Luận văn thạc sĩ về phát hiện hành vi mua sắm của người dùng và tác nhân liên quan

• Tác giả: Nguyễn Thành Vinh
• Người hướng dẫn: TS. Đặng Thanh Hải
• Trường học: Đại học Quốc gia Hà Nội
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Phát hiện hành vi mua sắm người dùng qua khai phá dữ liệu
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2018
• Địa điểm: Hà Nội

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• MỞ ĐẦU
• 1. CHƯƠNG 1: TỔNG QUAN ỨNG DỤNG KHAI PHÁ DỮ LIỆU TRONG VIỆC PHÁT HIỆN HÀNH VI MUA SẮM
• 1.1. Thị trường và hành vi mua sắm hàng hóa
• 1.2. Hành vi mua sắm của người dùng
• 1.3. Hành vi mua của đơn vị, tổ chức
• 1.4. Khai phá dữ liệu và phát hiện tri thức
• 1.4.1. Khai phá dữ liệu
• 1.4.2. Các bước cơ bản của quá trình phát hiện tri thức
• 1.4.3. Kiến trúc của một hệ thống khai phá dữ liệu. Một số kỹ thuật khai phá dữ liệu
• 1.5. Ứng dụng khai phá dữ liệu cho thị trường hàng hóa
• 1.6. Ứng dụng của khai phá dữ liệu. Phát hiện hành vi mua sắm của người dùng
• 2. CHƯƠNG 2: TỔNG QUAN VỀ KHAI PHÁ LUẬT KẾT HỢP
• 2.1. Luật kết hợp
• 2.2. Khai phá luật kết hợp. Thuật toán Apriori
• 2.3. Thuật toán AIS
• 2.4. Thuật toán SETM
• 2.5. Thuật toán Krimp
• 2.6. Thuật toán TopKRules
• 3. CHƯƠNG 3: THỬ NGHIỆM PHÁT HIỆN HÀNH VI MUA SẮM CỦA NGƯỜI DÙNG
• 3.1. Giới thiệu bài toán
• 3.2. Cài đặt ứng dụng. Cấu hình phần cứng
• 3.3. Các công cụ phần mềm sử dụng
• 3.4. Quá trình thực nghiệm và đánh giá
• 3.5. Tiền xử lý dữ liệu
• 3.6. Cấu hình thông tin trong mô hình Krimp
• 3.7. Kết quả và đánh giá
• 3.8. Kết quả phân tích dữ liệu. Đánh giá kết quả
• TÀI LIỆU THAM KHẢO

I. Tổng quan về hành vi người tiêu dùng

Hành vi của người tiêu dùng là một lĩnh vực nghiên cứu quan trọng trong marketing. Nó giúp doanh nghiệp hiểu rõ hơn về cách mà khách hàng tương tác với sản phẩm và dịch vụ. Việc phân tích hành vi người tiêu dùng không chỉ giúp xác định ai là người mua hàng mà còn giúp doanh nghiệp hiểu rõ hơn về thói quen mua sắm của họ. Theo nghiên cứu, hành vi mua sắm thường diễn ra qua nhiều giai đoạn, từ nhận biết nhu cầu đến quyết định mua. Doanh nghiệp cần nắm rõ các yếu tố ảnh hưởng đến quyết định mua hàng của khách hàng, bao gồm thông tin từ bạn bè, quảng cáo và trải nghiệm cá nhân. Việc hiểu rõ thông tin khách hàng và dữ liệu người dùng sẽ giúp doanh nghiệp tối ưu hóa chiến lược marketing và cải thiện trải nghiệm khách hàng.

1.1. Quy trình quyết định mua hàng

Quy trình quyết định mua hàng của người tiêu dùng thường bao gồm năm giai đoạn chính: nhận biết nhu cầu, tìm kiếm thông tin, đánh giá các phương án, quyết định mua và đánh giá sau khi mua. Mỗi giai đoạn đều có những yếu tố ảnh hưởng riêng, từ đó doanh nghiệp có thể điều chỉnh chiến lược marketing cho phù hợp. Việc nắm bắt thói quen mua sắm của khách hàng sẽ giúp doanh nghiệp phát hiện ra các mẫu hành vi và từ đó đưa ra các quyết định kinh doanh chính xác hơn. Đặc biệt, trong bối cảnh mua sắm trực tuyến, việc phân tích dữ liệu người dùng trở nên quan trọng hơn bao giờ hết.

II. Khai phá dữ liệu và ứng dụng trong phát hiện hành vi mua sắm

Khai phá dữ liệu (KPDL) là một công cụ mạnh mẽ giúp phát hiện các mẫu hành vi trong dữ liệu lớn. KPDL cho phép doanh nghiệp phân tích dữ liệu người dùng để tìm ra các quy luật ẩn chứa trong hành vi mua sắm. Việc áp dụng KPDL trong lĩnh vực thương mại điện tử giúp doanh nghiệp hiểu rõ hơn về thói quen mua sắm của khách hàng, từ đó tối ưu hóa quy trình bán hàng và cải thiện dịch vụ khách hàng. Các thuật toán như Apriori và Krimp được sử dụng để phát hiện các luật kết hợp trong dữ liệu, giúp doanh nghiệp nhận diện các sản phẩm thường được mua cùng nhau. Điều này không chỉ giúp tăng doanh thu mà còn nâng cao trải nghiệm của khách hàng.

2.1. Các kỹ thuật khai phá dữ liệu

Các kỹ thuật khai phá dữ liệu bao gồm phân loại, gộp nhóm, và phân tích liên kết. Mỗi kỹ thuật đều có những ứng dụng riêng trong việc phát hiện hành vi người tiêu dùng. Ví dụ, phân loại giúp xác định nhóm khách hàng tiềm năng, trong khi phân tích liên kết giúp phát hiện các sản phẩm có mối quan hệ với nhau. Việc áp dụng các kỹ thuật này không chỉ giúp doanh nghiệp tối ưu hóa chiến lược marketing mà còn giúp cải thiện trải nghiệm khách hàng. Do đó, việc đầu tư vào công nghệ khai phá dữ liệu là cần thiết để doanh nghiệp có thể cạnh tranh hiệu quả trong thị trường hiện đại.

III. Đánh giá và ứng dụng thực tiễn

Việc phát hiện hành vi mua sắm của người dùng thông qua khai phá dữ liệu không chỉ mang lại lợi ích cho doanh nghiệp mà còn giúp nâng cao sự hài lòng của khách hàng. Các doanh nghiệp có thể sử dụng thông tin từ dữ liệu người dùng để điều chỉnh sản phẩm và dịch vụ của mình, từ đó tạo ra giá trị gia tăng cho khách hàng. Hơn nữa, việc phân tích thông tin khách hàng giúp doanh nghiệp phát hiện ra các xu hướng mới trong thị trường, từ đó đưa ra các quyết định kinh doanh chính xác hơn. Điều này không chỉ giúp doanh nghiệp tồn tại mà còn phát triển bền vững trong môi trường cạnh tranh khốc liệt.

3.1. Tác động đến chiến lược marketing

Khi doanh nghiệp hiểu rõ hành vi người tiêu dùng, họ có thể điều chỉnh chiến lược marketing của mình để phù hợp hơn với nhu cầu và mong muốn của khách hàng. Việc sử dụng KPDL để phân tích thói quen mua sắm giúp doanh nghiệp tối ưu hóa các chiến dịch quảng cáo, từ đó tăng cường hiệu quả tiếp thị. Hơn nữa, việc phát hiện các mẫu hành vi trong dữ liệu giúp doanh nghiệp có thể dự đoán xu hướng mua sắm trong tương lai, từ đó chuẩn bị các kế hoạch kinh doanh phù hợp. Điều này không chỉ giúp doanh nghiệp tăng trưởng mà còn tạo ra sự khác biệt trong lòng khách hàng.

Tổng quan nghiên cứu

Trong bối cảnh dữ liệu được tạo ra với khối lượng ngày càng lớn và đa dạng về thể loại, việc khai thác và sử dụng hiệu quả nguồn dữ liệu này trở thành thách thức lớn đối với các doanh nghiệp, đặc biệt trong lĩnh vực thương mại điện tử. Theo ước tính, ngành thương mại điện tử tạo ra một khối lượng dữ liệu khổng lồ bao gồm chi tiết hóa đơn bán hàng, thông tin khách hàng và dữ liệu cảnh báo hệ thống. Vấn đề nghiên cứu tập trung vào việc phát hiện hành vi mua sắm của người dùng và các tác nhân liên quan thông qua kỹ thuật khai phá dữ liệu nhằm xây dựng mô hình dự báo xu hướng mua hàng, từ đó giúp doanh nghiệp nâng cao chất lượng sản phẩm, dịch vụ và giữ chân khách hàng hiệu quả hơn.

Mục tiêu cụ thể của nghiên cứu là áp dụng các thuật toán khai phá dữ liệu như Krimp và TopKRules để phân tích dữ liệu hóa đơn bán hàng của Công ty Cổ phần Công nghệ PAC Việt Nam trong giai đoạn 2016-2017 tại Hà Nội. Phạm vi nghiên cứu bao gồm hơn 4242 hóa đơn bán hàng với hơn 20.923 mặt hàng và 6654 sản phẩm khác nhau. Ý nghĩa của nghiên cứu được thể hiện qua việc cung cấp các quy luật kết hợp trong hành vi mua sắm, giúp doanh nghiệp có cơ sở khoa học để điều chỉnh chiến lược kinh doanh, tối ưu hóa quản lý kho hàng và nâng cao sự hài lòng của khách hàng.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên hai lý thuyết chính:

• Khai phá dữ liệu (Data Mining - KPDL): Quá trình trích xuất các mẫu, quy luật tiềm ẩn từ kho dữ liệu lớn nhằm hỗ trợ ra quyết định. KPDL bao gồm các kỹ thuật như phân loại, phân cụm, dự báo và phát hiện luật kết hợp.

• Luật kết hợp (Association Rules): Mô hình biểu diễn mối quan hệ giữa các tập mục trong dữ liệu giao dịch, được đo bằng độ hỗ trợ (support) và độ tin cậy (confidence). Luật kết hợp giúp phát hiện các mặt hàng thường được mua cùng nhau, từ đó hỗ trợ các quyết định marketing và quản lý.

Các khái niệm chính bao gồm:

• Tập mục phổ biến (Frequent Itemset): Tập các mặt hàng xuất hiện với tần suất vượt ngưỡng tối thiểu.

• Độ hỗ trợ (Support): Tỷ lệ giao dịch chứa tập mục trong tổng số giao dịch.

• Độ tin cậy (Confidence): Xác suất xuất hiện tập kết quả khi tập điều kiện đã xuất hiện.

• Nguyên lý mô tả chiều dài tối thiểu (MDL): Phương pháp tối ưu hóa khai phá mẫu nhằm giảm dư thừa và trùng lặp trong kết quả.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là tập hóa đơn bán hàng của Công ty Cổ phần Công nghệ PAC Việt Nam, gồm 4242 hóa đơn trong giai đoạn 2016-2017, lưu trữ dưới dạng file Excel. Mỗi hóa đơn chứa thông tin người mua, địa điểm và chi tiết mặt hàng.

Phương pháp phân tích bao gồm:

• Tiền xử lý dữ liệu: Chuẩn hóa dữ liệu từ file Excel sang định dạng text phù hợp cho khai phá dữ liệu, đánh số mã sản phẩm để đồng nhất.

• Áp dụng thuật toán Krimp: Sử dụng nguyên lý MDL để khai phá tập mục phổ biến, giảm thiểu dư thừa và trùng lặp trong dữ liệu.

• Áp dụng thuật toán TopKRules và Apriori: Tìm kiếm các luật kết hợp mạnh dựa trên tập mục phổ biến đã khai phá, xác định các quy luật hành vi mua sắm.

Quá trình nghiên cứu được thực hiện trên cấu hình phần cứng gồm CPU Intel Core i5 2.2 GHz, RAM 12GB, hệ điều hành Windows 10 Pro, với phần mềm hỗ trợ như Notepad++, Microsoft Visual C++ 2010, SQLite Database Browser và Eclipse Mars. Timeline nghiên cứu kéo dài trong năm 2018, tập trung vào thu thập, xử lý dữ liệu và thử nghiệm các thuật toán khai phá.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

• Thuật toán Krimp khai phá được 38 tập mục phổ biến với độ dài từ 4 trở lên, trong đó các tập mục có độ hỗ trợ từ khoảng 26% trở lên được lựa chọn để phân tích sâu hơn.

• Các mặt hàng phổ biến trong tập dữ liệu bao gồm các loại lưỡi dao với mã sản phẩm như TCMT110204HQ-CA525, VNMG160404-CA525, TCMT110204HQ-PV7025, với độ hỗ trợ dao động từ 26% đến 27%.

• Thuật toán TopKRules và Apriori đã phát hiện các luật kết hợp mạnh, ví dụ như khách hàng mua mặt hàng A thường có xu hướng mua mặt hàng B với độ tin cậy trên 60%, hỗ trợ cho việc xây dựng các gói sản phẩm và chương trình khuyến mãi.

• Số lượng hóa đơn bán hàng là 4242, với trung bình mỗi hóa đơn chứa khoảng 4.93 mặt hàng, cho thấy mức độ đa dạng trong hành vi mua sắm của khách hàng.

Thảo luận kết quả

Kết quả cho thấy thuật toán Krimp hiệu quả trong việc giảm thiểu số lượng mẫu dư thừa, giúp tập trung vào các tập mục có ý nghĩa thực tiễn cao. Việc phát hiện các luật kết hợp mạnh hỗ trợ doanh nghiệp trong việc hiểu rõ hơn về hành vi mua sắm, từ đó tối ưu hóa chiến lược nhập hàng và bố trí sản phẩm.

So sánh với các nghiên cứu trong ngành, việc áp dụng kỹ thuật khai phá dữ liệu cho phép khai thác tri thức tiềm ẩn mà các phương pháp truyền thống khó có thể phát hiện. Kết quả có thể được trình bày qua biểu đồ tần suất xuất hiện các tập mục phổ biến và bảng tổng hợp các luật kết hợp với độ hỗ trợ, độ tin cậy tương ứng, giúp trực quan hóa các mối quan hệ trong dữ liệu.

Ý nghĩa của nghiên cứu không chỉ nằm ở việc ứng dụng thành công các thuật toán khai phá dữ liệu mà còn góp phần nâng cao năng lực cạnh tranh cho doanh nghiệp trong bối cảnh thị trường ngày càng phức tạp và biến động.

Đề xuất và khuyến nghị

• Triển khai hệ thống khai phá dữ liệu tự động: Áp dụng các thuật toán Krimp và TopKRules vào hệ thống quản lý bán hàng để cập nhật liên tục các quy luật hành vi mua sắm, giúp doanh nghiệp phản ứng nhanh với xu hướng thị trường.

• Tối ưu hóa quản lý kho hàng: Dựa trên các luật kết hợp, điều chỉnh nhập hàng và bố trí sản phẩm nhằm tăng hiệu quả bán hàng và giảm tồn kho không cần thiết.

• Phát triển chương trình khuyến mãi theo nhóm sản phẩm: Sử dụng các tập mục phổ biến để xây dựng các gói khuyến mãi hấp dẫn, tăng tỷ lệ mua hàng đồng thời và nâng cao doanh thu.

• Đào tạo nhân viên bán hàng chuyên nghiệp: Nâng cao kỹ năng phân tích dữ liệu và hiểu biết về hành vi khách hàng để tư vấn hiệu quả, tăng sự hài lòng và giữ chân khách hàng.

• Thời gian thực hiện: Các giải pháp nên được triển khai trong vòng 6-12 tháng, với sự phối hợp giữa bộ phận IT, marketing và quản lý kho.

Đối tượng nên tham khảo luận văn

• Doanh nghiệp thương mại điện tử: Hỗ trợ phân tích hành vi khách hàng, tối ưu hóa chiến lược bán hàng và marketing.

• Nhà quản lý kho và logistics: Giúp cải thiện quản lý tồn kho dựa trên các quy luật mua sắm thực tế.

• Chuyên gia phân tích dữ liệu và khoa học dữ liệu: Cung cấp phương pháp và thuật toán khai phá dữ liệu ứng dụng thực tiễn trong lĩnh vực bán lẻ.

• Sinh viên và nghiên cứu sinh ngành Công nghệ Thông tin, Quản lý Hệ thống Thông tin: Tham khảo mô hình nghiên cứu, phương pháp và ứng dụng khai phá dữ liệu trong thực tế.

Câu hỏi thường gặp

1. Khai phá dữ liệu là gì và tại sao quan trọng trong thương mại điện tử?
   Khai phá dữ liệu là quá trình trích xuất các mẫu và quy luật tiềm ẩn từ dữ liệu lớn, giúp doanh nghiệp hiểu rõ hành vi khách hàng và tối ưu hóa hoạt động kinh doanh. Ví dụ, phát hiện các mặt hàng thường mua cùng nhau giúp xây dựng chương trình khuyến mãi hiệu quả.

2. Thuật toán Krimp có ưu điểm gì so với các thuật toán khác?
   Krimp dựa trên nguyên lý mô tả chiều dài tối thiểu giúp giảm dư thừa và trùng lặp trong kết quả khai phá, tạo ra các tập mục phổ biến dễ hiểu và có chất lượng cao hơn.

3. Làm thế nào để xác định ngưỡng độ hỗ trợ và độ tin cậy phù hợp?
   Ngưỡng được lựa chọn dựa trên đặc điểm dữ liệu và mục tiêu nghiên cứu. Ví dụ, trong nghiên cứu này, độ hỗ trợ tối thiểu khoảng 26% và độ tin cậy tối thiểu 60% được sử dụng để đảm bảo các luật kết hợp có ý nghĩa thực tiễn.

4. Dữ liệu nghiên cứu được thu thập như thế nào?
   Dữ liệu gồm hơn 4242 hóa đơn bán hàng của Công ty PAC Việt Nam trong giai đoạn 2016-2017, được lưu trữ dưới dạng file Excel và chuyển đổi sang định dạng phù hợp cho khai phá dữ liệu.

5. Ứng dụng thực tế của kết quả nghiên cứu là gì?
   Doanh nghiệp có thể sử dụng các quy luật mua sắm để tối ưu hóa nhập hàng, bố trí sản phẩm, xây dựng chương trình khuyến mãi và nâng cao trải nghiệm khách hàng, từ đó tăng doanh thu và giữ chân khách hàng.

Kết luận

• Nghiên cứu đã áp dụng thành công các thuật toán khai phá dữ liệu Krimp và TopKRules để phát hiện hành vi mua sắm của người dùng dựa trên dữ liệu hóa đơn bán hàng thực tế.
• Thuật toán Krimp giúp giảm thiểu dư thừa và trùng lặp trong tập mục phổ biến, nâng cao chất lượng phân tích.
• Các luật kết hợp được phát hiện cung cấp thông tin quan trọng cho doanh nghiệp trong việc xây dựng chiến lược kinh doanh và marketing.
• Kết quả nghiên cứu có thể được ứng dụng rộng rãi trong quản lý bán hàng, kho vận và phát triển sản phẩm.
• Đề xuất triển khai hệ thống khai phá dữ liệu tự động và đào tạo nhân viên nhằm nâng cao hiệu quả kinh doanh trong vòng 6-12 tháng tới.

Hành động tiếp theo là triển khai thử nghiệm các giải pháp đề xuất và mở rộng nghiên cứu sang các lĩnh vực khác để tăng cường ứng dụng khai phá dữ liệu trong quản lý doanh nghiệp.