Phân Khúc Khách Hàng Trong Lĩnh Vực Bán Lẻ Xe Đạp Ứng Dụng Mô Hình RFM

Thấu hiểu khách hàng là nền tảng của mọi chiến lược kinh doanh thành công, đặc biệt trong ngành bán lẻ sản phẩm giá trị cao như xe đạp. 81 trang.

• Đề tài: Phân Khúc Khách Hàng Trong Lĩnh Vực Bán Lẻ Xe Đạp Ứng Dụng Mô Hình RFM

Mục lục chi tiết

• LỜI CẢM ƠN
• LỜI CAM ĐOAN
• DANH MỤC BẢNG BIỂU
• DANH MỤC HÌNH ẢNH
• DANH MỤC TỪ VIẾT TẮT
• 1. CHƯƠNG 1: TỔNG QUAN ĐỀ TÀI
• 1.1. Lý do chọn đề tài
• 1.2. Mục tiêu nghiên cứu
• 1.3. Phương pháp nghiên cứu
• 1.4. Quy trình nghiên cứu
• 1.5. Cấu trúc bài nghiên cứu
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VÀ MỘT SỐ NGHIÊN CỨU LIÊN QUAN
• 2.1. Hành vi khách hàng
• 2.2. Phân tích phân khúc khách hàng
• 2.3. Các phương pháp phân khúc khách hàng trước đó
• 2.4. Một số nghiên cứu trước đây
• 3. CHƯƠNG 3: PHƯƠNG PHÁP THỰC NGHIỆM
• 3.1. Thu thập dữ liệu
• 3.1.1. Về công ty AdventureWorks Cycles
• 3.1.2. Mô tả bộ dữ liệu
• 3.2. Tiền xử lý dữ liệu
• 3.2.1. Lựa chọn các thuộc tính
• 3.2.2. Làm sạch dữ liệu
• 3.2.3. Biến đổi dữ liệu
• 3.3. Thiết lập mô hình RFM
• 3.3.1. Tính điểm RFM tổng thể
• 3.3.2. Phân cụm và dán nhãn nhóm khách hàng
• 4. CHƯƠNG 4: KẾT QUẢ THỰC NGHIỆM VÀ THẢO LUẬN
• 4.1. Kết quả nghiên cứu
• 4.1.1. Phân tích nhóm khách hàng hứa hẹn (Promising)
• 4.1.2. Phân tích nhóm khách hàng mới (New Customers)
• 4.1.3. Phân tích nhóm khách hàng sắp ngủ (About to sleep)
• 4.1.4. Phân tích nhóm khách hàng ngủ đông (Hibernating)
• 5. CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 5.1. Kết luận và hướng phát triển
• 5.2. Chuẩn hoá dữ liệu
• 5.3. Tìm số cụm với phương pháp Elbow
• 5.4. Kiểm định chất lượng cụm với thuật toán Silhoutte
• 5.5. Trực quan hoá và nhận xét
• 5.5.1. Phân tích nhóm khách hàng trung thành (Cụm 0)
• 5.5.2. Phân tích nhóm khách hàng mới (Cụm 1)
• 5.5.3. Phân tích nhóm khách hàng không thường xuyên (Cụm 2)
• 5.6. Khuyến nghị và so sánh kết quả giữa hai mô hình thực nghiệm
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Hướng Dẫn Phân Khúc Khách Hàng Bán Lẻ Xe Đạp Từ A Z

Thấu hiểu khách hàng là nền tảng của mọi chiến lược kinh doanh thành công, đặc biệt trong ngành bán lẻ sản phẩm giá trị cao như xe đạp. Việc áp dụng một chiến dịch marketing chung cho tất cả khách hàng thường không mang lại hiệu quả mong muốn. Mỗi người tiêu dùng là một cá thể riêng biệt với nhu cầu và hành vi khác nhau. Do đó, phân khúc khách hàng (Customer Segmentation) trở thành một nhiệm vụ tối quan trọng. Đây là quá trình phân chia tệp khách hàng không đồng nhất thành các nhóm nhỏ đồng nhất hơn, dựa trên các đặc điểm chung như nhân khẩu học, địa lý, và đặc biệt là hành vi mua sắm. Trong bối cảnh kỹ thuật số, các mô hình phân tích dữ liệu mang lại lợi thế vượt trội. Mô hình RFM (Recency, Frequency, Monetary) là một trong những phương pháp hiệu quả và được áp dụng rộng rãi nhất. Mô hình này giúp doanh nghiệp xác định đâu là khách hàng trung thành, khách hàng tiềm năng, và cả những khách hàng có nguy cơ rời bỏ. Bằng cách phân tích ba yếu tố cốt lõi: lần mua hàng gần nhất (Recency), tần suất mua hàng (Frequency), và tổng giá trị chi tiêu (Monetary), các nhà bán lẻ xe đạp có thể xây dựng chân dung khách hàng chi tiết. Từ đó, họ có thể đưa ra các quyết định marketing chính xác, tối ưu hóa nguồn lực và gia tăng lòng trung thành của khách hàng, tạo nền tảng vững chắc cho sự phát triển bền vững.

1.1. Tầm quan trọng của việc thấu hiểu hành vi khách hàng

Hiểu biết về hành vi khách hàng là cơ sở cho việc xây dựng các chiến lược marketing hiệu quả, từ định vị sản phẩm đến phân khúc thị trường. Theo Hiệp hội Marketing Hoa Kỳ, hành vi khách hàng là sự tương tác giữa các yếu tố kích thích từ môi trường với nhận thức và hành động của con người. Quá trình này bao gồm những suy nghĩ, cảm nhận và hành động diễn ra trong suốt quá trình tiêu dùng. Các yếu tố như quảng cáo, giá cả, bao bì, hay ý kiến từ người khác đều có thể tác động mạnh mẽ đến quyết định mua hàng. Kotler & Levy định nghĩa đây là những hành vi cụ thể của một cá nhân khi ra quyết định mua sắm, sử dụng và loại bỏ sản phẩm. Đối với ngành bán lẻ xe đạp, việc phân tích hành vi khách hàng không chỉ dừng lại ở việc ai mua hàng, mà còn là tại sao họ mua, khi nào họ mua và quá trình ra quyết định của họ diễn ra như thế nào. Sự thấu hiểu này giúp doanh nghiệp tạo ra các thông điệp marketing phù hợp, cải thiện trải nghiệm mua sắm và xây dựng mối quan hệ lâu dài, từ đó tăng doanh số một cách ổn định.

1.2. Giới thiệu mô hình RFM trong phân tích ngành bán lẻ

Mô hình RFM là một phương pháp phân tích hành vi dựa trên dữ liệu giao dịch để phân nhóm khách hàng. Mô hình này tập trung vào ba chỉ số chính: Recency (R) - Thời gian kể từ lần mua hàng cuối cùng; Frequency (F) - Tổng số lần mua hàng trong một khoảng thời gian nhất định; và Monetary (M) - Tổng số tiền khách hàng đã chi tiêu. Ưu điểm lớn nhất của RFM là sự đơn giản nhưng hiệu quả cao. Nó cung cấp một cái nhìn sâu sắc về giá trị của từng khách hàng chỉ với ba chỉ số, giảm độ phức tạp của quá trình phân tích mà vẫn đảm bảo độ chính xác. Trong lĩnh vực bán lẻ xe đạp, mô hình RFM giúp các nhà quản trị nhanh chóng xác định các nhóm khách hàng quan trọng. Ví dụ, khách hàng có điểm R và F cao là những người mua sắm thường xuyên và gần đây, có thể là nhóm khách hàng trung thành nhất. Ngược lại, khách hàng có điểm R thấp (đã lâu không mua hàng) nhưng điểm M cao có thể là nhóm "không thể để mất" và cần các chiến dịch tái kích hoạt đặc biệt. Việc áp dụng mô hình RFM giúp doanh nghiệp tối ưu hóa lợi tức đầu tư (ROI) cho các hoạt động marketing.

II. Thách Thức Khi Phân Khúc Khách Hàng Truyền Thống Bán Lẻ

Trong môi trường kinh doanh cạnh tranh, các phương pháp phân khúc khách hàng truyền thống đang dần bộc lộ nhiều hạn chế. Việc phân nhóm khách hàng chỉ dựa trên quan sát thủ công, ghi chép cá nhân hoặc các yếu tố nhân khẩu học cơ bản như tuổi tác, giới tính không còn đủ để nắm bắt sự phức tạp trong hành vi người tiêu dùng hiện đại. Những phương pháp này thường mang tính chủ quan, kém hiệu quả và khó mở rộng khi quy mô dữ liệu tăng lên. Một nhà bán lẻ không thể ghi nhớ và đánh giá chính xác thông tin của hàng nghìn khách hàng chỉ dựa vào kinh nghiệm cá nhân. Điều này dẫn đến nguy cơ đánh giá sai nhu cầu, giới thiệu sai sản phẩm và làm mất lòng những khách hàng thân thiết. Vấn đề lớn nhất của ngành bán lẻ xe đạp, theo nghiên cứu về công ty AdventureWorks Cycles, là nhiều nhà bán lẻ vẫn còn phụ thuộc vào các mô hình cũ. Họ gặp khó khăn trong việc xác định khách hàng tiềm năng thực sự và đáp ứng kịp thời những thay đổi trong thị trường. Việc thiếu một hệ thống phân tích dữ liệu khoa học khiến các chiến dịch marketing trở nên dàn trải, tốn kém chi phí mà không mang lại hiệu quả đột phá. Do đó, nhu cầu về một phương pháp phân khúc khách hàng chính xác, dựa trên dữ liệu và có khả năng tự động hóa ngày càng trở nên cấp thiết.

2.1. Hạn chế của phương pháp phân nhóm thủ công cảm tính

Phương pháp phân nhóm khách hàng dựa trên quan sát và ghi nhận thủ công tồn tại những rủi ro rất lớn. Phương pháp này phụ thuộc nặng nề vào đánh giá cá nhân của nhân viên bán hàng, vốn dễ bị sai lệch và thiếu nhất quán. Một người không thể xử lý và phân tích một lượng lớn thông tin khách hàng, bao gồm lịch sử mua hàng, sở thích và các yếu tố tâm lý học. Việc "nhớ nhầm" thông tin của một khách hàng quen thuộc hay đưa ra nhận định sai lầm về hành vi của họ có thể gây tổn hại nghiêm trọng đến mối quan hệ với khách hàng. Hơn nữa, phương pháp này hoàn toàn không có khả năng mở rộng. Khi doanh nghiệp phát triển và số lượng khách hàng tăng lên, việc quản lý và phân khúc thủ công trở nên bất khả thi. Điều này dẫn đến việc bỏ lỡ các cơ hội marketing và không thể cá nhân hóa trải nghiệm khách hàng, làm giảm khả năng cạnh tranh của doanh nghiệp trên thị trường.

2.2. Khó khăn trong việc đáp ứng nhu cầu khách hàng đa dạng

Thị trường hiện đại được đặc trưng bởi sự đa dạng của khách hàng. Mỗi người có một lối sống, sở thích và kỳ vọng khác nhau. Việc áp dụng một chiến lược marketing chung cho tất cả mọi người là một sai lầm phổ biến, dẫn đến lãng phí nguồn lực. Khi không có sự phân khúc khách hàng chi tiết, doanh nghiệp không thể xác định được nhóm nào mang lại giá trị cao nhất hoặc nhóm nào có nguy cơ rời đi. Điều này khiến việc tùy chỉnh sản phẩm, dịch vụ và thông điệp truyền thông trở nên khó khăn. Ví dụ, một chiến dịch giảm giá có thể thu hút nhóm khách hàng nhạy cảm về giá nhưng lại không hiệu quả với nhóm khách hàng trung thành, những người quan tâm nhiều hơn đến chất lượng dịch vụ và trải nghiệm độc quyền. Do đó, việc thiếu các công cụ phân tích hiện đại như mô hình RFM khiến doanh nghiệp mất đi lợi thế cạnh tranh, không thể tối ưu hóa ngân sách quảng cáo và duy trì sự phát triển bền vững.

III. Bí Quyết Áp Dụng Mô Hình RFM Để Phân Khúc Khách Hàng

Việc triển khai Mô hình RFM là một quy trình có hệ thống, biến dữ liệu giao dịch thô thành những hiểu biết sâu sắc về khách hàng. Quá trình này bắt đầu từ việc thu thập và chuẩn bị dữ liệu, một bước nền tảng quyết định độ chính xác của toàn bộ mô hình. Dữ liệu cần thiết bao gồm mã định danh khách hàng, ngày giao dịch và giá trị đơn hàng. Nghiên cứu thực nghiệm trên bộ dữ liệu của AdventureWorks Cycles với hơn 121,254 giao dịch đã chứng minh tầm quan trọng của giai đoạn tiền xử lý. Dữ liệu cần được làm sạch để loại bỏ các bản ghi trùng lặp, không hợp lệ và xử lý các giá trị bị thiếu. Sau khi dữ liệu đã sẵn sàng, bước tiếp theo là tính toán ba giá trị cốt lõi: Recency, Frequency, và Monetary cho từng khách hàng. Dựa trên các giá trị này, khách hàng sẽ được chấm điểm, thường theo thang từ 1 đến 5. Cuối cùng, tổ hợp điểm số RFM sẽ được sử dụng để dán nhãn và phân chia khách hàng vào các nhóm có ý nghĩa như "Nhà vô địch (Champions)", "Khách hàng trung thành (Loyal)", hay "Ngủ đông (Hibernating)". Quy trình này cung cấp cho nhà bán lẻ một bản đồ chi tiết về tệp khách hàng, cho phép họ nhận diện và ưu tiên các nỗ lực marketing một cách hiệu quả nhất.

3.1. Quy trình thu thập và tiền xử lý dữ liệu giao dịch

Để xây dựng mô hình RFM, bước đầu tiên là thu thập dữ liệu giao dịch. Các thuộc tính cần thiết bao gồm CustomerKey (mã khách hàng), OrderDateKey (ngày đặt hàng), và Sales Amount (tổng tiền). Trong nghiên cứu thực nghiệm, bộ dữ liệu của AdventureWorks Cycles được sử dụng làm cơ sở. Sau khi sàng lọc, các thuộc tính này được trích xuất để phân tích. Giai đoạn tiền xử lý dữ liệu tiếp theo là cực kỳ quan trọng. Nó bao gồm việc làm sạch dữ liệu để loại bỏ các bản ghi trùng lặp hoặc không chính xác, đảm bảo định dạng dữ liệu nhất quán (ví dụ: chuyển đổi OrderDateKey sang định dạng ngày tháng chuẩn). Mặc dù bộ dữ liệu AdventureWorks tương đối sạch, việc kiểm tra các giá trị ngoại lai trong trường Sales Amount vẫn cần thiết. Quá trình này đảm bảo rằng dữ liệu đầu vào cho mô hình là đáng tin cậy, từ đó nâng cao độ chính xác của kết quả phân khúc khách hàng.

3.2. Phương pháp tính toán và chấm điểm R F M hiệu quả

Sau khi dữ liệu được làm sạch, các giá trị Recency (R), Frequency (F), và Monetary (M) được tính toán cho mỗi khách hàng. Recency được tính bằng cách lấy một ngày mốc (thường là ngày giao dịch cuối cùng trong bộ dữ liệu) trừ đi ngày mua hàng gần nhất của khách hàng. Frequency là tổng số đơn hàng mà khách hàng đã thực hiện. Monetary là tổng giá trị của tất cả các đơn hàng đó. Khi đã có ba giá trị này, bước tiếp theo là chấm điểm. Một phương pháp phổ biến là sử dụng phân vị (quintiles), chia khách hàng thành 5 nhóm bằng nhau cho mỗi chỉ số R, F, M và gán điểm từ 1 đến 5. Ví dụ, với Recency, khách hàng mua gần đây nhất sẽ nhận điểm 5, và người mua lâu nhất nhận điểm 1. Ngược lại, với Frequency và Monetary, khách hàng mua thường xuyên nhất và chi tiêu nhiều nhất sẽ nhận điểm 5. Hệ thống chấm điểm này chuẩn hóa dữ liệu và giúp việc so sánh giữa các khách hàng trở nên dễ dàng hơn.

3.3. Gán nhãn các nhóm khách hàng dựa trên điểm số RFM

Bước cuối cùng trong quy trình là dán nhãn (labelling) cho các nhóm khách hàng dựa trên tổ hợp điểm RFM của họ. Việc dán nhãn giúp chuyển đổi các con số thành các phân khúc có ý nghĩa, dễ hiểu và có thể hành động. Dựa trên điểm R và F, các nhãn phổ biến được sử dụng bao gồm: Champions (Nhà vô địch, điểm R và F cao nhất), Loyal Customers (Khách hàng trung thành), Potential Loyalist (Khách hàng tiềm năng trung thành), New Customers (Khách hàng mới), Promising (Khách hàng hứa hẹn), Need Attention (Cần chú ý), About To Sleep (Sắp ngủ), At Risk (Có rủi ro), và Hibernating (Ngủ đông). Ví dụ, một khách hàng với điểm RFM là 555 thuộc nhóm Champions, trong khi một khách hàng với điểm 111 thuộc nhóm Hibernating. Việc gán nhãn này cho phép các nhà bán lẻ nhanh chóng xác định đặc điểm của từng nhóm và xây dựng các chiến lược marketing phù hợp, từ việc tri ân khách hàng VIP đến việc kích hoạt lại những khách hàng không hoạt động.

IV. Cách Kết Hợp RFM và K Means Tối Ưu Phân Khúc Khách Hàng

Mặc dù mô hình RFM truyền thống rất mạnh mẽ, việc phân chia khách hàng dựa trên các ngưỡng điểm định sẵn đôi khi mang tính chủ quan. Để khắc phục điều này và tăng cường độ chính xác, việc kết hợp RFM với các thuật toán học máy không giám sát, đặc biệt là phân cụm K-means, đang trở thành một xu hướng tất yếu. Phương pháp này tận dụng sức mạnh của máy tính để tự động tìm ra các cụm (cluster) khách hàng tự nhiên trong dữ liệu RFM. Thay vì áp đặt các quy tắc phân nhóm, K-means sẽ nhóm các khách hàng có các giá trị R, F, M tương tự nhau vào cùng một cụm. Quá trình này giúp khám phá ra những phân khúc khách hàng mà phương pháp thủ công có thể bỏ sót. Nhiều nghiên cứu, bao gồm công trình của Onur DOĞAN và cộng sự (2018), đã chứng minh rằng việc kết hợp này mang lại sự hiểu biết khách hàng tốt hơn. Bằng cách để thuật toán tự xác định cấu trúc bên trong của dữ liệu, doanh nghiệp có thể tạo ra các phân khúc khách hàng khách quan và chính xác hơn. Điều này là cơ sở để đưa ra những quyết định dựa trên dữ liệu (data-driven decisions) hiệu quả hơn, từ đó tối ưu hóa các chiến dịch marketing và nâng cao trải nghiệm khách hàng trong ngành bán lẻ xe đạp.

4.1. Giới thiệu thuật toán học máy phân cụm K means

K-means là một trong những thuật toán học máy phân cụm phổ biến nhất. Mục tiêu của nó là phân chia một tập hợp gồm n điểm dữ liệu vào k cụm khác nhau, sao cho mỗi điểm dữ liệu thuộc về cụm có tâm (centroid) gần nhất. Thuật toán hoạt động theo một quy trình lặp đi lặp lại: khởi tạo ngẫu nhiên k tâm cụm, gán mỗi điểm dữ liệu vào tâm cụm gần nhất, sau đó tính toán lại vị trí của các tâm cụm dựa trên trung bình của các điểm trong cụm đó. Quá trình này tiếp tục cho đến khi vị trí các tâm cụm không còn thay đổi đáng kể. Trong bối cảnh phân khúc khách hàng, các điểm dữ liệu chính là các vector RFM của mỗi khách hàng. K-means giúp tự động nhóm những khách hàng có hành vi mua hàng tương đồng lại với nhau một cách khách quan, dựa trên khoảng cách toán học.

4.2. Lợi ích của việc tích hợp RFM với thuật toán phân cụm

Kết hợp mô hình RFM với K-means mang lại nhiều lợi ích vượt trội. Thứ nhất, nó loại bỏ tính chủ quan trong việc xác định các ngưỡng điểm để phân nhóm khách hàng. Thuật toán K-means tự tìm ra các cụm tối ưu dựa trên cấu trúc tự nhiên của dữ liệu, giúp các phân khúc trở nên rõ ràng và khác biệt hơn. Thứ hai, phương pháp này có khả năng khám phá các mẫu hành vi phức tạp và các phân khúc ẩn mà việc dán nhãn thủ công có thể bỏ qua. Thứ ba, nó mang lại tính linh hoạt cao, cho phép xác định số lượng cụm (k) phù hợp nhất với bộ dữ liệu cụ thể thông qua các kỹ thuật như phương pháp Elbow hoặc chỉ số Silhouette. Nghiên cứu của Đinh Tiên Minh và Lê Vũ Lan Oanh (2020) cũng đã ứng dụng thành công mô hình kết hợp này để phân khúc người mua sắm, cho thấy tính hiệu quả và khả năng ứng dụng thực tiễn cao, giúp doanh nghiệp xây dựng các chiến lược marketing cá nhân hóa và hiệu quả hơn.

V. Phân Tích Case Study Phân Khúc Khách Hàng AdventureWorks

Để kiểm chứng tính hiệu quả của phương pháp, nghiên cứu đã tiến hành thực nghiệm trên bộ dữ liệu thực tế của công ty bán lẻ xe đạp AdventureWorks Cycles. Bộ dữ liệu bao gồm 121,254 giao dịch diễn ra từ năm 2017 đến 2020. Quá trình phân tích đã cung cấp những cái nhìn sâu sắc và có giá trị về đặc điểm của tệp khách hàng trong ngành này. Một trong những phát hiện quan trọng đầu tiên là sự phân bổ dữ liệu. Biểu đồ phân tán của cả ba chỉ số Recency, Frequency, và Monetary đều cho thấy xu hướng lệch phải rõ rệt. Điều này có nghĩa là phần lớn khách hàng là những người mới mua hàng, có tần suất mua thấp (chủ yếu là 1 lần) và chi tiêu ở mức tương đối nhỏ. Phát hiện này cho thấy AdventureWorks Cycles có một lượng lớn khách hàng mới với nhiều tiềm năng chưa được khai thác. Dựa trên kết quả phân tích và dán nhãn, nghiên cứu đã xác định được bốn nhóm khách hàng chính, bao gồm: Khách hàng hứa hẹn (Promising), Khách hàng mới (New Customers), Khách hàng sắp ngủ (About to sleep), và Khách hàng ngủ đông (Hibernating). Việc xác định rõ các phân khúc này là bước đầu tiên để công ty có thể xây dựng các chiến lược chăm sóc và tiếp thị phù hợp, nhằm chuyển đổi khách hàng mới thành khách hàng trung thành và giữ chân những người có nguy cơ rời bỏ.

5.1. Kết quả phân tích dữ liệu bán lẻ xe đạp thực tế

Phân tích trên bộ dữ liệu của AdventureWorks Cycles cho thấy đặc điểm chung của khách hàng trong ngành bán lẻ xe đạp. Biểu đồ phân tán của Recency lệch phải, chỉ ra rằng phần lớn khách hàng đã thực hiện giao dịch trong thời gian gần đây, cụ thể là dưới 50 ngày. Tương tự, chỉ số Frequency cũng lệch phải mạnh, với giá trị chiếm đa số là 1 lần mua. Điều này khẳng định nhận định rằng doanh nghiệp có tệp khách hàng chủ yếu là người mới hoặc không thường xuyên. Về mặt Monetary, đa số khách hàng chi tiêu ở mức thấp, với giá trị phổ biến là 2.29 đô-la. Những kết quả này vẽ nên một bức tranh tổng thể về một cơ sở khách hàng trẻ, năng động nhưng chưa có độ gắn kết cao, đặt ra thách thức và cơ hội cho việc xây dựng lòng trung thành.

5.2. Đặc điểm của các phân khúc khách hàng chính được xác định

Qua quá trình dán nhãn dựa trên điểm RFM, bốn phân khúc khách hàng nổi bật đã được nhận diện tại AdventureWorks Cycles. Nhóm Khách hàng hứa hẹn (Promising) là những người mua sắm gần đây nhưng chưa chi tiêu nhiều. Nhóm Khách hàng mới (New Customers) có lần mua gần nhất nhưng tần suất rất thấp. Nhóm Khách hàng sắp ngủ (About to sleep) có điểm R và F dưới trung bình, cần được kích hoạt lại ngay lập tức. Cuối cùng, nhóm Khách hàng ngủ đông (Hibernating) là những người đã mua từ rất lâu, tần suất thấp và chi tiêu ít. Mỗi nhóm này yêu cầu một cách tiếp cận khác nhau. Ví dụ, nhóm Promising cần được khuyến khích để tăng giá trị chi tiêu, trong khi nhóm About to sleep cần những ưu đãi đặc biệt để quay trở lại. Việc hiểu rõ đặc điểm từng nhóm giúp doanh nghiệp phân bổ nguồn lực marketing một cách thông minh và hiệu quả.

VI. Tương Lai Phân Khúc Khách Hàng Xu Hướng Khuyến Nghị

Kết quả từ việc áp dụng mô hình RFM và phân cụm K-means vào dữ liệu bán lẻ xe đạp của AdventureWorks Cycles không chỉ mang lại giá trị lý thuyết mà còn cung cấp những định hướng chiến lược rõ ràng. Việc phân khúc khách hàng thành các nhóm riêng biệt như Promising, New Customers, About to sleep và Hibernating cho phép các nhà quản trị xây dựng những chiến dịch marketing được cá nhân hóa cao. Thay vì một cách tiếp cận đại trà, doanh nghiệp có thể tập trung nguồn lực vào những nơi mang lại hiệu quả cao nhất: nuôi dưỡng khách hàng mới, tái kích hoạt khách hàng sắp rời bỏ, và tri ân những khách hàng có giá trị. Tương lai của việc phân tích khách hàng nằm ở việc tích hợp sâu hơn các nguồn dữ liệu và áp dụng các thuật toán học máy ngày càng tinh vi. Việc kết hợp dữ liệu RFM với các thông tin nhân khẩu học, tâm lý học hay dữ liệu từ mạng xã hội sẽ tạo ra một chân dung khách hàng 360 độ. Các mô hình dự đoán như tính toán giá trị trọn đời của khách hàng (CLV) sẽ giúp doanh nghiệp không chỉ nhìn vào quá khứ mà còn dự báo được giá trị tương lai, từ đó đưa ra các quyết định đầu tư chiến lược để phát triển bền vững.

6.1. Đề xuất chiến lược marketing cho từng phân khúc cụ thể

Dựa trên các phân khúc đã xác định, các chiến lược marketing cụ thể có thể được đề xuất. Đối với nhóm Khách hàng mới (New Customers), mục tiêu là khuyến khích lần mua thứ hai. Doanh nghiệp có thể gửi email chào mừng kèm theo mã giảm giá cho lần mua tiếp theo, hoặc giới thiệu các sản phẩm liên quan. Với nhóm Khách hàng hứa hẹn (Promising), cần tập trung vào việc gia tăng giá trị đơn hàng bằng các chương trình khách hàng thân thiết hoặc các gói combo sản phẩm. Đối với nhóm Khách hàng sắp ngủ (About to sleep), các chiến dịch tái tương tác (re-engagement) là rất quan trọng, ví dụ như gửi thông báo "Chúng tôi nhớ bạn" kèm ưu đãi độc quyền. Cuối cùng, với nhóm Khách hàng ngủ đông (Hibernating), có thể tiến hành khảo sát để tìm hiểu lý do họ không quay lại, hoặc đưa ra một ưu đãi đặc biệt hấp dẫn để thu hút họ trở lại.

6.2. Hướng phát triển của mô hình phân tích trong tương lai

Mô hình phân khúc khách hàng dựa trên RFM và K-means là một nền tảng vững chắc, nhưng vẫn còn nhiều hướng để phát triển và cải tiến. Trong tương lai, các nghiên cứu có thể tích hợp thêm các biến số khác như dữ liệu nhân khẩu học (tuổi, giới tính, vị trí) và tâm lý học để làm phong phú thêm chân dung khách hàng. Việc áp dụng các thuật toán học máy tiên tiến hơn như Parallel Random Forest (PRF) hay các mô hình mạng nơ-ron có thể giúp tăng độ chính xác của việc phân cụm. Đặc biệt, việc tính toán giá trị trọn đời của khách hàng (CLV) và tích hợp vào mô hình phân khúc sẽ cho phép doanh nghiệp có cái nhìn dài hạn hơn, tập trung vào việc xây dựng mối quan hệ bền vững thay vì chỉ tối ưu hóa các giao dịch ngắn hạn. Những cải tiến này sẽ giúp doanh nghiệp bán lẻ xe đạp luôn đi trước một bước trong việc thấu hiểu và phục vụ khách hàng của mình.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Trong bối cảnh bùng nổ của thương mại điện tử và khoa học dữ liệu, việc thấu hiểu hành vi người tiêu dùng trở thành nhiệm vụ cốt lõi của các doanh nghiệp bán lẻ. Để tối ưu hóa chiến lược kinh doanh và nâng cao trải nghiệm người dùng, nhà quản trị cần phân chia tập khách hàng không đồng nhất thành các phân khúc có đặc tính tương đồng, từ đó xây dựng các chương trình tiếp thị cá nhân hóa.

Tại lĩnh vực bán lẻ xe đạp, nhiều doanh nghiệp vẫn duy trì các phương thức phân loại thủ công hoặc định tính truyền thống. Cách tiếp cận này bộc lộ nhiều hạn chế khi đối mặt với khối lượng giao dịch lớn, dẫn đến việc đánh giá sai lệch nhu cầu khách hàng, phân bổ ngân sách tiếp thị không hiệu quả và bỏ lỡ các nhóm khách hàng tiềm năng. Mô hình RFM (Recency, Frequency, Monetary) là công cụ kinh điển được ứng dụng phổ biến để lượng hóa giá trị khách hàng dựa trên ba tiêu chí: thời gian giao dịch gần nhất, tần suất mua sắm và tổng giá trị chi tiêu. Tuy nhiên, việc áp dụng mô hình RFM đơn lẻ trong ngành bán lẻ xe đạp còn tồn tại các rào cản về việc xử lý không gian đa chiều và chưa tối ưu hóa được việc nhận diện cụm khách hàng tự động. Do đó, việc kết hợp mô hình RFM với thuật toán học máy không giám sát K-means được đặt ra nhằm hoàn thiện mô hình phân khúc khách hàng, nâng cao độ chính xác và hỗ trợ quá trình ra quyết định dựa trên dữ liệu.

Nghiên cứu xác định các mục tiêu và nhiệm vụ cụ thể:

1. Mục tiêu tổng quát: Đề xuất phương pháp và xây dựng mô hình phân khúc khách hàng dựa trên mô hình RFM kết hợp thuật toán học máy phân cụm K-means trong lĩnh vực bán lẻ xe đạp; đồng thời đánh giá, so sánh hiệu quả giữa phương pháp RFM truyền thống và RFM kết hợp học máy để đề xuất chiến lược tiếp thị phù hợp cho từng phân khúc.
2. Mục tiêu cụ thể:
   • Làm rõ cơ sở lý thuyết về hành vi khách hàng, phân khúc khách hàng, mô hình RFM và tổng hợp các công trình nghiên cứu trước đây ứng dụng thuật toán K-means trong phân khúc khách hàng.
   • Trình bày quy trình thu thập, tiền xử lý và chuyển đổi dữ liệu giao dịch để phục vụ tính toán các chỉ số RFM và thuật toán K-means.
   • Tiến hành phân tích định tính và định lượng đặc trưng của từng phân khúc khách hàng thu được từ hai phương pháp thực nghiệm.
   • Đề xuất các khuyến nghị, giải pháp tiếp thị và chính sách chăm sóc khách hàng tương ứng với từng nhóm phân khúc.

Đối tượng và phạm vi nghiên cứu:

• Đối tượng nghiên cứu: Mô hình phân khúc khách hàng thông qua việc kết hợp chỉ số RFM và thuật toán phân cụm K-means.
• Phạm vi không gian: Dữ liệu hoạt động kinh doanh bán lẻ xe đạp từ tập dữ liệu thứ cấp của công ty AdventureWorks Cycles.
• Phạm vi thời gian: Dữ liệu giao dịch được trích xuất từ ngày 01/07/2017 đến ngày 15/06/2020; thời gian thực hiện nghiên cứu diễn ra trong 2 tháng (từ tháng 09/2022 đến tháng 11/2022).

Cơ sở lý thuyết và phương pháp

Khung lý thuyết và mô hình nghiên cứu

Đề tài xây dựng trên nền tảng lý thuyết hành vi người tiêu dùng và khai phá dữ liệu thương mại:

• Hành vi khách hàng: Theo Hiệp hội Marketing Hoa Kỳ (AMA), hành vi khách hàng là sự tác động qua lại giữa các yếu tố kích thích môi trường với nhận thức và hành vi của con người trong quá trình tiêu dùng. Theo Kotler & Levy, đây là chuỗi hành động cụ thể của cá nhân khi đưa ra quyết định mua sắm, sử dụng và loại bỏ sản phẩm hoặc dịch vụ.
• Phân tích phân khúc khách hàng (Customer Segmentation): Quá trình phân chia tệp khách hàng không đồng nhất thành các nhóm nhỏ đồng nhất dựa trên các tiêu chí nhân khẩu học, địa lý, tâm lý học và hành vi giao dịch (tần suất, doanh số, lượt truy cập).
• Mô hình RFM: Phương pháp lượng hóa giá trị khách hàng dựa trên ba biến số:
  • Recency (R): Khoảng thời gian tính từ giao dịch gần nhất của khách hàng đến mốc thời gian quan sát.
  • Frequency (F): Tổng số lần phát sinh giao dịch của khách hàng trong khoảng thời gian nghiên cứu.
  • Monetary (M): Tổng số tiền khách hàng đã chi trả cho doanh nghiệp qua các đơn hàng.
• Thuật toán học máy K-means: Kỹ thuật phân cụm không giám sát nhằm phân chia $N$ quan sát thành $K$ cụm sao cho khoảng cách giữa các điểm dữ liệu đến tâm cụm (centroid) tương ứng là nhỏ nhất.

Nghiên cứu đã kế thừa và đối sánh với 20 công trình tiêu biểu trong và ngoài nước:

• Các nghiên cứu nền tảng và mở rộng RFM: You-Shyang Chen và cộng sự (2009); Morteza Namvar và cộng sự (2011) tích hợp RFM, LTV và nhân khẩu học; Rodrigo Heldt và cộng sự (2019) đề xuất RFM trên từng sản phẩm (RFM/P); Đỗ Vĩnh Trúc (2022) kết hợp RFM và CLV.
• Các nghiên cứu kết hợp RFM và thuật toán học máy: Daqing Chen và cộng sự (2012) kết hợp K-means và Decision Tree; Aryuni và cộng sự (2018) so sánh K-means và K-Medoids; Onur Doğan và cộng sự (2018) ứng dụng phân cụm hai bước và K-means tại Thổ Nhĩ Kỳ; Anitha & Patil (2019); Siti Monalisa và cộng sự (2019) dùng Fuzzy C-Means; Jun Wu, Li Shi và cộng sự (2020) kết hợp RFM, K-means và PCA; Hoàng Anh Dũng (2020) kết hợp K-means và Random Forest; Hồ Trung Thành và Nguyễn Đăng Sơn (2021) phân lập 5 phân khúc khách hàng bằng RFM và K-means; Phan Châu Minh Trường (2022).

Phương pháp nghiên cứu và nguồn dữ liệu

Nghiên cứu áp dụng quy trình nghiên cứu phối hợp giữa lý thuyết và thực nghiệm:

• Phương pháp nghiên cứu lý thuyết: Sử dụng phân tích - tổng hợp lý thuyết, phân loại và hệ thống hóa tài liệu học thuật, cùng phương pháp tham vấn chuyên gia trong lĩnh vực tiếp thị và khoa học dữ liệu.
• Phương pháp nghiên cứu thực nghiệm:
  • Thu thập và xử lý dữ liệu: Sử dụng tập dữ liệu doanh nghiệp AdventureWorks Cycles do Microsoft cung cấp với 121.254 bản ghi giao dịch bán lẻ.
  • Phương pháp định lượng: Trích xuất và tính toán các chỉ số $R, F, M$; phân tổ dữ liệu thành 5 mức điểm; xác định số cụm tối ưu $K$ bằng phương pháp Elbow (đường cong SSE và Distortion); kiểm định độ gắn kết và phân tách cụm bằng hệ số Silhouette Score.
  • Phương pháp định tính: Diễn giải hành vi, định danh nhãn phân khúc (Labelling) và xây dựng chân dung khách hàng cho từng nhóm.

Bảng dữ liệu trích xuất	Các thuộc tính chính	Mục đích sử dụng
Sales	SalesOrderLineKey, CustomerKey, ProductKey, OrderDateKey, Sales Amount, Order Quantity, Unit Price	Tính toán giá trị Monetary ($M$), giá trị Recency ($R$) và xác định định danh khách hàng
Sales Order	Sales Order, SalesOrderLineKey, Channel	Đếm số lượng đơn hàng để xác định giá trị Frequency ($F$)
Customer	CustomerKey, Customer ID, Customer, City, State-Province, Country-Region, Postal Code	Định danh thông tin nhân khẩu học và vị trí địa lý của khách hàng

Nội dung chính theo từng chương

CHƯƠNG 1: TỔNG QUAN ĐỀ TÀI

Chương 1 thiết lập lý do lựa chọn đề tài xuất phát từ nhu cầu thực tiễn của ngành bán lẻ xe đạp, nơi khách hàng có chu kỳ mua sắm đặc thù và giá trị đơn hàng chênh lệch lớn. Tác giả trình bày hệ thống mục tiêu nghiên cứu tổng quát và 4 mục tiêu cụ thể, xác định đối tượng nghiên cứu là phương pháp phân khúc khách hàng bằng RFM và K-means. Phạm vi không gian được giới hạn trong tập dữ liệu của công ty AdventureWorks Cycles giai đoạn 2017 - 2020. Quy trình nghiên cứu được cấu trúc thành 4 giai đoạn logic xuyên suốt 5 chương báo cáo và 1 phần phụ lục mở rộng.

CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VÀ MỘT SỐ NGHIÊN CỨU LIÊN QUAN

Chương này tổng kết các khái niệm học thuật về hành vi người tiêu dùng theo các trường phái tiếp thị hiện đại. Tác giả phân tích tiến trình phát triển của các kỹ thuật phân khúc khách hàng: từ phân loại thủ công dựa trên quan sát cá nhân, phân nhóm theo nhân khẩu học/địa lý, đến các mô hình định lượng hành vi (Customer Quintiles, RFM, CLV, NPS). Chương 2 tổng thuật chi tiết 20 công trình nghiên cứu tiêu biểu giai đoạn 2009 - 2022, chỉ ra khoảng trống nghiên cứu về việc ứng dụng kết hợp RFM và K-means trong lĩnh vực bán lẻ xe đạp trực tuyến và trực tiếp.

CHƯƠNG 3: PHƯƠNG PHÁP THỰC NGHIỆM

Chương 3 chi tiết hóa quy trình thực nghiệm kỹ thuật qua 4 bước:

1. Thu thập dữ liệu: Khai thác dữ liệu bán lẻ của công ty AdventureWorks Cycles (trụ sở tại Bothell, Washington, quy mô 290 nhân viên) với 121.254 dòng giao dịch.
2. Tiền xử lý dữ liệu:
   • Lựa chọn thuộc tính: Chọn lọc 4 trường nòng cốt gồm CustomerKey (khóa chính định danh khách hàng), OrderDateKey (ngày giao dịch), Sales Order (mã đơn hàng) và Sales Amount (doanh số đơn hàng).
   • Làm sạch dữ liệu: Định dạng Sales Order dạng chuỗi ký tự (chữ in hoa và số), OrderDateKey dạng số có độ dài 8 ký tự, Sales Amount dạng số thập phân. Bộ dữ liệu không có giá trị bị thiếu (missing values = 0).
   • Xử lý ngoại lệ: Phát hiện các giá trị Sales Amount lớn hơn 3.000 USD qua biểu đồ Boxplot; tác giả quyết định giữ lại các giá trị này do phù hợp với bản chất giá trị cao của mặt hàng xe đạp nguyên chiếc.
3. Biến đổi dữ liệu (Data Transformation):
   • $R$ (Recency) được tính bằng khoảng cách ngày giữa ngày quan sát lớn nhất của toàn bộ tập dữ liệu trừ đi ngày mua hàng gần nhất (Max(OrderDateKey)) của từng khách hàng.
   • $F$ (Frequency) được tính bằng tổng số lượt Sales Order duy nhất tương ứng với mỗi CustomerKey.
   • $M$ (Monetary) được tính bằng tổng toàn bộ Sales Amount phát sinh từ tất cả các đơn hàng của khách hàng đó.
4. Thiết lập mô hình RFM và dán nhãn:
   • Phân tổ dữ liệu thành 5 khoảng đều nhau dựa trên công thức tính độ dài khoảng $h = \frac{\text{Max} - \text{Min}}{5}$, xác định các ngưỡng phân vị 20%, 40%, 60%, 80% để gán điểm từ 1 đến 5 cho từng nhân tố $R, F, M$.
   • Ghép chuỗi điểm RFM (Concatenate RFM). Để tránh sự phức tạp của không gian 3 chiều khi dán nhãn thủ công, tác giả sử dụng bản đồ 2 chiều trên cặp giá trị $(R, F)$ để phân loại thành 10 nhãn nhóm khách hàng lý thuyết.

Nhãn khách hàng (Label)	Điểm Recency ($R$)	Điểm Frequency ($F$)	Đặc trưng hành vi
Champions	4 - 5	5 - 5	Mua hàng gần đây, tần suất cao nhất, chi tiêu lớn nhất
Loyal Customers	3 - 4	4 - 5	Mua sắm thường xuyên, chi tiêu nhiều, gắn kết với thương hiệu
Potential Loyalist	4 - 5	2 - 3	Giao dịch gần đây với tần suất mua hàng ở mức trung bình
New Customers	5 - 5	1 - 1	Mới phát sinh giao dịch gần nhất, tần suất mua còn thấp (1 lần)
Promising	4 - 4	1 - 1	Mua sắm gần đây, tần suất thấp, mức độ chi tiêu chưa cao
Needing Attention	3 - 3	3 - 3	Điểm RFM ở mức trung bình, có dấu hiệu giảm tần suất mua sắm
About To Sleep	3 - 3	1 - 2	Điểm $R$ và $F$ dưới trung bình, có nguy cơ rời bỏ nếu không kích hoạt
At Risk	1 - 2	3 - 4	Từng mua thường xuyên và chi tiêu lớn nhưng đã lâu không quay lại
Can't Lose Them	1 - 2	5 - 5	Khách hàng giao dịch lớn nhất, thường xuyên nhưng đã ngưng tương tác
Hibernating	1 - 2	1 - 2	Giao dịch cuối đã cách xa thời điểm khảo sát, tần suất và chi tiêu thấp

CHƯƠNG 4: KẾT QUẢ THỰC NGHIỆM VÀ THẢO LUẬN

Chương 4 phân tích kết quả thống kê mô tả và phân phối của các biến số:

• Độ phân tán của dữ liệu: Cả 3 phân phối của $R, F, M$ đều có xu hướng lệch phải rõ rệt. Đa số khách hàng có chỉ số Recency dưới 50 ngày; chỉ số Frequency có giá trị yếu vị (mode) là 1 lần mua; chỉ số Monetary tập trung ở mức chi tiêu thấp (đơn giá sản phẩm phổ biến là 2,29 USD đối với các phụ kiện nhỏ).
• Kết quả phân khúc theo mô hình RFM 2D:
  • Tệp khách hàng thực tế được phân chia thành 4 nhóm chính chiếm tỷ trọng lớn: Nhóm Khách hàng kỳ vọng (Promising), Khách hàng mới (New Customers), Khách hàng sắp ngủ (About to sleep) và Khách hàng ngủ đông (Hibernating).
  • Hai nhóm Khách hàng vô địch (Champions - chiếm 0,1%) và Khách hàng trung thành tiềm năng (Potential Loyalist - chiếm 0,1%) có quy mô quá nhỏ nên được nhóm tác giả gộp chung vào nhóm Khách hàng mới (New Customers) trong phân tích tổng quan do có cùng xu hướng giao dịch gần mốc nghiên cứu.

CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN

Chương 5 đúc kết kết quả so sánh giữa phương pháp RFM truyền thống và phương pháp phân cụm K-means. Mô hình RFM truyền thống cung cấp khả năng trực quan hóa nhanh thông qua bảng quy tắc tĩnh nhưng bị hạn chế trong không gian 2 chiều $(R, F)$ và phụ thuộc vào ngưỡng phân tổ chủ quan. Ngược lại, thuật toán K-means tối ưu hóa trên toàn bộ không gian 3 chiều $(R, F, M)$, giảm thiểu thiên kiến phân lớp và phân tách tự động các cụm có ranh giới phức tạp. Tác giả đề xuất định hướng phát triển mô hình cho các tập dữ liệu thời gian thực.

PHỤ LỤC: PHÂN CỤM KHÁCH HÀNG VỚI THUẬT TOÁN K-MEANS

Phần phụ lục trình bày chi tiết kỹ thuật triển khai phân cụm K-means trên bộ dữ liệu RFM:

• Chuẩn hóa và làm giảm độ lệch: Dữ liệu RFM sau khi tính toán có độ lệch lớn nên được xử lý biến đổi thang đo để đưa về phân phối chuẩn phục vụ thuật toán học máy.
• Xác định số cụm tối ưu ($K$):
  • Áp dụng phương pháp Elbow trên đồ thị tổng bình phương sai số nội cụm (SSE) và đồ thị Distortion, nhận thấy điểm uốn rõ nét tại $K = 3$.
  • Thực hiện kiểm định chất lượng phân cụm bằng hệ số Silhouette Score đối với các số cụm từ $K = 2$ đến $K = 5$. Kết quả hệ số Silhouette tại $K = 3$ đạt mức cân bằng tối ưu giữa độ nén nội cụm và độ phân tách ngoại cụm.
• Đặc trưng 3 phân khúc khách hàng từ K-means:
  • Cụm 0 - Khách hàng trung thành: Tần suất mua hàng cao, giá trị chi tiêu lớn và thời gian giao dịch gần nhất ngắn.
  • Cụm 1 - Khách hàng mới: Thời gian mua hàng rất gần, nhưng tần suất mua thấp (chủ yếu 1 lần) và giá trị đơn hàng ở mức khởi điểm.
  • Cụm 2 - Khách hàng không thường xuyên / Rời bỏ: Thời gian giao dịch cuối cùng cách rất xa, tần suất thấp và đóng góp doanh thu không đáng kể.

Kết quả và đóng góp

Kết quả nghiên cứu chính

• Nghiên cứu đã xử lý thành công 121.254 dòng dữ liệu giao dịch bán lẻ của AdventureWorks Cycles giai đoạn 2017 - 2020, xây dựng thành công bộ chỉ số RFM cá nhân hóa cho từng khách hàng.
• Mô hình RFM phân tổ 2D đã định vị được 4 nhóm khách hàng trọng yếu trong doanh nghiệp bán lẻ xe đạp: Promising, New Customers, About to sleep, Hibernating. Tỷ lệ khách hàng mua sắm lặp lại ở ngành xe đạp rất thấp, phần lớn khách hàng chỉ thực hiện giao dịch 1 lần.
• Kỹ thuật học máy K-means kết hợp phương pháp Elbow và Silhouette Score đã phân lập thành công 3 cụm khách hàng tối ưu (Cụm 0: Trung thành, Cụm 1: Khách hàng mới, Cụm 2: Khách hàng không thường xuyên).

Giải pháp và kiến nghị quản trị

Dựa trên đặc tính của từng phân khúc khách hàng, báo cáo đề xuất các chiến lược tiếp thị mục tiêu:

• Đối với nhóm Khách hàng mới / Cụm 1 (New Customers): Triển khai các chiến dịch chào mừng (onboarding), cung cấp tài liệu hướng dẫn sử dụng và bảo dưỡng xe đạp, tặng mã giảm giá cho phụ kiện ở lần mua thứ hai nhằm gia tăng chỉ số Frequency.
• Đối với nhóm Khách hàng hứa hẹn (Promising): Gợi ý các sản phẩm nâng cấp hoặc gói phụ kiện xe đạp cao cấp hơn (cross-selling/up-selling) để gia tăng chỉ số Monetary.
• Đối với nhóm Khách hàng sắp ngủ (About To Sleep): Tự động gửi email/tin nhắn kích hoạt kèm ưu đãi có thời hạn cho dịch vụ kiểm tra, bảo trì xe định kỳ để lôi kéo khách hàng quay lại.
• Đối với nhóm Khách hàng ngủ đông / Cụm 2 (Hibernating / Infrequent): Tối ưu hóa chi phí bằng cách giảm thiểu ngân sách quảng cáo trực tiếp; chỉ sử dụng các kênh tiếp thị tự động chi phí thấp để khảo sát lý do ngưng mua sắm.
• Đối với nhóm Khách hàng trung thành / Cụm 0 (Loyal / Champions): Xây dựng chương trình hội viên thân thiết, cung cấp đặc quyền trải nghiệm sớm các dòng xe mới và chính sách bảo hành VIP.

Đóng góp của đề tài

• Về mặt học thuật: Hệ thống hóa cơ sở lý thuyết phân khúc khách hàng liên ngành giữa tiếp thị và khoa học dữ liệu; cung cấp bằng chứng thực nghiệm rõ ràng về việc kết hợp mô hình RFM với giải thuật học máy K-means trên tập dữ liệu thương mại lớn.
• Về mặt thực tiễn: Cung cấp một khung quy trình phân tích dữ liệu hoàn chỉnh 4 bước có thể tái sử dụng cho các nhà quản trị doanh nghiệp bán lẻ để đánh giá chính xác giá trị vòng đời khách hàng và tối ưu hóa chi phí tiếp thị.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của nghiên cứu

• Đặc thù tập dữ liệu: Nghiên cứu sử dụng tập dữ liệu thứ cấp mô phỏng (AdventureWorks do Microsoft cung cấp), dữ liệu đã được xử lý tương đối sạch và thiếu các biến số hành vi thực tế như thời gian lưu trú trên trang web, số lượt nhấp chuột hay giỏ hàng bị bỏ rơi.
• Giới hạn chiều dữ liệu khi dán nhãn thủ công: Khi phân loại RFM truyền thống, nghiên cứu buộc phải loại bỏ chiều Monetary ($M$) và chỉ thực hiện gán nhãn trên mặt phẳng 2 chiều $(R, F)$ để giảm độ phức tạp trực quan, điều này làm giảm bớt tính toàn diện của mô hình 3D.
• Thiếu biến số nhân khẩu học và tâm lý học: Mô hình phân cụm hiện tại chỉ dựa thuần túy trên dữ liệu nhật ký giao dịch (transaction logs), chưa kết hợp sâu với độ tuổi, giới tính, thu nhập hay sở thích cá nhân của người mua xe đạp.

Hướng nghiên cứu tiếp

• Mở rộng mô hình bằng cách tích hợp thêm các chỉ số kinh doanh nâng cao như Giá trị vòng đời khách hàng (CLV/LTV), Tỷ lệ rời bỏ (Churn Rate - CR), Tỷ lệ giữ chân (Retention Rate - RR) và Điểm đo lường sự hài lòng (NPS).
• Ứng dụng các thuật toán học máy nâng cao và phân cụm mờ như Fuzzy C-Means, Phân cụm phân cấp (Hierarchical Clustering), hoặc các mô hình học sâu (Deep Learning) để so sánh hiệu năng với K-means.
• Thực nghiệm trên các bộ dữ liệu thực tế thời gian thực của các doanh nghiệp bán lẻ xe đạp tại thị trường Việt Nam.

Giá trị tham khảo

Báo cáo đồ án mang lại giá trị tham khảo thiết thực cho các đối tượng:

• Sinh viên và học viên chuyên ngành Hệ thống thông tin quản lý, Khoa học dữ liệu, Phân tích kinh doanh (Business Analytics) và Marketing: Tham khảo quy trình phân tích dữ liệu bán lẻ thực tế, từ bước tiền xử lý, tính toán chỉ số nghiệp vụ đến triển khai thuật toán học máy không giám sát.
• Nhà nghiên cứu và người thực hiện đề tài tốt nghiệp: Cung cấp nguồn trích dẫn học thuật phong phú với hơn 20 công trình đối sánh về RFM và K-means, cùng cách trình bày mục lục, bảng biểu và phụ lục kỹ thuật chuẩn mực.
• Các phần nội dung đáng tham khảo nhất:
  • Quy trình 4 bước chuyển đổi dữ liệu thô sang các biến số RFM tại Chương 3.
  • Bảng quy tắc ma trận phân loại 10 nhãn khách hàng dựa trên cặp chỉ số $R$ và $F$.
  • Kỹ thuật xác định số cụm $K$ tối ưu thông qua đường cong Elbow (SSE/Distortion) và kiểm định Silhouette Score trong phần Phụ lục.

Câu hỏi thường gặp

1. Bộ dữ liệu AdventureWorks sử dụng trong nghiên cứu có quy mô và cấu trúc như thế nào?

Bộ dữ liệu gồm hơn 121.254 bản ghi giao dịch trong khoảng thời gian từ ngày 01/07/2017 đến ngày 15/06/2020 của công ty bán lẻ xe đạp AdventureWorks Cycles (trụ sở tại Bothell, Washington, gồm 290 nhân viên). Dữ liệu phân bố trên các bảng chính gồm Sales, Sales Order, Customer, Sales Territory, Reseller, Date và Product. Trong đó, 4 thuộc tính cốt lõi được trích xuất để phân tích là CustomerKey, OrderDateKey, Sales Order và Sales Amount.

2. Các chỉ số R, F, M trong bài nghiên cứu được tính toán cụ thể bằng công thức nào?

• Chỉ số Recency ($R$): Lấy ngày mua hàng gần nhất của toàn bộ tập dữ liệu trừ đi ngày giao dịch lớn nhất (Max(OrderDateKey)) của từng khách hàng.
• Chỉ số Frequency ($F$): Đếm tổng số lượng đơn hàng duy nhất (Sales Order) được tạo ra bởi từng khách hàng (CustomerKey).
• Chỉ số Monetary ($M$): Tính tổng số tiền (Sales Amount) phát sinh từ tất cả các đơn hàng của khách hàng đó.

3. Tại sao khi dán nhãn mô hình RFM truyền thống ở Chương 3, nhóm tác giả lại loại bỏ biến M?

Nhóm tác giả loại bỏ biến $M$ và chỉ sử dụng cặp giá trị $(R, F)$ khi dán nhãn thủ công vì việc biểu diễn không gian 3 chiều của cả ba trục $R, F, M$ gây phức tạp lớn cho việc trực quan hóa và thiết lập ranh giới phân lớp. Việc chiếu dữ liệu lên mặt phẳng 2 chiều $(R, F)$ giúp đơn giản hóa việc phân tổ ma trận thành 10 nhãn nhận diện hành vi.

4. Thuật toán K-means trong phần phụ lục đã phân lập được bao nhiêu cụm và căn cứ vào đâu?

Thuật toán K-means đã phân lập dữ liệu thành 3 cụm tối ưu ($K = 3$): Cụm 0 (Khách hàng trung thành), Cụm 1 (Khách hàng mới) và Cụm 2 (Khách hàng không thường xuyên). Căn cứ chọn $K = 3$ dựa trên việc xác định điểm uốn trên đồ thị SSE (phương pháp Elbow), đồ thị Distortion và điểm kiểm định chất lượng phân cụm Silhouette Score cho các cấu hình từ 2 đến 5 cụm.

Kết luận

Báo cáo đồ án đã giải quyết hoàn chỉnh bài toán phân khúc khách hàng trong lĩnh vực bán lẻ xe đạp bằng cách kết hợp mô hình RFM truyền thống với thuật toán học máy phân cụm K-means trên tập dữ liệu 121.254 giao dịch của AdventureWorks Cycles. Nghiên cứu chỉ ra đặc tính phân phối lệch phải của ngành xe đạp với phần lớn khách hàng mua sắm đơn lẻ, đồng thời chứng minh tính ưu việt của K-means trong việc tự động hóa phân cụm khách hàng trên không gian 3 chiều so với phương pháp phân tổ ma trận 2D thủ công. Kết quả phân lập thành công các nhóm khách hàng mục tiêu cung cấp cơ sở dữ liệu thực nghiệm vững chắc để các nhà bán lẻ xây dựng chính sách tiếp thị và chăm sóc khách hàng tối ưu.

Trích đoạn nội dung tài liệu

Chương 1: Tổng quan tình hình nghiên cứu Ở chương này nghiên cứu sẽ trình bày về tổng quan đề tài bao gồm lý do chọn đề tài, mục tiêu nghiên cứu, đối tượng, phạm vi, phương pháp nghiên cứu. Chương 2: Cơ sở lý thuyết Trong chương 2 sẽ có các nội dung về những lý thuyết nền tảng liên quan tới đề tài bao gồm Hành vi khách hàng, Phân tích phân khúc khách hàng, RFM,… và các công trình nghiên cứu, đóng góp học thuật có liên quan. Chương 3: Thực nghiệm trên mô hình RFM Chương 3 trình bày nội dung chi tiết về triển khai mô hình thực nghiệm, bao gồm các bước chuẩn bị, tối ưu dữ liệu và áp dụng mô hình RFM nhằm đưa ra kết quả thực nghiệm cho nghiên cứu này. Chương 4: Kết quả thực nghiệm và thảo luận Ở chương 4 sẽ trình bày kết quả của việc triển khai các mô hình, thuật toán và nhận xét đánh giá về kết quả có được.

Chương 5: Kết luận và hướng phát triển Tổng kết lại thu hoạch của quá trình mà cuộc nghiên cứu này đã nhận được cũng như đưa ra hướng phát triển, đề ra hướng đi, giải pháp để có thể cải thiện nghiên cứu trong tương lai. Phụ lục: Phân cụm khách hàng với thuật toán K-means Phần này sẽ trình bày phương pháp phân khúc khách hàng kết hợp mô hình RFM và thuật toán phân cụm K-means, bao gồm đưa ra mô hình thực nghiệm và kết quả thực nghiệm, đánh giá và nhận xét về hiệu quả của mô hình đồng thời đưa ra các khuyến nghị khi áp dụng phương pháp này vào phân khúc khách hàng. 18 CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VÀ MỘT SỐ NGHIÊN CỨU LIÊN QUAN Chương 2 trình bày về các lý thuyết và đề cập đến mô hình, phương pháp mà nhóm nghiên cứu sử dụng trong quá trình thực hiện đề tài, đồng thời nêu ra một vài nghiên cứu liên quan trong quá khứ nhằm làm rõ tình hình nghiên cứu và phân tích khoảng trống nghiên cứu. Hành vi khách hàng Hành vi khách hàng là một lĩnh vực nghiên cứu có nguồn gốc từ các khoa học như tâm lý học, xã hội học, tâm lý xã hội học, nhân văn học và kinh tế học.

Hành vi khách hàng chú trọng đến việc nghiên cứu tâm lý cá nhân, nghiên cứu những niềm tin cốt yếu, những giá trị, những phong tục, tập quán ảnh hưởng đến hành vi con người và những ảnh hưởng lẫn nhau giữa các cá nhân trong quá trình mua sắm tiêu dùng. 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 (how) và tại sao (why) những người tiêu dùng mua (hoặc không mua) các sản phẩm và dịch vụ, và quá trình mua sắm của khách hàng diễn ra như thế nào.1 Sự hiểu biết về hành vi khách hàng sẽ cung cấp nền tảng cho những chiến lược marketing, như việc định vị sản phẩm, phân khúc thị trường, phát triển sản phẩm mới, những áp dụng thị trường mới, marketing toàn cầu, những quyết định marketing mix,. Những hoạt động marketing chủ yếu này sẽ hiệu quả hơn khi được đặt trên cơ sở một sự hiểu biết về hành vi khách hàng. Có nhiều định nghĩa về hành vi khách hàng, sau đây là một số định nghĩa tiêu biểu: 19 - 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.