Phân Tích Hành Vi Khách Hàng Hướng Đến Phân Khúc Thị Trường Từ Dữ Liệu Big Data Tại Sacombank

Luận văn thạc sĩ nghiên cứu ueh phân tích hành vi khách hàng hướng đến phân khúc thị trường từ dữ liệu bigdata trường hợp của, đánh giá hiện trạng, phân tích vấn đề, đề xuất biện

• Tác giả: Phạm Văn Hậu
• Người hướng dẫn: PGS. Từ Văn Bình
• Trường học: Trường Đại Học Kinh Tế Thành Phố Hồ Chí Minh
• Chuyên ngành: Quản Trị Kinh Doanh
• Đề tài: Phân Tích Hành Vi Khách Hàng Hướng Đến Phân Khúc Thị Trường Từ Dữ Liệu Bigdata Trường Hợp Của Sacombank
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2019
• Địa điểm: Thành Phố Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: GIỚI THIỆU TỔNG QUAN VỀ ĐỀ TÀI NGHIÊN CỨU
• 1.1. Lý do chọn đề tài
• 1.2. Mục tiêu nghiên cứu
• 1.3. Phương pháp nghiên cứu
• 1.3.1. Đối với số liệu phục vụ nghiên cứu
• 2. CHƯƠNG 2: CƠ SỞ LÝ LUẬN
• 2.1. Khai phá dữ liệu (Data Mining)
• 2.2. Hành vi tiêu dùng
• 2.2.1. Hành vi tiêu dùng được phân khúc theo RFM
• 2.3. Phân khúc thị trường
• 2.3.1. Định nghĩa phân khúc thị trường
• 2.3.2. Lựa chọn thị trường mục tiêu
• 2.3.3. Định vị sản phẩm trên thị trường mục tiêu
• 2.3.4. Một số khái niệm khác
• 2.3.5. Mô hình ma trận giá trị khách hàng (Customer Value Matrix Model)
• 2.4. Phương pháp RFM
• 2.5. Giá trị vòng đời khách hàng (Customer Lifetime Value - CLV)
• 2.6. Thuật toán phân cụm (Clustering)
• 2.6.1. Thuật toán K-means
• 2.7. Quy trình nghiên cứu
• 3. CHƯƠNG 3: BIG DATA VÀ ỨNG DỤNG BIG DATA TẠI SACOMBANK
• 3.1. Big Data và ứng dụng của Big data trong lĩnh vực ngân hàng
• 3.2. Ứng dụng của Big data trong lĩnh vực ngân hàng
• 3.3. Ứng dụng Big data tại Sacombank
• 3.3.1. Giới thiệu về Sacombank
• 3.3.2. Ứng dụng Big data tại Sacombank
• 4. CHƯƠNG 4: PHÂN TÍCH DỮ LIỆU BIG DATA
• 4.1. Số liệu phục vụ nghiên cứu
• 4.2. Thông tin giao dịch khách hàng
• 4.2.1. Đối với khách hàng tiền gửi
• 4.2.2. Đối với khách hàng sử dụng thẻ tín dụng
• 4.2.3. Đối với khách hàng tiền vay
• 4.3. Phân tích hành vi và phân khúc khách hàng
• 5. CHƯƠNG 5: KẾT LUẬN VÀ XÂY DỰNG CHIẾN LƯỢC
• 5.1. Đề xuất chiến lược kinh doanh
• 5.1.1. Chiến lược kinh doanh đề xuất theo phân khúc khách hàng
• 5.1.2. Chiến lược cho nhóm khách hàng tốt nhất (Best)
• 5.1.3. Chiến lược cho nhóm khách hàng mới (New)
• 5.1.4. Chiến lược phản hồi của khách hàng (feedback)
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC

Tóm tắt

I. Tổng Quan Về Phân Tích Hành Vi Khách Hàng Từ Big Data Tại Sacombank

Phân tích hành vi khách hàng từ dữ liệu lớn (Big Data) đã trở thành một xu hướng quan trọng trong ngành ngân hàng, đặc biệt là tại Sacombank. Việc hiểu rõ hành vi tiêu dùng của khách hàng không chỉ giúp ngân hàng tối ưu hóa dịch vụ mà còn nâng cao trải nghiệm khách hàng. Sacombank, với nguồn dữ liệu phong phú từ các giao dịch, có thể áp dụng các phương pháp phân tích hiện đại để xác định nhu cầu và xu hướng của khách hàng.

1.1. Khái Niệm Về Big Data Trong Ngân Hàng

Big Data đề cập đến khối lượng dữ liệu khổng lồ mà ngân hàng thu thập từ nhiều nguồn khác nhau. Dữ liệu này bao gồm thông tin giao dịch, hành vi tiêu dùng và các yếu tố khác ảnh hưởng đến quyết định của khách hàng.

1.2. Tầm Quan Trọng Của Phân Tích Dữ Liệu Khách Hàng

Phân tích dữ liệu khách hàng giúp Sacombank hiểu rõ hơn về hành vi và nhu cầu của khách hàng, từ đó đưa ra các chiến lược kinh doanh hiệu quả hơn. Điều này không chỉ giúp giữ chân khách hàng mà còn thu hút khách hàng mới.

II. Thách Thức Trong Phân Tích Hành Vi Khách Hàng Tại Sacombank

Mặc dù việc phân tích hành vi khách hàng từ Big Data mang lại nhiều lợi ích, nhưng Sacombank cũng phải đối mặt với nhiều thách thức. Những thách thức này bao gồm việc xử lý khối lượng dữ liệu lớn, đảm bảo tính bảo mật và bảo vệ thông tin cá nhân của khách hàng.

2.1. Khó Khăn Trong Việc Xử Lý Dữ Liệu Lớn

Khối lượng dữ liệu lớn đòi hỏi Sacombank phải có hệ thống công nghệ thông tin mạnh mẽ để xử lý và phân tích. Việc này có thể tốn kém và đòi hỏi thời gian.

2.2. Vấn Đề Bảo Mật Dữ Liệu Khách Hàng

Bảo mật thông tin khách hàng là một trong những ưu tiên hàng đầu. Sacombank cần đảm bảo rằng dữ liệu khách hàng được bảo vệ an toàn trước các mối đe dọa từ bên ngoài.

III. Phương Pháp Phân Tích Hành Vi Khách Hàng Từ Big Data

Sacombank áp dụng nhiều phương pháp phân tích khác nhau để hiểu rõ hơn về hành vi khách hàng. Các phương pháp này bao gồm phân tích RFM, phân cụm và khai thác dữ liệu.

3.1. Phân Tích RFM Để Hiểu Hành Vi Khách Hàng

Phân tích RFM (Recency, Frequency, Monetary) giúp Sacombank xác định giá trị của từng khách hàng dựa trên lịch sử giao dịch của họ. Điều này cho phép ngân hàng phân khúc khách hàng một cách hiệu quả.

3.2. Sử Dụng Phân Cụm Để Nhóm Khách Hàng

Phân cụm là một phương pháp mạnh mẽ giúp Sacombank nhóm khách hàng theo các đặc điểm tương đồng. Điều này giúp ngân hàng phát triển các chiến lược tiếp thị phù hợp với từng nhóm.

IV. Ứng Dụng Thực Tiễn Của Phân Tích Hành Vi Khách Hàng Tại Sacombank

Kết quả từ việc phân tích hành vi khách hàng đã giúp Sacombank cải thiện dịch vụ và tăng cường sự hài lòng của khách hàng. Ngân hàng đã áp dụng các chiến lược marketing dựa trên dữ liệu để tối ưu hóa trải nghiệm khách hàng.

4.1. Cải Thiện Dịch Vụ Khách Hàng

Dựa trên phân tích dữ liệu, Sacombank đã cải thiện quy trình phục vụ khách hàng, từ đó nâng cao sự hài lòng và giữ chân khách hàng.

4.2. Tăng Cường Chiến Lược Marketing Dựa Trên Dữ Liệu

Sacombank đã phát triển các chiến lược marketing dựa trên phân tích hành vi khách hàng, giúp ngân hàng tiếp cận đúng đối tượng và tăng cường hiệu quả kinh doanh.

V. Kết Luận Về Phân Tích Hành Vi Khách Hàng Tại Sacombank

Phân tích hành vi khách hàng từ Big Data là một công cụ mạnh mẽ giúp Sacombank nâng cao hiệu quả kinh doanh. Ngân hàng cần tiếp tục đầu tư vào công nghệ và phát triển các chiến lược dựa trên dữ liệu để duy trì vị thế cạnh tranh.

5.1. Tương Lai Của Phân Tích Dữ Liệu Tại Sacombank

Sacombank cần tiếp tục phát triển các công nghệ phân tích dữ liệu để tối ưu hóa quy trình phục vụ và nâng cao trải nghiệm khách hàng.

5.2. Đề Xuất Chiến Lược Phát Triển Dựa Trên Dữ Liệu

Ngân hàng nên xây dựng các chiến lược phát triển dựa trên phân tích dữ liệu để đáp ứng nhu cầu ngày càng cao của khách hàng và duy trì sự cạnh tranh trên thị trường.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh nền kinh tế Việt Nam và thế giới có sự chuyển dịch mạnh mẽ, ngành ngân hàng thương mại đang đối mặt với nhiều thách thức và cơ hội mới. Theo báo cáo của ngành, lợi nhuận sau thuế của các ngân hàng thương mại không còn phụ thuộc chủ yếu vào tín dụng mà ngày càng tăng trưởng từ các hoạt động dịch vụ, đặc biệt là bancassurance. Sacombank, một trong những ngân hàng thương mại hàng đầu Việt Nam với lịch sử 28 năm phát triển, đã đầu tư mạnh mẽ vào hệ thống lưu trữ dữ liệu lớn (big data) nhằm nâng cao chất lượng dịch vụ và đa dạng hóa sản phẩm. Nghiên cứu này tập trung phân tích hành vi khách hàng dựa trên dữ liệu big data của Sacombank trong giai đoạn từ tháng 10/2018 đến tháng 10/2019, với mục tiêu phân khúc thị trường khách hàng cá nhân tại TP. Hồ Chí Minh. Qua đó, đề tài hướng đến việc phát triển các giải pháp kinh doanh nhằm giữ chân khách hàng hiện tại, hạn chế rời dịch vụ và thu hút khách hàng mới. Việc phân tích dựa trên mô hình CLV (Customer Lifetime Value) và phương pháp RFM (Recency, Frequency, Monetary) giúp xác định đặc điểm hành vi tiêu dùng của khách hàng sử dụng thẻ tín dụng, tiền gửi và tiền vay. Kết quả nghiên cứu được kỳ vọng sẽ hỗ trợ Sacombank xây dựng chiến lược kinh doanh hiệu quả, áp dụng chính thức từ năm 2020.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên các lý thuyết và mô hình sau:

• Mô hình RFM (Recency, Frequency, Monetary): Đây là phương pháp phân tích hành vi khách hàng dựa trên ba tiêu chí chính: thời gian giao dịch gần nhất (Recency), tần suất giao dịch (Frequency) và tổng giá trị giao dịch (Monetary). Mô hình này giúp phân loại khách hàng thành các nhóm từ "rời dịch vụ" đến "tốt nhất" theo thang điểm 1 đến 5, từ đó xác định mức độ trung thành và giá trị khách hàng.

• Mô hình CLV (Customer Lifetime Value): Đo lường giá trị đóng góp của khách hàng trong suốt vòng đời sử dụng dịch vụ. CLV được tính dựa trên các biến số như doanh thu, chi phí hoạt động và thời gian khách hàng tham gia dịch vụ, giúp ngân hàng đánh giá lợi nhuận tiềm năng từ từng khách hàng.

• Thuật toán phân cụm K-means: Phương pháp phân cụm dữ liệu không giám sát, chia tập dữ liệu thành k nhóm dựa trên đặc điểm tương đồng. Thuật toán này được sử dụng để phân khúc khách hàng dựa trên các chỉ số RFM, giúp nhận diện các nhóm khách hàng có hành vi tiêu dùng tương tự.

• Khái niệm phân khúc thị trường: Quá trình chia thị trường thành các nhóm khách hàng đồng nhất về nhu cầu và hành vi tiêu dùng, nhằm xây dựng chiến lược marketing phù hợp cho từng phân khúc.

Phương pháp nghiên cứu

Nguồn dữ liệu chính được sử dụng là big data từ hệ thống lưu trữ của Sacombank, bao gồm dữ liệu giao dịch khách hàng sử dụng thẻ tín dụng, tiền gửi và tiền vay trong khoảng thời gian 12 tháng (01/10/2018 - 30/10/2019). Tổng số dòng giao dịch là khoảng 137.141, với 59.650 khách hàng tiền gửi, 4.642 giao dịch thẻ tín dụng và 2.349 giao dịch tiền vay, trong đó có 1.421 khách hàng tham gia đồng thời các dịch vụ.

Phương pháp chọn mẫu là lựa chọn khách hàng cá nhân có thời gian tham gia dịch vụ trên 12 tháng tại TP. Hồ Chí Minh nhằm đảm bảo tính ổn định và độ tin cậy của dữ liệu. Công cụ phân tích chính là phần mềm SPSS Modeler 18, hỗ trợ xử lý dữ liệu lớn và thực hiện phân tích RFM, phân cụm K-means.

Quy trình nghiên cứu gồm các bước: làm sạch và tích hợp dữ liệu, chuyển đổi dữ liệu phù hợp, phân tích RFM, phân cụm khách hàng, đánh giá kết quả và đề xuất chiến lược kinh doanh. Thời gian nghiên cứu dữ liệu kéo dài 12 tháng, đảm bảo phản ánh đầy đủ hành vi tiêu dùng và xu hướng khách hàng.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Phân khúc khách hàng theo RFM: Kết quả phân tích cho thấy nhóm khách hàng "tốt nhất" chiếm khoảng 15% tổng số khách hàng, với điểm R, F, M đều ở mức rất cao. Nhóm "tiềm năng" chiếm khoảng 25%, trong khi nhóm "nguy cơ" và "rời dịch vụ" chiếm khoảng 20%, cho thấy ngân hàng cần tập trung cải thiện dịch vụ để giữ chân khách hàng ở nhóm này.

2. Hành vi tiêu dùng theo loại dịch vụ: Khách hàng sử dụng thẻ tín dụng có tần suất giao dịch trung bình cao hơn 30% so với khách hàng tiền gửi và tiền vay. Tổng giá trị giao dịch của khách hàng tiền vay chiếm khoảng 40% tổng dư nợ, phản ánh vai trò quan trọng của nhóm này trong nguồn thu của ngân hàng.

3. Phân cụm khách hàng bằng thuật toán K-means: Thuật toán phân cụm thành 4 nhóm chính dựa trên đặc điểm RFM, trong đó nhóm có giá trị CLV cao nhất chiếm 18% và đóng góp hơn 50% doanh thu dịch vụ. Nhóm khách hàng mới chiếm 22%, có tiềm năng phát triển nhưng cần được chăm sóc kỹ lưỡng để tăng tần suất giao dịch.

4. Mối quan hệ giữa hành vi tiêu dùng và phân khúc thị trường: Khách hàng thuộc nhóm "quan hệ gần" (Close Relationship) có thời gian tham gia dịch vụ trung bình 3 năm, tần suất giao dịch cao hơn 40% so với nhóm "quan hệ tiềm năng". Điều này cho thấy sự gắn bó lâu dài giúp tăng giá trị khách hàng và giảm rủi ro rời dịch vụ.

Thảo luận kết quả

Kết quả nghiên cứu cho thấy việc áp dụng mô hình RFM kết hợp thuật toán phân cụm K-means trên dữ liệu big data là phương pháp hiệu quả để phân khúc khách hàng ngân hàng. Việc phân loại rõ ràng các nhóm khách hàng giúp Sacombank có thể xây dựng các chiến lược marketing và chăm sóc khách hàng phù hợp, từ đó tăng khả năng giữ chân khách hàng và khai thác khách hàng mới.

So sánh với các nghiên cứu trong ngành ngân hàng và viễn thông, kết quả tương đồng về tầm quan trọng của tần suất giao dịch và giá trị giao dịch trong việc xác định giá trị khách hàng. Việc sử dụng dữ liệu big data giúp nâng cao độ chính xác và tính thực tiễn của phân tích, đồng thời giảm thiểu rủi ro do dữ liệu khảo sát truyền thống.

Dữ liệu có thể được trình bày qua các biểu đồ phân bố điểm RFM, biểu đồ phân cụm khách hàng và bảng so sánh giá trị CLV giữa các nhóm, giúp trực quan hóa kết quả và hỗ trợ ra quyết định chiến lược.

Đề xuất và khuyến nghị

1. Tăng cường chăm sóc nhóm khách hàng "tốt nhất": Triển khai các chương trình ưu đãi đặc biệt, nâng cao trải nghiệm dịch vụ nhằm duy trì tần suất giao dịch và giá trị giao dịch, mục tiêu tăng 10% doanh thu từ nhóm này trong vòng 12 tháng. Chủ thể thực hiện: Phòng Marketing và Chăm sóc khách hàng.

2. Phát triển chiến lược giữ chân nhóm "nguy cơ" và "rời dịch vụ": Áp dụng các chính sách khuyến mãi, tư vấn tài chính cá nhân hóa để giảm tỷ lệ rời dịch vụ xuống dưới 15% trong năm tiếp theo. Chủ thể thực hiện: Bộ phận Phân tích dữ liệu và Dịch vụ khách hàng.

3. Khai thác khách hàng mới và nhóm "tiềm năng": Tăng cường quảng bá sản phẩm, xây dựng các gói dịch vụ phù hợp với nhu cầu đặc thù, dự kiến tăng số lượng khách hàng mới thêm 20% trong 12 tháng. Chủ thể thực hiện: Phòng Phát triển sản phẩm và Kinh doanh.

4. Xây dựng hệ thống thu thập và phân tích phản hồi khách hàng: Thiết lập trung tâm dữ liệu phản hồi đa kênh (quầy giao dịch, hotline, mạng xã hội) để nhanh chóng xử lý và cải tiến dịch vụ, nâng cao chỉ số hài lòng khách hàng (CSAT) lên trên 85% trong năm 2020. Chủ thể thực hiện: Ban Quản lý chất lượng và Công nghệ thông tin.

Đối tượng nên tham khảo luận văn

1. Ban lãnh đạo ngân hàng: Giúp hiểu rõ hành vi khách hàng và xây dựng chiến lược phân khúc thị trường hiệu quả, từ đó tối ưu hóa nguồn lực và tăng trưởng bền vững.

2. Phòng Marketing và Chăm sóc khách hàng: Cung cấp cơ sở dữ liệu và phân tích chi tiết để thiết kế các chương trình ưu đãi, chăm sóc cá nhân hóa phù hợp với từng nhóm khách hàng.

3. Chuyên gia phân tích dữ liệu và công nghệ thông tin: Tham khảo quy trình khai thác và phân tích big data, áp dụng thuật toán phân cụm K-means và mô hình RFM trong thực tiễn ngân hàng.

4. Sinh viên và nghiên cứu sinh ngành Quản trị kinh doanh, Tài chính - Ngân hàng: Là tài liệu tham khảo quý giá về ứng dụng big data trong phân tích hành vi khách hàng và phân khúc thị trường trong lĩnh vực ngân hàng.

Câu hỏi thường gặp

1. Big data giúp gì trong phân tích hành vi khách hàng ngân hàng?
   Big data cung cấp lượng lớn dữ liệu giao dịch và hành vi tiêu dùng thực tế, giúp ngân hàng phân tích chính xác hơn nhu cầu và thói quen khách hàng, từ đó xây dựng chiến lược phù hợp.

2. Mô hình RFM gồm những yếu tố nào và ý nghĩa ra sao?
   RFM gồm Recency (thời gian giao dịch gần nhất), Frequency (tần suất giao dịch) và Monetary (giá trị giao dịch). Ba yếu tố này giúp đánh giá mức độ trung thành và giá trị khách hàng.

3. Thuật toán K-means được sử dụng như thế nào trong nghiên cứu?
   K-means phân cụm khách hàng dựa trên các chỉ số RFM, giúp nhóm khách hàng có hành vi tương đồng vào cùng phân khúc để xây dựng chiến lược riêng biệt.

4. Làm sao để giữ chân khách hàng "nguy cơ" rời dịch vụ?
   Ngân hàng cần áp dụng các chương trình ưu đãi, chăm sóc cá nhân hóa và tư vấn tài chính nhằm tăng sự hài lòng và gắn bó của khách hàng.

5. Phân khúc thị trường có vai trò gì trong kinh doanh ngân hàng?
   Phân khúc thị trường giúp ngân hàng tập trung nguồn lực vào nhóm khách hàng có tiềm năng sinh lợi cao, tối ưu hóa chiến lược marketing và phát triển sản phẩm phù hợp.

Kết luận

• Nghiên cứu đã thành công trong việc áp dụng mô hình RFM và thuật toán K-means trên dữ liệu big data của Sacombank để phân tích hành vi khách hàng và phân khúc thị trường.
• Kết quả phân khúc giúp nhận diện rõ các nhóm khách hàng từ "tốt nhất" đến "rời dịch vụ", hỗ trợ xây dựng chiến lược kinh doanh hiệu quả.
• Việc khai thác big data nâng cao độ chính xác và tính thực tiễn của phân tích, góp phần tăng lợi thế cạnh tranh cho Sacombank.
• Các đề xuất chiến lược tập trung vào chăm sóc khách hàng, giữ chân nhóm nguy cơ, phát triển khách hàng mới và xây dựng hệ thống phản hồi khách hàng.
• Tiếp theo, Sacombank cần triển khai các giải pháp đề xuất trong năm 2020, đồng thời tiếp tục đầu tư vào công nghệ và đào tạo nhân sự để tối ưu hóa khai thác dữ liệu lớn.

Hãy bắt đầu áp dụng các chiến lược phân khúc khách hàng dựa trên big data để nâng cao hiệu quả kinh doanh và giữ vững vị thế trên thị trường ngân hàng cạnh tranh hiện nay!

Trích đoạn nội dung tài liệu

Chương 1: Giới thiệu tổng quan về đề tài nghiên cứu Chương 2: Cơ sở lý luận Chương 3: Big data và ứng dụng của Big data tại Sacombank Chương 4: Phân tích dữ liệu big data Chương 5: Kết luận và đề xuất chiến lược LUAN VAN CHAT LUONG download : add [e-mail] 10 CHƯƠNG 2: CƠ SỞ LÝ LUẬN 2. Big Data Dữ liệu lớn có thể bao gồm cả dữ liệu cấu trúc và không cấu trúc hay bán cấu trúc. Các hoạt động được tạo lập trong hệ thống đều được Big Data ghi lại. Đối với hoạt động kinh doanh, dữ liệu này sẽ ghi lại tất cả lịch sử tiêu dùng của khách hàng trong suốt thời gian giao dịch, dữ liệu này sẽ ngày càng phong phú, đa dạng hơn theo thời gian.

Đây là nguồn dữ liệu hữu ích mà các tổ chức có thể sử dụng trong việc truy vấn thông tin để phát triển chiến lược kinh doanh, hay tạo lập môi trường quản lý chuyên nghiệp. Hiểu được tầm quan trọng và “cơ hội kinh doanh” từ Big Data, hiện nay các ngân hàng nước ngoài đang khai thác nguồn dữ liệu để xây dựng chiến lược kinh doanh trên nhiều lĩnh vực chuyên môn và ngoài chuyên môn, từ phân tích tâm lý khách hàng đến phân tích cơ hội kinh doanh trong việc bán chéo sản phẩm hay quản lý doanh nghiệp. Big Data đóng vai trò quan trọng trong việc truy xuất dữ liệu và hỗ trợ con người đưa ra quyết định tốt hơn với cơ hội thành công cao hơn nhiều. Khai thác dữ liệu (Data Mining) Theo báo cáo của Markets and Markets thị trường Data Mining dự báo sẽ tăng từ 591,2 triệu USD năm 2018 lên 1.039 triệu USD trong năm 2023.

Đây chính là minh chứng cho thấy xu hướng tiếp cận Data mining phục vụ cho khai thác giá trị từ dữ liệu ở các công ty trên toàn cầu ngày càng mạnh mẽ. Khai thác dữ liệu là một tập hợp, một hệ thống các phương pháp tính toán, thuật toán được áp dụng cho các cơ sở dữ liệu lớn và phức tạp, mục đích loại bỏ các chi tiết ngẫu nhiên, chi tiết ngoại lệ, khám phá các mẫu, mô hình, quy luật tìm ẩn, các thông tin có giá trị trong bộ dữ liệu. Khai thác dữ liệu là thành quả công nghệ tiên tiến ngày ngay, là quá trình khám phá các kiến thức vô giá bằng cách phân tích khối lượng lớn dữ liệu đồng thời lưu trữ chúng ở nhiều cơ sở dữ liệu khác nhau (Data- Flair). LUAN VAN CHAT LUONG download : add [e-mail] 11 Nguồn: https://bigdatauni.

Quy trình khai thác dữ liệu Dựa trên mô hình được trình bày tại biểu đồ 2.1 có thể phân quy trình khai thác dữ liệu thành 2 quá trình: chuẩn bị dữ liệu (data preparation) và khai thác dữ liệu (data mining) và 7 bước được mô tả chi tiết trong bảng 2. Các bước trong quá trình khai thác dữ liệu Bước Chức năng Diễn giải 1 Làm sạch dữ liệu Loại bỏ các dữ liệu nhiễu và dữ liệu không liên (Cleaning) quan, không đầy đủ thông tin 2 Tích hợp dữ liệu Tổng hợp và lưu trữ dữ liệu từ nhiều nguồn khác (Integration) nhau trong một hệ cơ sở dữ liệu 3 Lựa chọn dữ liệu Chọn ra những dữ liệu liên quan, có giá trị phân tích (Selection) 4 Chuyển đổi dữ liệu Chuyển đổi và hợp nhất dữ liệu theo các loại biến, (Transformation) định dạng khác nhau để phù hợp và dễ dàng cho việc phân tích. LUAN VAN CHAT LUONG download : add [e-mail] 12 5 Khai thác dữ liệu Xây dựng các thuật toán, phương pháp, các model (Data mining) phân tích khác nhau nhằm mục đích phát hiện, trích xuất các thông tin hữu ích, giá trị tiềm năng từ những mẫu dữ liệu. 6 Đánh giá mẫu dữ liệu Xác định mức độ chính xác, khả năng đem lại giá (Evaluation) trị thực sự và triển khai thực tế không.

7 Trình bày kết quả thu Thể hiện kết quả bằng các công cụ trực quan hóa, được sử dụng đồ thị, bảng, biểu đồ để diễn giải kết quả (Knowledge) đến người xem Mặt khác, dựa trên các tiêu chí đặc điểm của một tổ chức, Xin-an Lai (2009) đưa ra mô hình về quy trình khai thác dữ liệu bằng cách sử dụng mô hình phân khúc khách hàng được mô tả trong biểu đồ 2.1 Khai thác dữ liệu là một trong những lợi thế các công ty trong ngành sản xuất, kinh doanh, marketing nếu họ biết cách ứng dụng hợp lý để tăng cường hiệu quả hoạt động. Các lợi ích cơ bản của khai thác dữ liệu như sau: hỗ trợ ra quyết định tự động, hỗ trợ đưa ra dự báo chính xác, hỗ trợ giảm thiểu chi phí và hỗ trợ khả năng thấu hiểu khách hàng. Đồng thời việc khai thác dữ liệu cũng được ứng dụng rộng rãi trong nhiều lĩnh vực kinh doanh và ngành nghề và được phân theo từng chức năng nhiệm vụ. Ứng dụng của khai thác dữ liệu Phân theo chức năng nhiệm vụ Phân theo ngành và lĩnh vực - Phân tích và quản lý thị trường - Tài chính ngân hàng - Phân tích bên trong công ty và quản lý - Y tế chăm sóc sức khỏe rủi ro - Viễn thông - Phát hiện và ngăn chặn hành vi phạm - Sales và Marketing tội và lừa đảo - E-ecommerce - Bán lẻ và một số ngành nghề khác LUAN VAN CHAT LUONG download : add luanvanchat@agmail.

Hành vi tiêu dùng 2. Định nghĩa Hành vi người tiêu dùng là loại hình nghiên cứu hướng đến các đối tượng là cá nhân hoặc tổ chức và cách mà các đối tượng chủ thể trên quyết định lựa chọn và sử dụng sản phẩm, dịch vụ để thỏa mãn nhu cầu của bản thân, cũng như sự tác động của quá trình đưa ra quyết định đó tới tâm lý số đông người tiêu dùng và xã hội. Những tác nhân gây ảnh hưởng tới hành vi tiêu dùng chủ yếu là các tác động nội tại và ngoại vi (Solomon, 2004). Điều này có thể do con người muốn trốn thoát khỏi guồng công việc thường nhật, cải thiện chất lượng sống, tự thưởng công sức (Danziger, 2004a), đẩy mạnh niềm tin vào bản thân, tìm kiếm trải nghiệm đáng nhớ, trở nên đặc biệt và độc nhất (Danziger, 2004b), thể hiện cá tính, thể hiện địa vị xã hội hoặc đáp ứng các nhu cầu tâm lý (Nia và Judith, 2000).

Một số các giả thuyết đã được đề xuất nhằm giải thích tại sao và bằng cách nào mà người tiêu dùng chọn một loại sản phẩm nhất định (Bettman, 1970; Fishben, 1963; Fishbein và Ajzen, 1975; Mitchel và Olson, 1981; Rosenberg, 1950). Trong số những nỗ lực lập ra để tạo nên số giả thuyết đó, các nhà nghiên cứu đã tập trung mạnh vào cách thức mà người tiêu dùng phát triển thái độ bản thân đối với 1 sản phẩm, vì thái độ với sản phẩm được cho rằng là mối liên kết giữa hành vi và sự chi tiêu. Ví dụ cụ thể: dựa theo nghiên cứu của Fishbein và Ajzen (1975), có hai cấu kiện quan trọng gây ảnh hưởng tới thái độ hướng tới sản phẩm: cấu trúc niềm tin và tiêu chí đánh giá (Lee và Um, 1992). Đầu tiên, một người tiêu dùng có thể sẽ tin rằng ở mỗi một sản phẩm sở hữu một vài các tính chất nhất định biết được là do tác động trực tiếp từ kinh nghiệm bản thân hoặc gián tiếp thông qua các nhân vật đại diện cho thương hiệu hoặc nguồn truyền thông công chúng.

Thứ hai, người tiêu dùng có thể đánh giá một sản phẩm chỉ với một số tính chất sản phẩm nhất định mà họ cảm thấy là đủ để áp đặt cho việc đưa ra quyết định mua sản phẩm. Điều này cấu thành nên tiêu chí đánh giá chủ đạo cho thái độ người mua hướng tới sản phẩm. Trong trường hợp như vậy, chúng ta thường hay tranh cãi rằng khách hàng đưa ra quyết định là dựa vào nền tảng nhận xét, cũng như có kiến thức về, tính chất sản phẩm (Geistfeld, và một số khác, 1977; Peter LUAN VAN CHAT LUONG download : add [e-mail] 14 và Olson, 1996; Wahlers, 1982). Trong một số trường hợp, người tiêu dùng có thể so sánh giữa những lựa chọn có thể thay thế nhau tùy theo những tính chất của chúng và chọn ra thứ họ ưa thích nhất.

Trong một số khác, người tiêu dùng lại có thể đánh giá riêng từng lựa chọn có mặt và đi theo hướng phù hợp nhất (Stephen và Simonson, 1997). Tiêu chí đánh giá chủ yếu có thể sẽ khách quan, như giá cả, hoặc chủ quan, như lợi ích cảm tính có từ việc sử dụng sản phẩm (Lee và Um, 1992). Tuy vậy, tiêu chí đánh giá chính lại thường chỉ được đưa ra dưới dạng ý tưởng bởi vì các xúc tác thông tin lọt vào 2 phạm trù lớn: nội tại và tác động ngoại vi (Lee và Lou, 1996; Monroe và Dodds, 1988; Peter và Olson, 1996; Rao và Monroe, 1989; Richardson và một số khác, 1994; Schelinck, 1983). Xúc tác nội tại là những tính chất có liên quan đặc thù tới một 1 sản phẩm nhất định, có thể bao gồm các tính vật lý như hình dạng, thiết kế, phong cách và nguyên, vật liệu (Lee và Lou, 1996; Ulgado và Lee, 1993).

Mặt khác, xúc tác ngoại vi không được coi là một phần vật chất của sản phẩm (mặc dù vẫn liên quan đến nó). Nghiên cứu trước đây cho thấy rằng người tiêu dùng vận dụng cả xúc tác nội tại và ngoại vi trong quá trình đánh giá sản phẩm (Lee và Lou, 1996; Monroe và Dodds, 1988; Peter và Olson, 1996; Rao và Monroe, 1989; Richardson và một số khác, 1994; Schellinck, 1983). Có một quan điểm hay được bàn đến đó là các xúc tác ngoại vi phổ biến hơn trong thực tế và có thể bao gồm thương hiệu, giá, bao bì và xuất xứ (xem vd. Lee và Lou, 1996; Richardson và một số khác, 1994).

Nghiên cứu trước cũng cho rằng người tiêu dùng dễ nhận biết sự có mặt của xúc tác ngoại vi hơn nên vì thế dựa vào chúng hơn khi đánh giá sản phẩm nếu như đem so với các xúc tác nội tại (xem vd. Bettman và Park, 1980; Dodds và một số khác, 1991; Han và Terpstra, 1988; Lee và Lou, 1996). Trong nghiên cứu của Richardson và một số khác năm 1994 chẳng hạn, có xem xét về sự tương quan trong độ quan trọng giữa xúc tác nội tại và ngoại vi trong việc nhận biết về chất lượng thương hiệu trong 5 sản phẩm ở Mỹ (khoai tây cắt lát ăn liền thông thường, khoai tây cắt lát ăn chấm kem kiểu Pháp, bánh quy hạt choco, phô mai cắt lát và thạch nho). LUAN VAN CHAT LUONG download : add [e-mail] 15 Kết quả cho thấy rằng giới tiêu dùng ở Mỹ nhìn nhận thương hiệu chủ yếu qua xúc tác ngoại vi gắn liền với sản phẩm thay vì do nội tại.

Phần nhiều các người tiêu dùng mua sắm phụ thuộc vào thu nhập bản thân.