiệp vụ cho 91 nhân viên phục vụ, trang bị quy tắc gợi ý món ăn kèm dựa trên các tập luật phổ biến đã được kiểm chứng. Mục tiêu là đạt tỷ lệ khách hàng đồng ý gọi thêm món theo gợi ý trên 25% trong vòng 1 tháng sau đào tạo.

Đối tượng nên tham khảo luận văn

Nội dung và kết quả nghiên cứu của luận văn mang lại giá trị thiết thực cho 4 nhóm đối tượng:

1. Giám đốc điều hành và Quản lý chuỗi nhà hàng (F&B): Nắm bắt phương pháp khoa học để xây dựng thực đơn combo, tối ưu hóa danh mục món ăn và đưa ra các quyết định tiếp thị dựa trên dữ liệu định lượng thay vì phỏng đoán cảm tính.
2. Chuyên viên phân tích dữ liệu và Kỹ sư Business Intelligence: Tham khảo quy trình thực tế về việc chuyển đổi cơ sở dữ liệu tác nghiệp (OLTP) sang kho dữ liệu theo chủ đề (Data Mart) dạng hình sao và phương pháp xử lý dữ liệu thưa trong ngành bán lẻ dịch vụ.
3. Giảng viên, Học viên cao học và Nghiên cứu sinh ngành Hệ thống thông tin: Sử dụng luận văn như một tài liệu tham khảo hoàn chỉnh về ứng dụng thuật toán Apriori, lý thuyết tập phổ biến và mô hình KDD trong các bài toán kinh doanh thực tiễn.
4. Các đơn vị phát triển giải pháp phần mềm quản lý nhà hàng (POS/ERP): Tích hợp module khai phá dữ liệu tự động và thuật toán gợi ý món ăn vào các sản phẩm phần mềm thương mại nhằm nâng cao giá trị gia tăng cho khách hàng doanh nghiệp.

Câu hỏi thường gặp

Tại sao cần chuyển đổi cơ sở dữ liệu giao dịch sang Data Mart trước khi khai phá dữ liệu?

Cơ sở dữ liệu giao dịch tác nghiệp được thiết kế theo các dạng chuẩn nhằm đảm bảo tính toàn vẹn khi thêm, sửa, xóa dữ liệu hàng ngày nhưng lại gây nghẽn hiệu năng nghiêm trọng khi thực hiện các truy vấn phân tích phức tạp. Việc chuyển đổi sang mô hình Data Mart dạng hình sao giúp loại bỏ hơn 54% dữ liệu dư thừa, tổ chức dữ liệu theo chiều phân tích và tăng tốc độ xử lý cho các thuật toán khai phá.

Thuật toán Apriori giải quyết bài toán kinh doanh nào trong nhà hàng?

Thuật toán Apriori tìm kiếm các mối quan hệ ẩn giữa các món ăn được gọi đồng thời trên 15.155 hóa đơn. Khi xác định được các quy luật có độ tin cậy trên 80%, nhà quản trị có thể thiết lập các combo khuyến mãi có cơ sở khoa học và đào tạo nhân viên phục vụ gợi ý món ăn kèm chính xác theo thị hiếu khách hàng.

Cách thức giải quyết bài toán dữ liệu thưa khi thực đơn có quá nhiều món ăn là gì?

Khi số lượng món ăn lớn (hơn 1.000 món) nhưng số lượng hóa đơn có hạn, tần suất xuất hiện đồng thời của từng món riêng biệt sẽ rất nhỏ. Nghiên cứu đã giải quyết vấn đề này bằng cách chuẩn hóa và phân nhóm 719 món ăn theo 146 loại nguyên vật liệu chính và cách chế biến, từ đó làm tăng mật độ xuất hiện của các thuộc tính và trích xuất được các tập luật có ý nghĩa thống kê.

Phương pháp hồi quy tuyến tính đóng vai trò gì trong việc quản lý thực đơn?

Phương pháp hồi quy tuyến tính được ứng dụng để phân tích chuỗi thời gian số lượng tiêu thụ của từng món ăn, giúp xác định đường xu hướng tăng hoặc giảm liên tục. Thông tin này giúp nhà quản lý chủ động lên kế hoạch thu mua nguyên vật liệu, điều chỉnh chính sách giá hoặc loại bỏ kịp thời các món không còn được ưa chuộng.

Người quản lý không có chuyên môn lập trình có thể sử dụng kết quả của đề tài không?

Đề tài đã xây dựng các ứng dụng giao diện trực quan, tự động hóa các thao tác xử lý dữ liệu phức tạp và kết xuất báo cáo dưới dạng bảng số liệu, biểu đồ trên phần mềm bảng tính quen thuộc. Người quản lý chỉ cần thực hiện các thao tác lựa chọn cơ bản để xem xét kết quả hỗ trợ ra quyết định.

Kết luận

• Luận văn đã thiết kế thành công mô hình Data Mart dạng hình sao tối ưu từ 15.155 hóa đơn giao dịch thực tế của nhà hàng.
• Chuẩn hóa cấu trúc 719 món ăn dựa trên 146 nhóm nguyên vật liệu và phương thức chế biến, giải quyết triệt để bài toán phân tán dữ liệu.
• Ứng dụng hiệu quả thuật toán Apriori để phát hiện các quy luật kết hợp gọi món có độ tin cậy cao phục vụ xây dựng combo thực đơn.
• Triển khai thành công mô hình hồi quy tuyến tính nhằm định lượng chính xác xu hướng tiêu thụ của từng nhóm món ăn theo chu kỳ thời gian.
• Đóng gói toàn bộ mô hình lý thuyết thành ứng dụng trực quan, tạo công cụ hỗ trợ ra quyết định đắc lực cho nhà quản trị doanh nghiệp.

Trong giai đoạn tiếp theo kéo dài 6 tháng, hệ thống có thể mở rộng tích hợp thêm các thuật toán phân cụm khách hàng (Clustering) và phân tích cảm xúc từ đánh giá dịch vụ. Quý độc giả, các nhà nghiên cứu và nhà quản trị doanh nghiệp hãy tham khảo chi tiết toàn văn luận văn thạc sĩ để ứng dụng ngay các mô hình khai phá dữ liệu tiên tiến vào thực tiễn quản trị và tối ưu hóa hoạt động kinh doanh.

Trích đoạn nội dung tài liệu

chương 1 đã trình bày, cấu trúc của CSDL có ưu điểm là chặt chẽ do phải thoả mãn các dạng chuẩn (các ràng buộc) và ưu điểm này có lợi khi quản trị dữ liệu nhưng đối với khai phá dữ liệu thì đó là nhược điểm vì do quá chặt chẽ nên làm chậm quá trình khai phá, rút trích dữ liệu và càng khó khăn hơn trên khối lượng dữ liệu rất lớn là đặc trưng trong khai phá dữ liệu (data mining). Vì vậy kho dữ liệu (Data warehouse) ra đời nhằm giúp hỗ trợ tối đa cho quá trình khai phá dữ liệu. Thông thường, một kho dữ liệu được xem như một CSDL mà được duy trì tách biệt từ những CSDL tác nghiệp (operational database) của tổ chức. Nó thường được tích hợp với một hệ thống ứng dụng đa dạng để hỗ trợ xử lý thông tin và phân tích dữ liệu bằng cách cung cấp một nền tảng đồng nhất cho việc hợp nhất, lịch sử hoá dữ liệu.Inmon, một nhà kiến trúc hàng đầu của việc xây dựng data warehouse, thì Data warehouse được định nghĩa như một “tập hợp dữ liệu hướng - 9 - đối tượng, tích hợp, có tính ổn định, thay đổi theo thời gian hỗ trợ cho việc ra quyết định”.

Cấu trúc của kho dữ liệu Cấu trúc kho dữ liệu được xây dựng dựa trên các hệ quản trị CSDL quan hệ, có chức năng giống như một kho lưu trữ thông tin trung tâm. Trong đó, dữ liệu tác nghiệp và phần xử lý được tách riêng khỏi quá trình xử lý kho dữ liệu. Kho lưu trữ trung tâm được bao quanh bởi các thành phần được thiết kế để làm cho kho dữ liệu có thể hoạt động, quản lý và truy nhập được từ người dùng đầu cuối cũng như từ các nguồn dữ liệu. Cấu trúc kho dữ liệu Hình 2.2 cho ta thấy kho dữ liệu bao gồm bảy phần: 1.

Dữ liệu nguồn (là các ứng dụng tác nghiệp hoặc các CSDL tác nghiệp) và các công cụ chiết xuất, làm sạch và chuyển đổi dữ liệu. Kho dữ liệu trung tâm (Metadata). Kho dữ liệu trong DBMS bao gồm các kỹ thuật xây kho dữ liệu. Các công cụ truy vấn (query), báo cáo (reporting), phân tích trực tuyến (OLAP) và khai phá dữ liệu (data mining).

Đây chính là các cách khai phá kho dữ liệu để đem lại những tri thức. Quản trị kho dữ liệu. Hệ thống phân phối thông tin. Thành phần thứ 4 (kho dữ liệu theo chủ đề (Data mart)) là thành phần mà đề tài quan tâm và sẽ xây dựng để giải quyết các vấn đề, là nơi các dữ liệu được khoanh vùng theo chủ đề tới một giới hạn nào đó và có thể được thay đổi cho phù hợp với nhu cầu của từng bộ phận người dùng.

Một kho dữ liệu có thể được phân tích thành nhiều kho dữ liệu chủ đề và ngược lại một tập hợp các kho dữ liệu theo chủ đề có thể tạo thành một kho dữ liệu[4].  Data mart được lưu trữ ở nhiều dạng như: bảng tính chẳng hạn như excel, hay ở dạng view được truy vấn từ CSDL trong hệ quản trị CSDL hoặc dựa trên hệ thống OLAP (đây là mô hình đề tài sử dụng) Hình 2. Sơ đồ data mart trên cơ sở hệ thống OLAP[5]  Lược đồ data mart phổ biến là dạng hình sao (Star Schema) với mô hình là một bảng chi phối lớn ở giữa, được gọi là bảng sự kiện (fact table) và nhiều kết nối đến các bảng còn lại (xem hình 2. Các bảng - 11 - còn lại, được gọi là các bảng chiều (dimension table), mỗi bảng chỉ có một liên kết đến bảng sự kiện.

Mỗi dòng trong bảng sự kiện bao gồm nhiều ô (con trỏ), một ô trỏ đến một bảng chiều để cung cấp toạ độ đa chiều của nó, và lưu trữ các độ đo cho các toạ độ này. Mỗi bảng chiều bao gồm các cột tương đương với các thuộc tính của chiều. Các bảng chiều mô tả và bổ sung thông tin cho bảng sự kiện [4]. Lược đồ data mart dạng hình sao [5] 2.

Hệ thống Business Intelligence (BI) 2. Khái niệm BI có thể được định nghĩa là một tập các mô hình toán học và các phương pháp phân tích nhằm khai phá dữ liệu có sẵn để tạo ra thông tin và tri thức hữu ích cho quá trình ra quyết định [6]. Kiến trúc của BI Kiến trúc của BI (hình 2.5) bao gồm 3 thành phần chính [6]:  Các nguồn dữ liệu (Data sources: operational systems, external data,.): là nơi tích hợp và thu thập các dữ liệu được lưu trữ trong các nguồn dữ liệu cấp thấp khác nhau, không đồng nhất về nguồn gốc và loại. Các nguồn dữ liệu đa phần được thu thập từ các hệ thống tác nghiệp nhưng cũng có thể bao gồm các tài liệu phi cấu trúc như email và các dữ liệu nhận được từ các nhà cung cấp bên ngoài.

Do đó, vấn đề quan trọng là làm sao để thống nhất và tích hợp các nguồn dữ liệu khác nhau này.  Kho dữ liệu và kho dữ liệu theo chủ đề (Data warehouse và data marts như logistics, marketing,…): sử dụng các công cụ khai phá và chuyển đổi như ETL (Extract – Transform – Load) để lưu trữ các nguồn dữ liệu khác nhau vào một - 12 - CSDL chung nhằm hỗ trợ phân tích kinh doanh. Các CSDL đó thường được gọi là data warehouse và data marts.  Các phương pháp BI: dữ liệu được trích xuất, xử lý lần cuối sau đó dùng để phục vụ cho các mô hình toán học và các phương pháp phân tích nhằm hỗ trợ việc ra quyết định.

Trong một hệ thống BI, một số ứng dụng hỗ trợ ra quyết định có thể được thực hiện như: o Phân tích các khối đa chiều (Multidimensional cubes) o Phân tích chuỗi thời gian (Time series) o Khai phá dữ liệu (Data mining) o Mô hình tối ưu hóa (Optimization models) Hình 2. Kiến trúc của BI 2. Phương pháp khai phá luật kết hợp dựa trên thuật toán Apriori 2. Một số khái niệm Cho bảng số liệu A gồm n dòng với N thuộc tính  X 1 , X 2 , ., X N  , X , Y là hai tập con của X 1 , X 2 ,.

Gọi E  X  và E  Y  lần lượt là các biểu thức điều kiện trên X và Y. Tỷ lệ giữa số dòng trong bảng A thoả E  X  trên tổng số dòng n được gọi là độ phổ biến của E  X  , ký hiệu Support  E  X  . Độ phổ biến Support  E  X   còn được hiểu là xác suất E  X  được thoả trong bảng A, ký hiệu P  E  X  . Phép kéo theo logic E  X   E  Y  (đọc là “nếu thoả E  X  thì thoả E  Y  ”) được gọi là một luật kết hợp (associated rule) trên bảng A.

- 13 - Độ phổ biến của luật kết hợp E X  E Y , ký hiệu Support  E  X   E  Y  , được xác định bởi: Support  E  X   E  Y    Support  E  X   E  Y  . Độ tin cậy (confidence), hay xác suất, của luật E  X   E  Y  , ký hiệu Conf  E  X   E  Y   , được xác định bởi xác suất E  Y  xảy ra với điều kiện E  X  đã xảy ra:  Conf  E  X   E  Y    P E  Y  E  X   P E  Y   E  X   P  E  X  Support  E  X   E  Y    Support  E  X   Nhận xét : với luật d  E  X   E  Y  , khi Conf  d  và Support  d  lớn, ta nói rằng luật d rất đúng, nghĩa là nếu xét một dòng t bất kỳ trong bảng A, nếu t thoả E  X  thì ta sẽ có cơ may để t thoả E  Y  là rất lớn, và bởi vì Support  d  cũng lớn, nên ta có thể dùng luật này như một mô hình dự báo cho các dòng t ở những thể hiện khác của bảng A. Thuật toán tổng quát xác định luật kết hợp Cho bảng dữ liệu A gồm N thuộc tính:  X 1 , X 2 ,.  x 1m  là tập các giá trị rời rạc của X1 ; 1 V2  x 21  x 22 .

 x 2m2  là tập các giá trị rời rạc của X 2 ;.  x Nm N  là tập các giá trị rời rạc của X. N Thuật toán tổng quát để xác định tất cả các luật kết hợp trên A có dạng: Input: - Bảng dữ liệu A. - Các ngưỡng minsupp, minconf: độ phổ biến và độ tin cậy tối thiểu.

Output: - Các luật kết hợp có dạng E  X   E  Y  , với X, Y là các tập con của X 1 , X 2 , ., N N  , và Conf  E  X   E  Y    minconf , - 14 - Support  E  X   E  Y    minsupp. Xử lý: Với mọi X , Y là các tập con của  X 1 , X 2 ,.  Tính Conf  E  X   E  Y   , Support  E  X   E  Y   , với E  X  và E  Y  là các biểu thức điều kiện có dạng E  X  : " X k1  t1 , X k 2  t 2 ,. - Nếu Conf  E X  E Y   minconf và Support  E  X   E  Y    minsupp thì chọn luật này.

Nhận xét: Khi A có N thuộc tính thì số tập con có thể có là 2N , do đó, số cặp tập con X , Y cần phải xét là 2  2N  2N1. Thuật toán Apriori Input và Output: giống như của thuật toán tổng quát ở 2. Xử lý: Giai đoạn 1: Xác định L là tập các điều kiện phổ biến. Bước 2: Xác định Cp là tập hợp các tập con của I có p phần tử, C p  X  I, X  p.

Nếu Cp    thì kết thúc giai đoạn 1 của thuật toán và trả về L.