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

Tài liệu nghiên cứu Phân khúc khách hàng tronglĩnh vực bán lẻ xe đạp ứng dụng môhình rfm kết hợp phương pháp học, tổng hợp lý thuyết và thực hành, cung cấp kiến thức chuyên sâu về

• 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.

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. Những yếu tố như ý kiến từ những người tiêu dùng khác, quảng cáo, thông tin về giá cả, bao bì, bề ngoài sản phẩm,… đều có thể tác động đến cảm nhận, suy nghĩ và hành vi của khách hàng.2 - Theo Kotler & Levy, hành vi khách hàng là những hành vi cụ thể của một cá nhân khi thực hiện các quyết định mua sắm, sử dụng và vứt bỏ sản phẩm hay dịch vụ.3 Như vậy, qua hai định nghĩa trên, chúng ta có thể xác định hành vi khách hàng là: - Những suy nghĩ và cảm nhận của con người trong quá trình mua sắm và tiêu dùng. - Hành vi khách hàng là năng động và tương tác vì nó chịu tác động bởi những yếu tố từ môi trường bên ngoài và có sự tác động trở lại đối với môi trường ấy. - Hành vi khách hàng bao gồm các hoạt động: mua sắm, sử dụng và xử lý sản phẩm dịch vụ.

Phân tích phân khúc khách hàng Việc doanh nghiệp áp dụng một phương thức marketing chung cho các khách hàng của họ có thể không mang lại cho họ những lợi ích mong muốn, bởi mỗi khách hàng là một cá thể khác nhau có những lối sống, trải nghiệm khác nhau do đó ta cần phải phân khúc khách hàng thành từng nhóm theo một hoặc một vài thuộc tính nào đó. Phân khúc khách hàng là quá trình phân chia các khách hàng không đồng nhất 20 thành các nhóm đồng nhất trên cơ sở tương đồng về một hoặc một vài thuộc tính chung nào đó và là điều cần thiết để xử lý nhiều loại khách hàng với nhiều nhóm sở thích đa dạng khác nhau một cách hiệu quả hơn. Việc phân khúc khách hàng thường dựa trên một số tiêu chí, như dựa trên dữ liệu nhân khẩu học, ví dụ: giới tính, độ tuổi, tình trạng hôn nhân, quy mô hộ gia đình,.; Dữ liệu địa lý, ví dụ: khu vực cư trú hoặc làm việc,.; Dữ liệu tâm lý học, ví dụ: các đặc điểm về tầng lớp xã hội, lối sống và nhân cách,.; Dữ liệu bán hàng, cho biết các hành vi mua sắm, ví dụ: khối lượng bán hàng, số lượt truy cập, tần suất truy cập, khối lượng tiền tệ, lượt truy cập gần đây,.; Dữ liệu hành vi, tức là dữ liệu chỉ ra các hành vi khác ngoài mua sắm, ví dụ: dữ liệu thu được từ các giỏ hàng hỗ trợ RFID thể hiện những gì người mua sắm bỏ vào giỏ hàng của họ. Việc phân khúc khách hàng có thể áp dụng nhiều mô hình khai thác dữ liệu như: mô hình dựa trên liên kết (ví dụ: quy tắc liên kết, chuỗi Markov), phân loại (ví dụ: cây quyết định), phân cụm, khám phá trình tự, dự báo (ví dụ: mạng thần kinh).

Dữ liệu bán hàng ở cấp độ khách hàng thường được sử dụng để phân khúc người mua hàng và kiểm tra hành vi mua hàng của họ. Nói cách khác, họ kiểm tra hành vi mua sắm (ví dụ: khối lượng bán hàng, tần suất ghé thăm,.) hoặc sự kết hợp của các sản phẩm hoặc danh mục sản phẩm mà người mua hàng đã mua trong toàn bộ lịch sử mua hàng của họ, tức là trong tất cả các lần truy cập của họ trong một cửa hàng vật lý hoặc cửa hàng trực tuyến của một nhà bán lẻ. Sau khi áp dụng các phương pháp để gom nhóm khách hàng, các nhóm khách hàng sẽ được gán nhãn tương ứng với các chỉ số đặc trưng của nhóm đó (ví dụ như: nhóm khách hàng tiềm năng, nhóm khách hàng trung thành, nhóm khách hàng V.P, nhóm khách hàng có khả năng rời bỏ,. Sau khi có các phân khúc khách hàng riêng biệt, doanh nghiệp có thể tùy chỉnh kế hoạch 21 tiếp thị, xác định xu hướng, lập kế hoạch phát triển sản phẩm, chiến dịch quảng cáo và cung cấp các sản phẩm phù hợp với từng phân khúc khách hàng tương ứng từ đó nâng cao doanh số cho doanh nghiệp.

Việc phân khúc khách hàng rất quan trọng bởi đây doanh nghiệp nào có được cái nhìn chính xác về đặc trưng của từng phân khúc khách hàng sẽ có thể phân chia ngân sách quảng cáo hợp lý hơn và tiết kiệm được nhiều hơn, không những thế còn đem lại hiệu quả to lớn. Đối với người làm marketing, đặc biệt là trong lĩnh vực bán lẻ, việc xác định đúng phân khúc khách hàng giúp cho họ hiểu khách hàng mình hơn. Khi thấu hiểu khách hàng, nhà bán lẻ có thể điều chỉnh và cải thiện chất lượng dịch vụ mà họ cung cấp để khách hàng có trải nghiệm tốt hơn và đồng hành cùng doanh nghiệp lâu dài, giúp tăng doanh số ổn định, tạo sự bền vững cho doanh nghiệp. Các phương pháp phân khúc khách hàng trước đó Trước khi có đủ khả năng để ứng dụng các tiến bộ khoa học công nghệ trong việc phân khúc khách hàng, những nhà bán lẻ thường phân nhóm khách hàng của họ dựa trên việc quan sát và ghi nhận một cách thủ công.

Phương pháp này tuy gần gũi, dễ dàng thực hiện song lại vô cùng kém hiệu quả vì người thường không thể nào nắm hết một lượng lớn thông tin khách hàng chỉ dựa trên việc nhìn, nghe, đánh giá cá nhân và ghi chép, chưa kể thông tin ở đây không chỉ bao gồm thông tin định danh cá nhân mà còn là nhân khẩu học, hành vi và đôi khi là cả tâm lý học. Điều này gây ra những rủi ro cực kỳ lớn cho các nhà bán lẻ khi họ có nguy cơ đánh mất lượng khách hàng đáng kể nếu vô tình “nhớ nhầm” thông tin của một khách hàng thân quen nào đó, giới thiệu sai sản phẩm cho sai người hay đánh giá sai tính cách và hành vi khách hàng do chỉ dựa vào quan điểm cá nhân. Vì vậy, xu hướng tất yếu lúc 22 bấy giờ là cần một sự đổi mới trong việc phân tích phân khúc khách hàng. Ngày nay, khi công nghệ đã phát triển vượt bậc kéo theo sự ra đời của những kỹ thuật mới như nhãn nhóm khách hàng (Customer Quintiles) và các phương pháp học máy (Machine Learning) đã giúp cho việc phân khúc khách hàng trở nên hiệu quả và chính xác hơn bao giờ hết.

Bằng cách tính toán và chấm điểm (scoring) những chỉ số khách hàng (RFM, CLV, LTV, NPS…) theo dữ liệu đã thu thập được, nhà phân tích và bán lẻ có thể “dán nhãn” (labelling) các nhóm khách hàng theo từng thuộc tính cụ thể tùy thuộc vào mục đích phân tích. VD: phân khúc thành các nhóm Champions, Loyal cho đến Hibernating, Lost customers. Trong đó, mô hình RFM là một trong những phương pháp được sử dụng rộng rãi nhất. Ưu điểm lớn nhất của phương pháp này chính là cung cấp được thông tin chi tiết về khách hàng chỉ với 3 tiêu chí (Lần truy cập gần đây, Tần suất, Tiền tệ) giúp làm giảm độ phức tạp của mô hình phân tích mà không ảnh hưởng đến độ chính xác của nó.