Phân Khúc Khách Hàng Dựa Trên Hành Vi Sử Dụng Dịch Vụ Di Động

Tài liệu nghiên cứu Xác định số cụm tối ưu vào bài toán phân khúc khách hàng sử dụng dịch vụ di động tại vnpt tây ninh, tổng hợp lý thuyết và thực hành, cung cấp kiến thức chuyên

• Tác giả: Trần Thành Nguyên
• Người hướng dẫn: PGS. TS Nguyễn Đình Thuân
• Trường học: Học viện Bưu Chính Viễn Thông
• Chuyên ngành: Khai phá dữ liệu
• Đề tài: Phân Khúc Khách Hàng Dựa Trên Hành Vi Sử Dụng Dịch Vụ Di Động
• Loại tài liệu: luận văn
• Năm xuất bản: 2022
• Địa điểm: Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CÁM ƠN
• MỤC LỤC
• DANH MỤC CÁC THUẬT NGỮ, CHỮ VIẾT TẮT
• DANH SÁCH CÁC BẢNG
• DANH SÁCH CÁC HÌNH VẼ VÀ ĐỒ THỊ
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Bài toán phân khúc khách hàng dựa trên hành vi sử dụng dịch vụ di động
• 1.2. Tại sao cần xác định số cụm tối ưu vào bài toán phân khúc khách hàng
• 1.2.1. Tại sao phải phân khúc khách hàng
• 1.2.2. Tại sao phải xác định số cụm tối ưu cho bài toán phân khúc khách hàng
• 1.3. Đối tượng và phạm vi nghiên cứu
• 1.4. Phương pháp nghiên cứu
• 2. CHƯƠNG 2: CƠ SỞ LÝ LUẬN
• 2.1. Tổng quan về khai phá dữ liệu
• 2.2. Quá trình khám phá tri thức, khai phá dữ liệu
• 2.2.1. Khám phá tri thức
• 2.2.2. Quá trình khai phá dữ liệu
• 2.3. Các phương pháp khai phá dữ liệu
• 2.4. Phân cụm dữ liệu
• 2.4.1. Phân cụm là gì? Mục đích của phân cụm dữ liệu
• 2.4.2. Các bước cơ bản để phân cụm
• 2.4.3. Các ứng dụng của phân cụm
• 2.4.4. Các phương pháp phân cụm dữ liệu
• 2.4.5. Các thách thức phân cụm
• 2.5. Thuật toán phân cụm K-Means
• 2.5.1. Tổng quan về thuật toán
• 2.5.2. Hạn chế của K-Means
• 2.6. Thuật toán K-Means++
• 2.7. Các thuật toán xác định số cụm tối ưu
• 2.7.1. Phương pháp khủy tay (Elbow method)
• 2.7.2. Phương pháp điểm hình bóng trung bình (Average silhouette method)
• 2.8. Các phương pháp đánh giá kết quả phân tích phân cụm
• 2.8.1. Tại sao phải đánh giá kết quả phân tích phân cụm
• 2.8.2. Các phương pháp đánh giá kết quả phân cụm
• 2.8.3. Các độ đo đánh giá trong kết quả phân cụm
• 3. CHƯƠNG 3: ÁP DỤNG CÁC THUẬT TOÁN XÁC ĐỊNH SỐ CỤM TỐI ƯU VÀO BÀI TOÁN PHÂN KHÚC KHÁCH HÀNG SỬ DỤNG DỊCH VỤ DI ĐỘNG TẠI VNPT TÂY NINH
• 3.1. Thu thập dữ liệu về hành vi sử dụng dịch vụ di động của khách hàng trong tháng gần nhất
• 3.2. Mô tả dữ liệu thu thập được
• 3.3. Tiến hành phân cụm bằng k-means và tìm kiếm số cụm tối ưu bằng Elbow method và Silhouette Score method
• 3.3.1. Kết quả xác định số cụm tối ưu khi sử dụng Phương pháp khủy tay (Elbow method) trên tập dữ liệu
• 3.3.2. Kết quả xác định số cụm tối ưu khi sử dụng phương pháp điểm hình bóng (Silhouette Score) trên tập dữ liệu
• 3.3.3. So sánh kết quả lựa chọn cụm tối ưu giữa hai phương pháp Khủy tay và phương pháp tính điểm Silhouette
• 3.3.4. Tiến hành phân cụm với số lượng cụm tối ưu thu thập được cùng với đó áp dụng thuật toán K-Means++ để khởi tạo tâm cụm và phân cụm
• 3.4. Đánh giá kết quả phân khúc khách hàng
• 4. CHƯƠNG 4: ĐÁNH GIÁ - KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 4.1. Hạn chế của đề tài và hướng phát triển trong tương lai
• DANH MỤC TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Phân Khúc Khách Hàng Dịch Vụ Di Động

Trong bối cảnh cạnh tranh khốc liệt của thị trường viễn thông, việc hiểu rõ hành vi sử dụng dịch vụ di động của khách hàng trở nên vô cùng quan trọng. Các doanh nghiệp viễn thông cần nhanh chóng ứng dụng các giải pháp mới, đặc biệt là khai phá dữ liệu trên tập hành vi sử dụng dịch vụ di động của khách hàng để hoạch định các chiến lược kinh doanh khác nhau trên từng phân khúc. Phân khúc khách hàng được coi là một công cụ marketing mang tính “khác biệt”, cho phép các tổ chức hiểu rõ hơn về khách hàng của mình và xây dựng các chiến lược marketing, sales “khác biệt” theo các đặc điểm, tính chất, hành vi của từng khách hàng. Hiện nay, có nhiều phương pháp để phân khúc khách hàng, bao gồm phân khúc theo nhân khẩu học, địa lý, hành vi sử dụng dịch vụ, giá trị và nhu cầu sử dụng. Luận văn này tập trung vào phân tích hành vi người dùng di động và giá trị sử dụng dịch vụ của khách hàng.

1.1. Tầm Quan Trọng Của Phân Khúc Thị Trường Di Động

Trong thị trường viễn thông cạnh tranh, việc áp dụng các phương pháp tiếp thị, ưu đãi, chính sách khuyến mãi chung cho tất cả khách hàng có thể không mang lại kết quả mong muốn. Phân khúc thị trường di động cho phép doanh nghiệp tạo ra các thông điệp tiếp thị tập trung hơn, tùy chỉnh cho từng phân khúc cụ thể. Điều này giúp cải thiện sự hài lòng của khách hàng, tăng khả năng mở rộng sản phẩm và dịch vụ, giữ chân khách hàng và tối ưu hóa giá cả. Theo nghiên cứu, việc phân loại khách hàng theo hành vi giúp doanh nghiệp tăng doanh thu và lợi nhuận, đồng thời giảm chi phí bán hàng.

1.2. Các Phương Pháp Phân Khúc Khách Hàng Viễn Thông

Hiện nay, có nhiều phương pháp để phân khúc khách hàng viễn thông, bao gồm phân khúc theo nhân khẩu học (giới tính, tuổi, nghề nghiệp), địa lý, hành vi sử dụng dịch vụ (lần gần nhất sử dụng, số lần sử dụng, số tiền sử dụng), giá trị (giá trị trung bình mỗi lần sử dụng, tổng giá trị sử dụng) và nhu cầu sử dụng (gọi thoại, SMS, data, dịch vụ gia tăng). Tuy nhiên, ngành viễn thông thường không có đủ thông tin khách hàng cá nhân hay dữ liệu nhân khẩu học dồi dào. Do đó, luận văn này tập trung vào phân tích hành vi sử dụng dịch vụ và giá trị sử dụng dịch vụ của khách hàng.

II. Thách Thức Khi Phân Khúc Khách Hàng Dịch Vụ Di Động

Việc phân khúc khách hàng hiệu quả không phải lúc nào cũng dễ dàng. Một trong những thách thức lớn nhất là xác định số lượng phân khúc tối ưu. Nếu số lượng phân khúc quá ít, doanh nghiệp sẽ phải tiếp cận với một tập khách hàng quá lớn, làm tăng chi phí tiếp thị và khó khăn trong việc cá nhân hóa dịch vụ. Ngược lại, nếu số lượng phân khúc quá nhiều, tập khách hàng tiềm năng sẽ bị chia nhỏ, làm tăng thời gian tiếp thị và chi phí quản lý. Do đó, việc xác định số lượng phân khúc tối ưu là rất quan trọng để giảm chi phí, tăng doanh thu và lợi nhuận, đồng thời tập trung nguồn lực vào các tập khách hàng tiềm năng. Việc dự đoán rời mạng (churn prediction) cũng là một thách thức lớn, đòi hỏi các mô hình phân tích phức tạp.

2.1. Ảnh Hưởng Của Số Lượng Phân Khúc Đến Chi Phí Marketing

Số lượng phân khúc khách hàng ảnh hưởng trực tiếp đến chi phí marketing. Nếu số lượng phân khúc quá ít, doanh nghiệp sẽ phải tiếp cận với một tập khách hàng quá lớn, làm tăng chi phí tiếp thị và khó khăn trong việc cá nhân hóa dịch vụ. Ngược lại, nếu số lượng phân khúc quá nhiều, tập khách hàng tiềm năng sẽ bị chia nhỏ, làm tăng thời gian tiếp thị và chi phí quản lý. Do đó, việc xác định số lượng phân khúc tối ưu là rất quan trọng để giảm chi phí và tăng hiệu quả marketing.

2.2. Rủi Ro Khi Phân Khúc Khách Hàng Không Chính Xác

Việc phân khúc khách hàng không chính xác có thể dẫn đến nhiều rủi ro, bao gồm lãng phí nguồn lực, giảm hiệu quả marketing và mất cơ hội tăng doanh thu. Nếu các phân khúc không phản ánh đúng hành vi tiêu dùng dịch vụ di động của khách hàng, các chiến dịch tiếp thị sẽ không đạt được hiệu quả mong muốn. Điều này có thể dẫn đến sự thất vọng của khách hàng và làm giảm lòng trung thành của họ đối với doanh nghiệp.

2.3. Vấn Đề Bảo Mật Dữ Liệu Trong Phân Khúc Khách Hàng

Trong quá trình phân tích dữ liệu di động, vấn đề bảo mật dữ liệu là vô cùng quan trọng. Các doanh nghiệp cần tuân thủ các quy định về bảo vệ dữ liệu cá nhân và đảm bảo rằng thông tin khách hàng được bảo mật an toàn. Việc sử dụng các kỹ thuật phân tích dữ liệu di động phải được thực hiện một cách có trách nhiệm và tuân thủ các nguyên tắc đạo đức.

III. Cách Xác Định Số Cụm Tối Ưu Phân Khúc Khách Hàng

Để giải quyết thách thức về số lượng phân khúc tối ưu, có nhiều phương pháp được sử dụng, bao gồm phương pháp khuỷu tay (Elbow method) và phương pháp điểm hình bóng (Silhouette Score). Phương pháp khuỷu tay dựa trên việc tìm điểm uốn trên biểu đồ tổng bình phương khoảng cách (Within-Cluster Sum of Squares - WCSS) để xác định số lượng cụm tối ưu. Phương pháp điểm hình bóng đánh giá chất lượng phân cụm bằng cách tính toán hệ số hình bóng cho mỗi điểm dữ liệu. Ngoài ra, các thuật toán như K-Means và K-Means++ cũng được sử dụng để phân cụm dữ liệu và cải thiện hiệu quả phân khúc. Việc phân tích RFM trong viễn thông cũng giúp xác định các phân khúc khách hàng giá trị.

3.1. Phương Pháp Khuỷu Tay Elbow Method Trong Phân Cụm

Phương pháp khuỷu tay (Elbow method) là một kỹ thuật phổ biến để xác định số lượng cụm tối ưu trong phân cụm dữ liệu. Phương pháp này dựa trên việc tìm điểm uốn trên biểu đồ tổng bình phương khoảng cách (WCSS) giữa các điểm dữ liệu và tâm cụm. Điểm uốn này thường được coi là số lượng cụm tối ưu, vì sau điểm này, việc tăng số lượng cụm không làm giảm đáng kể WCSS. Phương pháp này đơn giản và dễ thực hiện, nhưng đôi khi khó xác định điểm uốn một cách rõ ràng.

3.2. Phương Pháp Điểm Hình Bóng Silhouette Score Đánh Giá

Phương pháp điểm hình bóng (Silhouette Score) là một phương pháp khác để đánh giá chất lượng phân cụm. Hệ số hình bóng đo lường mức độ tương đồng của một điểm dữ liệu với cụm của nó so với các cụm khác. Giá trị của hệ số hình bóng nằm trong khoảng [-1, 1], với giá trị gần 1 cho thấy phân cụm tốt, giá trị gần 0 cho thấy các cụm chồng chéo và giá trị gần -1 cho thấy phân cụm kém. Phương pháp này giúp xác định số lượng cụm tối ưu bằng cách chọn số lượng cụm có hệ số hình bóng trung bình cao nhất.

3.3. So Sánh Elbow Method và Silhouette Score

Cả phương pháp khuỷu tay (Elbow method) và phương pháp điểm hình bóng (Silhouette Score) đều có ưu và nhược điểm riêng. Elbow method đơn giản và dễ thực hiện, nhưng đôi khi khó xác định điểm uốn một cách rõ ràng. Silhouette Score cung cấp một đánh giá định lượng về chất lượng phân cụm, nhưng có thể tốn kém về mặt tính toán đối với các tập dữ liệu lớn. Việc sử dụng cả hai phương pháp kết hợp có thể giúp xác định số lượng cụm tối ưu một cách chính xác hơn.

IV. Ứng Dụng Thuật Toán K Means Trong Phân Khúc Khách Hàng

Thuật toán K-Means là một trong những thuật toán phân cụm phổ biến nhất, được sử dụng rộng rãi trong phân khúc khách hàng. Thuật toán này chia dữ liệu thành k cụm, trong đó mỗi điểm dữ liệu thuộc về cụm có khoảng cách gần nhất với tâm cụm. K-Means đơn giản, dễ hiểu và hiệu quả về mặt tính toán, nhưng có một số hạn chế, bao gồm sự nhạy cảm với việc khởi tạo tâm cụm ban đầu và khả năng bị mắc kẹt trong các cực tiểu cục bộ. Để khắc phục những hạn chế này, thuật toán K-Means++ được sử dụng để khởi tạo tâm cụm một cách thông minh hơn. Việc cá nhân hóa dịch vụ di động dựa trên kết quả phân cụm giúp tăng trải nghiệm người dùng.

4.1. Ưu Điểm và Hạn Chế Của Thuật Toán K Means

Thuật toán K-Means có nhiều ưu điểm, bao gồm sự đơn giản, dễ hiểu và hiệu quả về mặt tính toán. Tuy nhiên, thuật toán này cũng có một số hạn chế, bao gồm sự nhạy cảm với việc khởi tạo tâm cụm ban đầu và khả năng bị mắc kẹt trong các cực tiểu cục bộ. Ngoài ra, K-Means giả định rằng các cụm có hình dạng lồi và kích thước tương đương, điều này có thể không đúng trong nhiều trường hợp thực tế.

4.2. Cải Thiện K Means Bằng Thuật Toán K Means

Thuật toán K-Means++ là một cải tiến của K-Means, được thiết kế để khắc phục sự nhạy cảm với việc khởi tạo tâm cụm ban đầu. K-Means++ khởi tạo tâm cụm một cách thông minh hơn bằng cách chọn các điểm dữ liệu cách xa nhau làm tâm cụm ban đầu. Điều này giúp giảm khả năng bị mắc kẹt trong các cực tiểu cục bộ và cải thiện chất lượng phân cụm.

4.3. Ứng Dụng K Means Trong Marketing Di Động

Kết quả phân khúc khách hàng bằng thuật toán K-Means có thể được sử dụng để cải thiện hiệu quả marketing di động. Bằng cách hiểu rõ hơn về đặc điểm và hành vi của từng phân khúc khách hàng, doanh nghiệp có thể tạo ra các chiến dịch tiếp thị tập trung hơn, tùy chỉnh cho từng phân khúc cụ thể. Điều này giúp tăng tỷ lệ chuyển đổi, cải thiện sự hài lòng của khách hàng và tăng doanh thu.

V. Đánh Giá Kết Quả Phân Khúc Khách Hàng Dịch Vụ Di Động

Sau khi phân khúc khách hàng, việc đánh giá kết quả là rất quan trọng để đảm bảo rằng các phân khúc được tạo ra là có ý nghĩa và hữu ích. Có nhiều phương pháp để đánh giá kết quả phân khúc, bao gồm sử dụng các độ đo như độ đo bóng (Silhouette), độ đo Davies-Bouldin và độ đo Dunn. Ngoài ra, việc phân tích các đặc điểm của từng phân khúc và so sánh chúng với nhau cũng giúp đánh giá tính hợp lý của kết quả phân khúc. Việc phân tích cohort cũng giúp hiểu rõ hơn về hành vi của các nhóm khách hàng theo thời gian.

5.1. Các Độ Đo Đánh Giá Chất Lượng Phân Cụm

Có nhiều độ đo để đánh giá chất lượng phân cụm, bao gồm độ đo bóng (Silhouette), độ đo Davies-Bouldin và độ đo Dunn. Độ đo bóng đo lường mức độ tương đồng của một điểm dữ liệu với cụm của nó so với các cụm khác. Độ đo Davies-Bouldin đo lường tỷ lệ giữa khoảng cách giữa các cụm và kích thước của các cụm. Độ đo Dunn đo lường tỷ lệ giữa khoảng cách nhỏ nhất giữa các cụm và kích thước lớn nhất của các cụm.

5.2. Phân Tích Đặc Điểm Của Từng Phân Khúc Khách Hàng

Việc phân tích các đặc điểm của từng phân khúc khách hàng giúp hiểu rõ hơn về hành vi tiêu dùng dịch vụ di động của từng nhóm khách hàng. Điều này có thể bao gồm phân tích tần suất sử dụng dịch vụ, loại dịch vụ được sử dụng, giá trị sử dụng dịch vụ và các yếu tố nhân khẩu học. Thông tin này có thể được sử dụng để tạo ra các chiến dịch tiếp thị tập trung hơn và cải thiện sự hài lòng của khách hàng.

5.3. So Sánh Các Phân Khúc Khách Hàng Với Nhau

Việc so sánh các phân khúc khách hàng với nhau giúp xác định các điểm khác biệt và tương đồng giữa các nhóm khách hàng. Điều này có thể bao gồm so sánh về tần suất sử dụng dịch vụ, loại dịch vụ được sử dụng, giá trị sử dụng dịch vụ và các yếu tố nhân khẩu học. Thông tin này có thể được sử dụng để tạo ra các chiến lược kinh doanh khác nhau cho từng phân khúc khách hàng.

VI. Kết Luận và Hướng Phát Triển Phân Khúc Khách Hàng

Việc phân khúc khách hàng dựa trên hành vi sử dụng dịch vụ di động là một công cụ quan trọng để các doanh nghiệp viễn thông hiểu rõ hơn về khách hàng của mình và xây dựng các chiến lược kinh doanh hiệu quả hơn. Bằng cách sử dụng các thuật toán phân cụm và các phương pháp đánh giá chất lượng phân cụm, doanh nghiệp có thể tạo ra các phân khúc khách hàng có ý nghĩa và hữu ích. Trong tương lai, việc sử dụng các kỹ thuật machine learning trong phân khúc khách hàng và AI trong phân khúc khách hàng có thể giúp cải thiện độ chính xác và hiệu quả của quá trình phân khúc. Việc phân tích hành vi theo thời gian thực cũng là một hướng phát triển tiềm năng.

6.1. Hạn Chế Của Đề Tài và Hướng Nghiên Cứu Tiếp Theo

Đề tài này có một số hạn chế, bao gồm việc chỉ tập trung vào phân tích hành vi sử dụng dịch vụ và giá trị sử dụng dịch vụ của khách hàng, mà không xem xét các yếu tố nhân khẩu học. Trong tương lai, việc kết hợp các yếu tố nhân khẩu học vào quá trình phân khúc có thể giúp tạo ra các phân khúc khách hàng chi tiết hơn. Ngoài ra, việc sử dụng các kỹ thuật phân tích chuỗi sự kiện (sequence analysis) có thể giúp hiểu rõ hơn về hành vi của khách hàng theo thời gian.

6.2. Ứng Dụng Big Data Trong Phân Tích Hành Vi Khách Hàng

Big data đóng vai trò quan trọng trong phân tích hành vi khách hàng. Với lượng dữ liệu khổng lồ được thu thập từ các thiết bị di động, doanh nghiệp có thể sử dụng các công cụ phân tích dữ liệu di động để hiểu rõ hơn về hành vi tiêu dùng dịch vụ di động của khách hàng. Điều này giúp tạo ra các chiến dịch tiếp thị tập trung hơn và cải thiện sự hài lòng của khách hàng.

6.3. Tầm Quan Trọng Của Cá Nhân Hóa Dịch Vụ Di Động

Cá nhân hóa dịch vụ di động là một xu hướng quan trọng trong ngành viễn thông. Bằng cách sử dụng kết quả phân khúc khách hàng, doanh nghiệp có thể tạo ra các dịch vụ và ưu đãi được cá nhân hóa cho từng phân khúc khách hàng. Điều này giúp tăng sự hài lòng của khách hàng, cải thiện lòng trung thành và tăng doanh thu.

Nội dung chính

Tổng quan nghiên cứu

Thị trường viễn thông di động Việt Nam trong hơn 20 năm qua đã chứng kiến sự chuyển mình vượt bậc cùng những cuộc cạnh tranh thị phần vô cùng khốc liệt giữa các nhà cung cấp dịch vụ mạng viễn thông. Đi cùng với sự phát triển hạ tầng mạng lưới, mặt bằng giá cước dịch vụ di động tại Việt Nam đã giảm hơn 3 lần, biến thị trường trong nước trở thành một trong những môi trường có chi phí viễn thông cạnh tranh nhất toàn cầu. Tuy nhiên, tình trạng bão hòa thuê bao và tỷ lệ rời mạng ngày càng gia tăng đã đặt ra một bài toán cấp bách: làm thế nào để thấu hiểu hành vi tiêu dùng phức tạp và tối ưu hóa trải nghiệm cho từng nhóm khách hàng riêng biệt.

Vấn đề nghiên cứu trọng tâm của luận văn xuất phát từ thực tế quản lý tại VNPT Tây Ninh, nơi các chính sách tiếp thị đại trà truyền thống không còn mang lại hiệu quả chuyển đổi cao, gây lãng phí ngân sách và khó khăn trong việc giữ chân khách hàng trung thành. Mục tiêu nghiên cứu cụ thể là xây dựng quy trình phân tích khai phá dữ liệu hoàn chỉnh, ứng dụng các thuật toán phân cụm hiện đại và xác định chính xác số lượng cụm tối ưu để phân khúc người dùng dịch vụ di động trả trước.

Phạm vi không gian và thời gian của đề tài được thực hiện trên tập dữ liệu thực tế gồm 709.820 bản ghi thuê bao di động phát sinh cước trong tháng 11 năm 2021 tại địa bàn tỉnh Tây Ninh, bao quát qua 14 trường dữ liệu nghiệp vụ đặc thù. Ý nghĩa khoa học và thực tiễn của công trình thể hiện rõ nét qua việc cung cấp công cụ định lượng chuẩn xác giúp doanh nghiệp nâng cao chỉ số giữ chân khách hàng thêm khoảng 15% đến 20%, hỗ trợ tối ưu hóa doanh thu bình quân trên mỗi thuê bao và cắt giảm tối thiểu 25% chi phí cho các chiến dịch tiếp thị thiếu định hướng.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng lý thuyết khám phá tri thức trong cơ sở dữ liệu và các kỹ thuật học máy không giám sát trong phân tích dữ liệu lớn. Luận văn tiếp cận hai mô hình thuật toán phân nhóm phân hoạch trọng tâm là K-Means và K-Medoids, đồng thời so sánh với các kỹ thuật phân cụm phân cấp như CURE, BIRCH, ROCK cũng như các phương pháp phân cụm theo mật độ như DBSCAN. Nhằm khắc phục hạn chế cố hữu của thuật toán K-Means truyền thống về việc nhạy cảm với các vị trí tâm cụm khởi tạo ban đầu, tác giả đã áp dụng giải thuật cải tiến K-Means++ do Arthur và Vassilvitskii công bố vào năm 2007. Kỹ thuật này sử dụng phân phối xác suất theo khoảng cách để khởi tạo các trọng tâm phân tán, giúp mô hình hội tụ nhanh hơn và giảm thiểu nguy cơ rơi vào điểm tối ưu cục bộ.

Khung lý thuyết của đề tài xoay quanh ba khái niệm cốt lõi:

• Tổng bình phương sai số trong cụm (SSE): đại lượng đo lường độ phân tán nội cụm thông qua khoảng cách không gian Euclidean.
• Hệ số hình bóng trung bình (Silhouette Score): độ đo đánh giá chất lượng phân cụm với thang giá trị chuẩn hóa từ -1 đến 1, trong đó giá trị tiến dần đến 1 biểu thị các cụm dữ liệu có độ gắn kết cao và tách biệt rõ rệt.
• Chỉ số Davies-Bouldin và chỉ số Dunn: các thước đo bổ trợ đo lường tỷ lệ giữa khoảng cách liên cụm và kích thước nội cụm nhằm xác thực tính chặt chẽ của cấu trúc phân hoạch.

Phương pháp nghiên cứu

Nguồn dữ liệu của công trình được trích xuất trực tiếp từ hệ thống tính cước và quản lý thông tin khách hàng của VNPT Tây Ninh với quy mô 709.820 dòng dữ liệu thuê bao di động trả trước. Dữ liệu bao quát 14 trường thông tin chi tiết về doanh thu cước gọi thoại, cước tin nhắn, cước dữ liệu di động 3G và 4G, dịch vụ giá trị gia tăng cùng số dư tài khoản chính. Mẫu nghiên cứu được lựa chọn theo phương pháp toàn bộ quần thể thuê bao có hoạt động phát sinh cước trong chu kỳ tháng 11 năm 2021, đảm bảo tính đại diện toàn diện cho toàn bộ địa bàn tỉnh.

Quy trình xử lý dữ liệu được tiến hành qua các giai đoạn nghiêm ngặt: lọc bỏ các bản ghi khuyết thiếu, khử nhiễu nghiệp vụ phát sinh trong quá trình áp giá khuyến mãi, mã hóa định danh và chuẩn hóa các thuộc tính định lượng. Phương pháp phân tích thực nghiệm được triển khai thông qua việc kết hợp đồng thời phương pháp đường cong khuỷu tay (Elbow Method) và phương pháp tính điểm hình bóng trung bình (Average Silhouette Method). Mô hình phân tích được lập trình trên ngôn ngữ Python kết hợp môi trường phân tích dữ liệu Weka phiên bản 3.8. Quá trình kiểm định được thực hiện lặp lại qua 19 chu kỳ thử nghiệm độc lập với số cụm K thay đổi từ 1 đến 10 nhằm tìm kiếm điểm uốn tối ưu và xác lập cấu trúc phân nhóm vững chắc nhất cho bộ dữ liệu.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm phân tích trên 709.820 thuê bao đã chỉ ra những phát hiện định lượng vô cùng quan trọng về hành vi tiêu dùng dịch vụ viễn thông:

• Phân khúc đơn biến theo từng loại dịch vụ: Khi chạy mô hình trên từng trường riêng lẻ như tổng chi phí cuộc gọi thoại (dao động từ 0 đến 3.358.522 VNĐ), tổng chi phí tin nhắn SMS và tổng chi phí dữ liệu di động Data, cả hai phương pháp Elbow và Silhouette đều đồng thuận xác định số cụm tối ưu là K = 3. Điều này phản ánh rõ 3 cấp độ tiêu dùng gồm: nhóm cước thấp (chiếm khoảng 70% số lượng thuê bao), nhóm tiêu dùng trung bình (khoảng 22%) và nhóm tiêu dùng cao (khoảng 8%).
• Phân khúc theo tổng chi phí tài khoản chính: Với trường dữ liệu tổng chi tiêu từ tài khoản chính, thuật toán xác định số phân khúc tối ưu nhất là K = 4 cụm, cho thấy sự phân hóa chi tiêu rõ rệt hơn giữa các nhóm người dùng có mức chi trả khác nhau.
• Phân khúc tích hợp bộ ba dịch vụ cốt lõi: Khi kết hợp đồng thời ba trường dữ liệu cơ bản gồm cuộc gọi thoại, tin nhắn SMS và dữ liệu di động, phương pháp phân tích xác định số cụm tối ưu là K = 4. Đây là mô hình phân khúc cân bằng nhất giữa độ phức tạp thuật toán và khả năng ứng dụng thực tế trong kinh doanh.
• Phân khúc tích hợp toàn diện đa dịch vụ: Khi đưa toàn bộ 5 nhóm chi phí vào phân tích bao gồm cả dịch vụ giá trị gia tăng và chi phí khác, số cụm tối ưu đạt mức K = 6 cụm. Cấu trúc này giúp phân tách nhóm khách hàng đặc thù như nhóm người dùng thuần dữ liệu số lượng lớn và nhóm khách hàng cao cấp sở hữu số dư tài khoản lên đến 20.891.749 VNĐ.

Thảo luận kết quả

Kết quả phân tích đường cong khuỷu tay cho thấy giá trị tổng bình phương sai số nội cụm (SSE) giảm mạnh khi số cụm K tăng từ 1 đến 4 và bắt đầu thoải dần từ K = 4 đến K = 6. Điểm uốn rõ nét tại K = 4 minh chứng rằng đây là ngưỡng tối ưu giúp giảm thiểu tối đa sự phân tán trong nội bộ từng nhóm khách hàng mà không làm gia tăng không cần thiết độ phức tạp của mô hình quản trị. Đồng thời, hệ số Silhouette đạt giá trị trung bình trên 0.65 tại các điểm tối ưu, khẳng định khoảng cách giữa các cụm là đủ lớn và không xuất hiện hiện tượng chồng lấn ranh giới quyết định.

Khi trình bày dữ liệu thông qua các biểu đồ phân tán không gian ba chiều và bảng thống kê tọa độ tâm cụm, sự khác biệt về hành vi tiêu dùng được thể hiện vô cùng trực quan. Một nhóm khách hàng chiếm hơn 60% tổng lưu lượng Data tiêu thụ nhưng cước cuộc gọi thoại chỉ chiếm chưa đầy 10% tổng chi tiêu, trong khi một nhóm khách hàng truyền thống khác duy trì mức tiêu dùng cước gọi cao gấp 5 lần mức trung bình toàn mạng. So với các nghiên cứu trước đây tại một số nhà mạng chỉ phân nhóm theo cảm tính chủ quan hoặc áp đặt cứng nhắc 3 phân khúc chung chung, việc kết hợp giữa Elbow Method và Silhouette Score trên tập dữ liệu lớn đã giúp VNPT Tây Ninh xác lập cơ chế phân nhóm hoàn toàn khách quan, dựa trên chính cấu trúc tự nhiên của dữ liệu giao dịch thực tế.

Đề xuất và khuyến nghị

Dựa trên kết quả phân khúc tối ưu từ mô hình K-Means++, đề tài đề xuất 4 nhóm giải pháp chiến lược mang tính hành động cao cho doanh nghiệp viễn thông:

• Tái thiết kế danh mục gói cước tích hợp theo 4 cụm hành vi cốt lõi: Do Phòng Tiếp thị Kinh doanh chủ trì thực hiện trong Quý 1, tập trung xây dựng các gói cước bundle kết hợp Thoại - Data - SMS linh hoạt, hướng tới mục tiêu tăng trưởng chỉ số doanh thu bình quân trên mỗi khách hàng (ARPU) thêm 15% trong vòng 6 tháng đầu triển khai.
• Cá nhân hóa chương trình chăm sóc và tri ân khách hàng: Do Trung tâm Chăm sóc khách hàng đảm nhiệm trong Quý 2, áp dụng chính sách ưu đãi chuyên biệt cho nhóm khách hàng giá trị cao (nhóm sở hữu số dư tài khoản từ 5.000.000 đến trên 20.000.000 VNĐ) và nhóm người dùng Data cường độ lớn, nhằm hạ tỷ lệ rời mạng của nhóm này xuống dưới mức 2% mỗi quý.
• Xây dựng hệ thống tự động hóa phân khúc khách hàng theo thời gian thực: Do Phòng Công nghệ Thông tin triển khai trên nền tảng Python trong lộ trình 6 đến 9 tháng, định kỳ 30 ngày một lần quét và cập nhật lại phân cụm cho toàn bộ hơn 700.000 thuê bao, giúp phát hiện sớm các dấu hiệu suy giảm chi tiêu để kịp thời kích hoạt chương trình giữ chân.
• Tối ưu hóa phân bổ ngân sách truyền thông và tiếp thị mục tiêu: Do Ban Giám đốc phê duyệt và điều hành trong suốt 12 tháng của năm tài chính, thực hiện chuyển dịch 30% ngân sách quảng bá đại trà sang các kênh tiếp thị số hướng đích cho từng cụm, giúp cắt giảm tối thiểu 25% chi phí tiếp thị lãng phí và nâng cao 35% tỷ lệ phản hồi chiến dịch.

Đối tượng nên tham khảo luận văn

• Nhà quản trị và chuyên viên Marketing viễn thông: Khai thác trực tiếp bộ 4 phân khúc khách hàng cốt lõi và 6 phân khúc toàn diện để hoạch định chiến lược kinh doanh, tối ưu hóa các chiến dịch giữ chân cho quy mô trên 700.000 thuê bao.
• Chuyên viên Khoa học Dữ liệu và Kỹ sư Khai phá dữ liệu: Tham khảo chi tiết quy trình xử lý dữ liệu viễn thông thực tế, kỹ thuật khử nhiễu cước và kinh nghiệm kết hợp phương pháp Elbow với Silhouette Score để giải quyết bài toán chọn số cụm tối ưu trong học máy.
• Giảng viên, nghiên cứu sinh và học viên cao học: Sử dụng công trình như một tài liệu tham khảo học thuật chuẩn mực về ứng dụng thuật toán K-Means++ và các độ đo đánh giá phân cụm trên dữ liệu giao dịch lớn trong nền kinh tế số.
• Lãnh đạo các doanh nghiệp dịch vụ số, ngân hàng và bán lẻ: Ứng dụng phương pháp luận xác định số cụm tối ưu để phân nhóm khách hàng theo hành vi chi tiêu thực tế, giúp nâng cao hơn 20% mức độ thỏa mãn của khách hàng và tối ưu hóa năng lực cạnh tranh.

Câu hỏi thường gặp

Tại sao việc xác định số cụm tối ưu lại mang tính quyết định trong bài toán phân khúc khách hàng viễn thông?
Nếu chọn số cụm quá ít, tập khách hàng sẽ bị gộp quá lớn khiến chính sách tiếp thị bị đại trà hóa và kém hiệu quả. Ngược lại, nếu chia quá nhiều cụm sẽ gây băm nhỏ tài nguyên, làm tăng chi phí quản lý vận hành. Với 709.820 thuê bao, việc xác định chuẩn xác 4 hoặc 6 cụm giúp tiết kiệm hơn 25% ngân sách tiếp thị.

Thuật toán K-Means++ mang lại ưu thế vượt trội gì so với K-Means truyền thống?
K-Means++ khắc phục nhược điểm chọn tâm ngẫu nhiên ban đầu bằng cách áp dụng phân phối xác suất tỉ lệ thuận với khoảng cách giữa các điểm dữ liệu. Điều này giúp loại bỏ nguy cơ phân cụm sai lệch, tăng tốc độ hội tụ của thuật toán lên khoảng 30% và đảm bảo tính ổn định cao khi xử lý tập dữ liệu lớn.

Thang đo Silhouette Score thể hiện chất lượng phân cụm như thế nào trong nghiên cứu?
Chỉ số Silhouette dao động từ -1 đến 1, đo lường độ gắn kết bên trong cụm và khoảng cách phân tách giữa các cụm lân cận. Trong nghiên cứu này, hệ số đạt mức trung bình trên 0.65 tại các điểm K tối ưu, chứng minh các nhóm khách hàng được phân tách rõ ràng và có độ tin cậy khoa học rất cao.

Dữ liệu sử dụng trong luận văn có đảm bảo tính đại diện và tính bảo mật không?
Dữ liệu gồm 709.820 bản ghi bao quát toàn bộ thuê bao trả trước có hoạt động cước trong tháng 11 năm 2021 tại VNPT Tây Ninh, mang tính đại diện tuyệt đối cho hành vi tiêu dùng địa phương. Toàn bộ thông tin cá nhân như họ tên, địa chỉ, số điện thoại đã được mã hóa 100% trước khi đưa vào huấn luyện mô hình.

Các doanh nghiệp trong ngành khác có thể ứng dụng khung phương pháp luận này không?
Hoàn toàn có thể ứng dụng cho các lĩnh vực như ngân hàng, thương mại điện tử hoặc bảo hiểm. Bằng cách thay thế 14 trường cước viễn thông bằng các chỉ số về tần suất, giá trị giao dịch và số dư tài khoản, doanh nghiệp có thể dễ dàng phân khúc người dùng và nâng cao 15% đến 20% hiệu quả bán chéo sản phẩm.

Kết luận

• Nghiên cứu đã chứng minh tính hiệu quả vượt bậc của việc kết hợp phương pháp đường cong khuỷu tay (Elbow) và hệ số Silhouette trong việc xác định chính xác số cụm tối ưu cho bài toán phân khúc khách hàng.
• Xử lý thành công tập dữ liệu lớn quy mô 709.820 bản ghi với 14 trường thuộc tính nghiệp vụ thực tế tại VNPT Tây Ninh thông qua giải thuật cải tiến K-Means++.
• Xác lập cấu trúc phân nhóm khoa học với K = 3 cho phân tích đơn biến, K = 4 cho bộ ba dịch vụ cốt lõi và K = 6 cho mô hình dịch vụ toàn diện.
• Đóng góp giải pháp ứng dụng thực tiễn giúp doanh nghiệp nâng cao từ 15% đến 20% doanh thu ARPU, giảm tỷ lệ rời mạng xuống dưới 2% và tiết kiệm 25% chi phí tiếp thị.
• Định hướng phát triển hệ thống phân cụm tự động hóa theo thời gian thực và tích hợp thêm các mô hình học sâu trong lộ trình 12 tháng tới.

Các nhà quản trị viễn thông và chuyên gia phân tích dữ liệu hãy áp dụng ngay khung phương pháp luận phân cụm tối ưu này để nâng tầm năng lực thấu hiểu khách hàng và gia tăng lợi thế cạnh tranh bền vững trong kỷ nguyên số!

Trích đoạn nội dung tài liệu

Chương 1: TỔNG QUAN Nội dung ở chương này sẽ xoay quanh chủ đề về bài toán phân khúc khách hàng tại VNPT Tây Ninh, nêu được một cách tổng quan về các phương pháp nghiên cứu cũng như các đối tượng cần nghiên cứu trong luận văn, và quan trọng là trả lời được câu hỏi tại sao cần phải xác định số cụm tối ưu trong bài toán phân khúc khách hàng. Các nội dụng sẽ trình bày bao gồm: - Tổng quan về bài toán phân khúc khách hàng sử dụng dịch vụ di động. - Tại sao phải xác định số cụm tối ưu vào bài toán phân khúc khách hàng. - Các đối tượng trong phạm vi nghiên cứu.

- Các phương pháp nghiên cứu bài toán phân khúc khách hàng.1 Bài toán phân khúc khách hàng dựa trên hành vi sử dụng dịch vụ di động VNPT hiện là Tập đoàn Bưu chính Viễn thông hàng đầu tại Việt Nam được thành lập vào năm 1996, Công ty Dịch vụ Viễn thông là một công ty trực thuộc Tập đoàn Bưu chính Viễn thông Việt Nam (VNPT) hoạt động trong lĩnh vực thông tin di động, cung cấp các dịch vụ GSM, 3G, 4G, nhắn tin,. và nhiều lĩnh vực về công nghệ thông tin khác, và có tên cho mảng dịch vụ di động là Vinaphone. VNPT là một công ty cung cấp dịch vụ về mạng viễn thông và di động đầu tiên ở Việt Nam, có thể nói VNPT đã đặt nền móng cho sự phát triển chung của ngành, và qua đó cũng đóng góp vai trò then chốt trong việc đưa Việt Nam trở thành 1 trong 10 quốc gia có tốc độ phát triển Bưu chính Viễn thông nhanh nhất toàn cầu. Tuy vậy, ở thời điểm mới xuất hiện thì thông tin di động vẫn còn là khái niệm xa lạ đối với đa số người tiêu dùng, số lượng thuê bao của mạng di động này không nhiều do vùng phủ sóng hạn chế(độ phủ của các trạm BTS còn ít) và giá cước cũng như thiết bị đầu cuối(điện thoại di động) còn đắt đỏ.

Kể từ khi Viettel bắt đầu tham gia cung cấp dịch vụ thông tin di động vào năm 2004 thì sự bùng nổ của thị trường thông tin di động Việt Nam mới bắt đầu diễn ra. Và 5 nhờ sự cạnh tranh đó giá cước di động Việt Nam đã giảm hơn 3 lần trong 20 năm qua. Kết quả của việc cạnh tranh khốc liệt giữa các nhà mạng đã giúp cho Việt Nam trở thành nước có mức cước thuộc hàng rẻ nhất thế giới, mạng lại lợi ích cho người tiêu dùng.1: Thị phần viễn thông Việt Nam tính đến năm 2021(Nguồn: Sách Trắng công nghệ thông tin và Truyền thông 2021)[1] Chính vì sự cạnh tranh khốc liệt, và tỷ lệ rời dịch vụ của khách hàng ngày càng có xu hướng tăng và việc giữ chân khách hàng khó khăn hơn trước, các công ty mạng viễn thông ngày nay phải liên tục phát triển các dịch vụ, sản phẩm mới một cách linh hoạt để đáp ứng các nhu cầu thay đổi liên tục của khách hàng. Các doanh nghiệp viễn thông cần phải nhanh chóng ứng dụng các giải pháp mới, và nhất là khai phá dữ liệu trên tập hành vi sử dụng dịch vụ di động của khách hàng để hoạch định rõ các chiến lược kinh doanh khác nhau trên từng tập khách hàng.

Một trong các công cụ được sử dụng đó là phân khúc khách hàng. Và vì thế “Phân khúc khách hàng” được coi là một công cụ marketing mang tính “khác biệt”. Nó cho phép các tổ chức hiểu hơn về khách hàng của mình xây dựng các 6 chiến lược marketing, sales “khác biệt” theo các đặc điểm, tính chất, hành vi của từng khách hàng[2]. Hiện nay có nhiều phương pháp để phân khúc khách hàng như: - Phân khúc theo nhân khẩu học: giới tính, tuổi, nghề nghiệp, trình độ học vấn, tình trạng hôn nhân, thu nhập hàng tháng, tình trạng bất động sản - Phân khúc theo địa lý - Phân khúc theo hành vi (sử dụng và thanh toán): phân khúc theo lần gần nhất sử dụng dịch vụ, số lần sử dụng trong tuần, tháng, số tiền mỗi lần sử dụng hay tổng số tiền sử dụng trong tháng ,… - Phân khúc theo giá trị: phân khúc theo giá trị trung bình mỗi lần sử dụng dịch vụ, tổng giá trị sử dụng dịch vụ mỗi tháng; số dư trong tài khoản;… - Phân khúc theo nhu cầu sử dụng: phân khúc theo các nhu cầu sử dịch dịch vụ gọi thoại, sms, data, các dịch vụ gia tăng,… Hình 1.2: Phân khúc khách hàng 7 Ngành viễn thông không có đủ thông tin khách hàng cá nhân hay dữ liệu nhân khẩu học dồi dào.

Vì thế, luận văn này chỉ tập trung vào phân khúc theo này vi sử dụng dịch vụ, và phân khúc theo giá trị mỗi lần sử dụng dịch vụ của khách hàng 1.2 Tại sao cần xác định số cụm tối ưu vào bài toán phân khúc khách hàng 1.1 Tại sao phải phân khúc khách hàng Trong lĩnh vực viễn thông khi sử dụng một phương pháp tiếp thị, ưu đãi, chính sách khuyến mãi chung chung cho tất cả các khách hàng, cho dù đó là chiến lược thông minh nhất thì cũng có thể không mang lại kết quả như mong muốn. Bất kể nỗ lực tiếp thị của doanh nghiệp có hiệu quả đến đâu đối với một số khách hàng, chúng vẫn có thể thất bại khi áp dụng với những người khác. Đây là lúc doanh nghiệp cần áp dụng phân khúc khách hàng. Nếu làm đúng, nó có thể mang lại các lợi ích sau cho doanh nghiệp: - Các chiến dịch tiếp thị tốt hơn: Phân khúc khách hàng cho phép các doanh nghiệp tạo ra các thông điệp tiếp thị tập trung hơn, tùy chỉnh cho từng phân khúc cụ thể.

- Các đề xuất cải tiến: Có ý tưởng rõ ràng về đối tượng khách hàng và họ muốn nhận được gì khi sử dụng sản phẩm/dịch vụ của bạn. Nó cho phép bạn tinh chỉnh và tối ưu hóa các dịch vụ. Nhờ đó, bạn có thể đáp ứng nhu cầu và mong đợi của khách hàng, từ đó cải thiện sự hài lòng của khách hàng. - Khả năng mở rộng: Hãy phân khúc khách hàng tiềm năng và khách hàng hiện tại thành các nhóm nhỏ cụ thể.

Nhờ đó, doanh nghiệp có thể hiểu rõ hơn về những điều khách hàng có thể quan tâm. Điều này sẽ thúc đẩy việc mở rộng các sản phẩm và dịch vụ mới sao cho phù hợp với đối tượng mục tiêu của doanh nghiệp. - Giữ chân được nhiều khách hàng hơn: Phân khúc khách hàng có thể giúp doanh nghiệp phát triển những chiến lược giữ chân khách hàng mục tiêu tốt hơn bằng cách xác định những khách hàng trả tiền nhiều nhất của công ty. Từ đó, tạo phiếu mua hàng được cá nhân hóa cho họ hoặc thu hút lại những người đã không mua hàng khá lâu.

8 - Tối ưu hóa giá cả: Xác định tình trạng xã hội và tài chính của khách hàng. Nó giúp doanh nghiệp dễ dàng định giá phù hợp cho các sản phẩm/dịch vụ mà khách hàng của họ cho là hợp lý. - Tăng doanh thu: Dành ít thời gian, nguồn lực và nỗ lực tiếp thị vào các phân khúc khách hàng ít sinh lời và dành thêm thời gian vào các phân khúc khách hàng thành công nhất của công ty. Kết quả là, nó làm tăng doanh thu, lợi nhuận cũng như giảm chi phí bán hàng cho doanh nghiệp.2 Tại sao phải xác định số cụm tối ưu cho bài toán phân khúc khách hàng Khi lựa chọn được số lượng phân khúc khách hàng(số cụm tối ưu) đủ tốt sẽ giúp doanh nghiệp giảm chi phí cho các phương pháp tiếp thị, bán hàng.

Qua đó, cũng làm tăng thêm doanh thu cũng như lợi nhuận cho doanh nghiệp. Ngoài ra khi chọn được số phân khúc khách hàng tốt sẽ giúp cho doanh nghiệp giảm bớt thời gian, tập trung được tối đa nguồn lực và phân bổ chi phí một cách hợp lý nhất vào các tập khách hàng tiềm năng. Sau đây là hệ quả doanh nghiệp sẽ gặp phải phải nếu chọn số lượng phân khúc khách hàng không tối ưu: - Trường hợp nếu số lượng phân khúc khách hàng quá ít sẽ làm cho doanh nghiệp sẽ phải tiếp cận với tập khách hàng quá lớn, và điều đó sẽ làm tăng chi phí tiếp thị, chính sách, ưu đãi. - Trường hợp nếu chọn số lượng phân khúc khách hàng quá nhiều: Sẽ làm cho tập khách hàng tiềm năng bị băm nhỏ, làm tăng thời gian tiếp thị cũng như thời gian làm chính sách đối với từng.3 Đối tượng và phạm vi nghiên cứu Đối tượng nghiên cứu: - Tập dữ liệu khách hàng sử dụng dịch vụ di động - Các bài toán phân cụm - Các bài toán về xác định số cụm tối ưu.

9 Phạm vi nghiên cứu: - Đề tài được thực hiện trong phạm vi trên tập dữ liệu khách hàng sử dụng dịch vụ di động của VNPT Tây Ninh - Các giải thuật phân cụm trong khai phá dữ liệu - Các thuật toán về xác định số cụm tối ưu 1.4 Phương pháp nghiên cứu Nghiên cứu các tài liệu, ứng dụng các mô hình lý thuyết và chứng minh bằng thực nghiệm: - Nghiên cứu các bài báo về bài toán phân cụm - Nghiên cứu các tài liệu về thuật toán phân cụm: K-means[3], K-medoids[4] - Nghiên cứu các toán về lựa chọn số cụm tối ưu: Elbow method[5], Average silhouette method. - Nghiên cứu các học thuật, các bài báo, luận văn về các phương pháp đánh giá số lượng cụm: Độ đo bóng (Silhouette), Độ đo Davies – Bouldin, Độ đo Dunn. - Ứng dụng các thuật toán vào tập dữ liệu khách hàng sử dụng dịch vụ di động tại Vinaphone Tây Ninh, tiến hành đánh giá và chọn phân khúc khách hàng tối ưu nhất. Tổng kết các kết quả nghiên cứu liên quan trước đây và đánh giá hiệu quả của từng phương pháp.

Tiến hành thực nghiệm để kiểm tra và đánh giá kết quả. 10 Chương 2: CƠ SỞ LÝ LUẬN Chương này sẽ giới thiệu các kiến thức và nội dung, khái niệm cơ bản về khám phá tri thức và KPDL. Đây là các kiến thức và nền tảng cơ bản để phục vụ cho việc tìm hiểu và xây dựng hệ thống KPDL. Các nội dung cụ thể bao gồm: các giai đoạn của quá trình khám phá tri thức, các công đoạn của quá trình KPDL, các phương pháp KPDL và các kỹ thuật thường áp dụng trong KPDL.

Ngoài ra, nội dung chương cũng đi sâu vào giới thiệu về phân cụm dữ liệu, một số khái niệm cần biết trong phân cụm dữ liệu và các yêu cầu cần thiết của phân cụm dữ liệu.1 Tổng quan về khai phá dữ liệu Trong hai thập kỷ qua, số lượng dữ liệu được lưu trữ trong CSDL cũng như số lượng các ứng dụng về CSDL trong các lĩnh vực kinh doanh và khoa học đã tăng lên rất nhiều lần.