Bối cảnh và vấn đề nghiên cứu

Ngành kinh doanh bán lẻ truyền thống tại Việt Nam đối mặt với nhiều biến động lớn kể từ khi đại dịch Covid-19 bùng phát vào đầu năm 2020. Theo số liệu thống kê được tác giả trích dẫn trong văn bản, tổng mức bán lẻ trong 3 tháng đầu năm 2020 chỉ đạt 1.246 tỷ đồng, tăng 4,67% so với cùng kỳ năm 2019 — mức tăng trưởng thấp nhất trong giai đoạn 5 năm từ 2016 đến 2020. Các chuỗi bán lẻ lớn như Lotte, Aeon Mall và Coopmart chịu tác động tiêu cực khi sức mua có thời điểm giảm tới 50%. Riêng hệ thống Coopmart, doanh thu bán lẻ trong 2 tháng đầu năm 2020 sụt giảm 50% so với cùng kỳ năm trước, tương đương mức hụt doanh thu 1.000 tỷ đồng.

Bước vào giai đoạn phục hồi hậu đại dịch, hành vi của người tiêu dùng có sự thay đổi rõ rệt. Báo cáo nghiên cứu xu hướng người tiêu dùng của McKinsey (Resil Das et al., 2023) chỉ ra rằng hơn 65% người tiêu dùng Việt Nam có ý định chuyển đổi sang các phương thức mua sắm khác thay vì đến trực tiếp cửa hàng, hình thành thói quen mua hàng trực tuyến và giao hàng tận nơi. Trước thực tế lượng khách hàng mua sắm trực tiếp tại mỗi điểm bán đạt khoảng 330 lượt khách/ngày, khối lượng dữ liệu giao dịch hóa đơn tích lũy mỗi ngày là rất lớn nhưng chưa được khai thác triệt để do thiếu nền tảng công nghệ và giải pháp phân tích phù hợp. Để duy trì tập khách hàng thân thiết và tối ưu hóa doanh số, bài toán phân tích giỏ hàng (Market Basket Analysis – MBA) thông qua kỹ thuật khai phá luật kết hợp được đặt ra nhằm phát hiện các mẫu hành vi mua sắm đồng thời giữa các mặt hàng.

Mục tiêu nghiên cứu của khóa luận được xác định cụ thể gồm hai nhiệm vụ:

  1. Thu thập bộ dữ liệu chứa thông tin hóa đơn mua hàng thực tế tại siêu thị Coopmart.
  2. Khai thác tri thức ẩn chứa trong bộ dữ liệu bằng các phương pháp khai phá luật kết hợp thông qua việc cài đặt, thực nghiệm hai giải thuật Apriori và FP-Growth, đồng thời nghiên cứu cơ sở lý thuyết về hành vi mua sắm của khách hàng.

Đối tượng và phạm vi nghiên cứu của đề tài:

  • Đối tượng nghiên cứu: Dữ liệu giao dịch mua sắm tại quầy thu ngân và các mối quan hệ kết hợp giữa các mặt hàng trong cùng hóa đơn.
  • Phạm vi không gian: Chi nhánh siêu thị Coopmart Goldsilk (thuộc hệ thống Saigon Co.op).
  • Phạm vi thời gian: Dữ liệu lịch sử giao dịch mua sắm trong Quý I năm 2024 (bao gồm tháng 1, tháng 2 và tháng 3 năm 2024).
  • Phạm vi công nghệ: Ngôn ngữ lập trình Python, môi trường Jupyter Notebook, các thư viện xử lý dữ liệu và thuật toán gồm pandas, numpy, matplotlib, collections.defaultdict, time, TransactionEncoder, apriori, fpgrowth.

Cơ sở lý thuyết và phương pháp

Khóa luận xây dựng hệ thống cơ sở lý luận dựa trên các khung lý thuyết chuẩn mực trong lĩnh vực khám phá tri thức và hành vi người tiêu dùng:

  • Quy trình khám phá tri thức từ cơ sở dữ liệu (KDD): Tiếp cận theo mô hình của Oded Maimon & Lior Rokach (2005) gồm 6 giai đoạn tuần tự và lặp lại: Tích hợp dữ liệu (Data Integration), Lựa chọn dữ liệu (Data Selection), Làm sạch dữ liệu (Data Cleaning), Chuyển đổi dữ liệu (Data Transformation), Khai phá dữ liệu (Data Mining), Đánh giá mẫu và biểu diễn tri thức (Pattern Evaluation and Knowledge Presentation).
  • Lý thuyết hành vi mua sắm (Consumer Behavior): Tổng hợp định nghĩa từ Enis (1974), Roger D. Blackwell và Michael Solomon (1995), phân tích 4 nhóm yếu tố tác động đến quyết định mua sắm: Văn hóa (nhánh văn hóa, tầng lớp xã hội), Xã hội (nhóm tham khảo, gia đình, vai trò và địa vị), Cá nhân (độ tuổi, thu nhập, lối sống), và Tâm lý (nhận thức, niềm tin, thái độ).
  • Khung lý thuyết luật kết hợp (Association Rules): Dựa trên công trình của Jiawei Han, luật kết hợp biểu diễn dưới dạng mệnh đề $X \rightarrow Y$ ($X \cap Y = \emptyset$), trong đó $X$ là tập mục tiền đề (nguyên nhân) và $Y$ là tập mục hệ quả (kết quả). Mức độ hữu ích của luật được đo lường qua:
    • Độ hỗ trợ ($Support$): Đo lường tần suất xuất hiện đồng thời của tập mục trong toàn bộ cơ sở dữ liệu: $$supp(X) = P(X)$$ $$supp(X \rightarrow Y) = P(X \cap Y)$$
    • Độ tin cậy ($Confidence$): Xác suất xuất hiện giỏ hàng chứa $Y$ khi đã biết giỏ hàng chứa $X$: $$conf(X \rightarrow Y) = \frac{P(X \cap Y)}{P(X)}$$
    • Khái niệm tập mục thường xuyên (Frequent Itemset): Tập hợp các mặt hàng có độ hỗ trợ lớn hơn hoặc bằng ngưỡng hỗ trợ tối thiểu ($min_support$).

Phương pháp nghiên cứu thực tế được tác giả triển khai bao gồm:

  • Phương pháp nghiên cứu tài liệu: Thu thập, phân tích và tổng hợp các công trình khoa học trong và ngoài nước về khai phá dữ liệu trong kinh doanh thông minh (Moaiad Ahmad Khder et al., 2021), phân tích giỏ hàng bằng học máy (Abu Hasnat Patwary et al., 2021; M Qisman et al., 2021; Nguyễn Hưng Long, 2021), và tổng quan các thuật toán khai phá luật kết hợp (Trupti A Kumbhare & Chobe, 2014).
  • Phương pháp nghiên cứu thực nghiệm định lượng: Xử lý và chuyển đổi dữ liệu giao dịch thực tế sang cấu trúc nhị phân (One-hot encoding/Boolean DataFrame), thực thi thuật toán Apriori và FP-Growth trên Python để đo lường số lượng luật, tốc độ xử lý và khả năng ứng dụng.

Nguồn dữ liệu nghiên cứu là tập dữ liệu thô trích xuất từ cơ sở dữ liệu bán hàng của siêu thị Coopmart Goldsilk trong Quý I năm 2024, lưu trữ dưới định dạng bảng tính Excel gồm 22 trường thuộc tính và gần 180.000 bản ghi giao dịch.

Nội dung chính theo từng chương

Chương 1: Tổng quan đề tài nghiên cứu

Chương 1 giới thiệu tổng quan về đơn vị thực tập, đơn vị phối hợp dữ liệu, nêu bật tính cấp thiết của đề tài và xác định phạm vi nghiên cứu:

  • Đơn vị thực tập: Công ty Cổ phần Phần mềm Quản lý Doanh nghiệp (FAST), thành lập ngày 11/06/1997 với hơn 27 năm kinh nghiệm, cung cấp giải pháp cho hơn 52.000 doanh nghiệp trên toàn quốc. Các dòng sản phẩm chính bao gồm: Fast Business Online (ERP), Fast HRM Online, Fast DMS Online, Fast CRM Online, Fast Accounting Online, Fast Accounting, Fast Accounting For Bookkeepers, Fast e-Invoice (đáp ứng Thông tư 78/2021/TT-BTC), Fast e-Contract, Fast Accounting for Public Sector và Fast Accounting Online for Education.
  • Đơn vị ứng dụng: Siêu thị Coopmart thuộc Saigon Co.op, thành lập từ năm 1996 (chi nhánh đầu tiên là Coopmart Cống Quỳnh), sở hữu mạng lưới hơn 128 siêu thị tại 45 tỉnh thành.
  • Bối cảnh thực tiễn: Nêu rõ các số liệu suy giảm sức mua do đại dịch Covid-19 và sự dịch chuyển sang mua sắm trực tuyến của hơn 65% người tiêu dùng (theo McKinsey).
  • Phân tích hành vi mua sắm: Trình bày tác động chi tiết của 4 nhóm yếu tố: Văn hóa, Xã hội, Cá nhân và Tâm lý đối với quá trình ra quyết định mua hàng của người tiêu dùng tại siêu thị.

Chương 2: Cơ sở lý thuyết về khai phá dữ liệu và luật kết hợp

Chương 2 tập trung trình bày hệ thống lý thuyết về kỹ thuật khai phá dữ liệu và các thuật toán sinh luật kết hợp:

  • Quy trình KDD: Làm rõ 6 bước từ dữ liệu thô đến tri thức khả dụng theo mô hình của Oded Maimon & Lior Rokach (2005).
  • Kỹ thuật học máy: Phân loại học có giám sát (Phân loại, Hồi quy), học không giám sát (Phân cụm, Luật kết hợp), và học bán giám sát.
  • Nguyên lý thuật toán Apriori: Dựa trên tính chất phi đơn điệu của độ hỗ trợ (nếu một tập mục không thường xuyên thì mọi tập cha của nó đều không thường xuyên) để cắt tỉa không gian tìm kiếm, sinh các tập ứng viên $C_k$ và tập thường xuyên $L_k$ qua từng bước lặp.
  • Nguyên lý thuật toán FP-Growth: Khắc phục hạn chế quét cơ sở dữ liệu nhiều lần của Apriori bằng cách nén toàn bộ dữ liệu vào cấu trúc cây FP-Tree thông qua 2 lần quét CSDL, sau đó khai thác các tập mục thường xuyên trực tiếp từ cây FP-Tree có điều kiện.
  • Khảo sát và so sánh các thuật toán: Tác giả tổng hợp bảng so sánh 6 thuật toán khai phá luật kết hợp từ công trình của Trupti A Kumbhare & Chobe (2014):
Thuật toán Quy mô dữ liệu hỗ trợ Tốc độ pha khởi tạo Tốc độ pha sau Độ chính xác
AIS Nhỏ Chậm Chậm Rất thấp
SETM Nhỏ Chậm Chậm Thấp
Apriori Có giới hạn Nhanh Chậm Thấp
Aprioritid Lớn Chậm Nhanh Cao hơn Apriori
Apriori Hybrid Rất lớn Nhanh Nhanh Cao hơn Apriori
FP-Growth Rất lớn Nhanh Nhanh Cao

Dựa trên bảng so sánh, tác giả kết luận chọn hai giải thuật Apriori và FP-Growth để tiến hành thực nghiệm đối sánh trên tập dữ liệu của Coopmart.

Chương 3: Xây dựng và thực nghiệm

Chương 3 trình bày toàn bộ quy trình thực nghiệm trên bộ dữ liệu thực tế:

  • Mô tả cấu trúc dữ liệu: Bộ dữ liệu Quý I/2024 có 22 trường thuộc tính: Mã đơn hàng, Thời gian đặt hàng, Thời gian trích bill, Thời gian thanh toán tại POS, Mã quầy, Mã HĐ, Mã thu ngân, SKU, Department, Sub Department, Tên sản phẩm, Số lượng, Khối lượng, Giá gốc, Giá bán, Tiền trước thuế, Thuế suất, Tiền thuế, Tiền sau thuế, Loại đơn hàng, Trạng thái, Mã khách hàng.
  • Tiền xử lý và làm sạch dữ liệu:
    • Chuyển đổi định dạng cột thời gian từ object sang datetime.
    • Lọc và chỉ giữ lại các giao dịch có Trạng thái = Hoàn thành.
    • Kết hợp hai trường Department và Sub Department để tạo trường Mã danh mục.
    • Chuẩn hóa tên sản phẩm: Bổ sung dấu tiếng Việt, lược bỏ các thông số kỹ thuật/khối lượng không cần thiết (ví dụ: Nuoc mam Cholimex 40N tt 500ml thành Nước mắm), giữ lại thương hiệu có tác động mạnh đến nhận thức (ví dụ: Mi H.Hao lau kim chi H.Quoc75g thành Mì hảo hảo lẩu kim chi, nhưng Mi tron Reeva ganam pmaicay85g rút gọn thành Mì trộn).
  • Thống kê top 10 sản phẩm bán chạy nhất Quý I/2024:
    • Sản phẩm thuộc nhóm "Bánh" dẫn đầu với 8.319 lượt mua.
    • Nhóm "Nước ngọt" đạt 7.551 lượt mua.
    • Nhóm "Sữa" đạt 5.875 lượt mua.
    • Các vị trí tiếp theo chủ yếu là nhóm thực phẩm và hàng tiêu dùng thiết yếu.
  • Biến đổi cấu trúc dữ liệu giỏ hàng:
    • Chuyển đổi bảng dữ liệu thành dạng danh sách giao dịch theo mã hóa đơn, thu được 29.736 giao dịch với số mặt hàng tối đa trong một hóa đơn là 78 sản phẩm (bảng trung gian 88 cột).
    • Sử dụng TransactionEncoder để chuyển đổi mảng danh sách sản phẩm thành DataFrame dạng Boolean (True/False), loại bỏ cột giá trị NaN. Bộ dữ liệu hoàn chỉnh sau xử lý gồm 28.199 giao dịch và 970 cột mặt hàng.
  • Thực nghiệm thuật toán và khảo sát ngưỡng tham số:
    • Khảo sát thuật toán Apriori với các giá trị $min_support$ trong khoảng $[0.003, 0.007]$.
    • Đánh giá sự phụ thuộc của số lượng luật vào ngưỡng hỗ trợ:
Giá trị min_support Số lượng luật sinh ra
0.003 1.210 luật
0.005 301 tập mục thường xuyên (ngưỡng tối ưu)
0.03 Rất ít luật

Tác giả chọn ngưỡng $min_support = 0.005$ để hạn chế luật nhiễu, thu được 301 tập mục thường xuyên làm đầu vào cho quá trình sinh luật kết hợp với điều kiện độ nâng ($min_lift = 1$) và sắp xếp theo độ tin cậy ($confidence$) giảm dần.

Kết quả và đóng góp

Khóa luận đạt được các kết quả định lượng cụ thể trên tập dữ liệu thực tế của siêu thị Coopmart Goldsilk:

  • Xử lý thành công tập dữ liệu bán lẻ quy mô gần 180.000 bản ghi thô, làm sạch và trích xuất được 28.199 giao dịch hoàn chỉnh chứa 970 danh mục sản phẩm chuẩn hóa.
  • Xác định được 10 nhóm mặt hàng có sức mua lớn nhất trong Quý I/2024, trong đó nhóm Bánh (8.319 lượt mua), Nước ngọt (7.551 lượt mua) và Sữa (5.875 lượt mua) chiếm tỷ trọng chi tiêu vượt trội.
  • Thực nghiệm chứng minh ngưỡng hỗ trợ tối thiểu $min_support = 0.005$ là tham số phù hợp nhất để loại bỏ các quy tắc ngẫu nhiên, sinh ra 301 tập mục thường xuyên phục vụ trích xuất luật.
  • So sánh hiệu năng thực tế cho thấy giải thuật FP-Growth vận hành ổn định và không gặp hiện tượng quá tải bộ nhớ khi giảm ngưỡng $min_support$, trong khi Apriori xuất hiện lỗi tràn bộ nhớ khi hạ thấp ngưỡng hỗ trợ (như thể hiện ở Hình 3.22 trong khóa luận).

Các đề xuất ứng dụng thực tiễn được tác giả nêu ra bao gồm:

  • Bố trí không gian quầy kệ: Sắp xếp các cặp mặt hàng có độ kết hợp cao nằm cạnh nhau hoặc trên cùng tuyến di chuyển chính của khách hàng để gia tăng tỷ lệ mua hàng ngẫu hứng.
  • Xây dựng chương trình khuyến mãi chéo: Thiết kế các gói combo giảm giá (ví dụ: áp dụng chiết khấu cho sản phẩm phụ khi mua sản phẩm chính trong cùng luật kết hợp).
  • Gợi ý mua sắm trên nền tảng trực tuyến: Tích hợp các luật kết hợp có độ tin cậy cao vào công cụ gợi ý sản phẩm trên ứng dụng và website của Saigon Co.op nhằm tăng giá trị trung bình trên mỗi đơn hàng.

Về mặt đóng góp học thuật và thực tiễn, đề tài cung cấp một quy trình thực nghiệm hoàn chỉnh từ khâu tiền xử lý dữ liệu hóa đơn bán lẻ thực tế bằng tiếng Việt đến khâu đối sánh thuật toán KDD, làm tài liệu tham khảo cho các bài toán phân tích giỏ hàng tại thị trường bán lẻ Việt Nam.

Hạn chế và hướng nghiên cứu tiếp

Khóa luận ghi nhận một số hạn chế gắn liền với phạm vi dữ liệu và phương pháp xử lý:

  • Giới hạn phạm vi dữ liệu: Dữ liệu nghiên cứu chỉ được thu thập tại một điểm bán đơn lẻ (chi nhánh siêu thị Coopmart Goldsilk) trong khoảng thời gian một quý (Quý I năm 2024), do đó chưa phản ánh được tính mùa vụ trong cả năm cũng như sự khác biệt về thói quen tiêu dùng giữa các vùng miền.
  • Tiền xử lý danh mục thủ công: Việc phân loại và chuẩn hóa tên sản phẩm vẫn phải kết hợp xuất dữ liệu ra bảng tính Excel để xử lý thủ công theo từng nhóm danh mục, chưa tự động hóa hoàn toàn bằng các thuật toán xử lý văn bản.
  • Thiếu hụt dữ liệu khách hàng: Nhiều giao dịch bị khuyết trường mã khách hàng do tỷ lệ khách hàng vãng lai không đăng ký thẻ thành viên cao, khiến nghiên cứu chưa thể kết hợp sâu yếu tố nhân khẩu học vào các luật kết hợp.

Hướng nghiên cứu tiếp theo được tác giả định hướng:

  • Mở rộng phạm vi thu thập dữ liệu trên nhiều chi nhánh thuộc hệ thống Saigon Co.op với chu kỳ thời gian dài hơn (theo từng năm).
  • Nghiên cứu ứng dụng các kỹ thuật xử lý ngôn ngữ tự nhiên (NLP) để tự động hóa hoàn toàn quy trình chuẩn hóa và gộp tên sản phẩm bán lẻ.
  • Kết hợp luật kết hợp với các thuật toán phân cụm khách hàng (Clustering) hoặc khai phá chuỗi tuần tự (Sequential Pattern Mining) nhằm nâng cao tính cá nhân hóa trong các chiến lược tiếp thị.

Giá trị tham khảo

Đề tài là nguồn tài liệu tham khảo hữu ích cho các nhóm đối tượng:

  • Sinh viên và nhà nghiên cứu: Thuộc các chuyên ngành Hệ thống thông tin quản lý, Công nghệ thông tin, Kinh tế số, Khoa học dữ liệu và Marketing; đặc biệt hữu ích cho những ai đang thực hiện đề tài tốt nghiệp về khai phá dữ liệu, phân tích giỏ hàng (MBA) hoặc ứng dụng học máy trong thương mại bán lẻ.
  • Chuyên viên phân tích kinh doanh và quản lý bán lẻ: Cung cấp phương pháp luận thực tế để khai thác cơ sở dữ liệu hóa đơn bán hàng nhằm phục vụ bài toán trưng bày hàng hóa và thiết kế chương trình tiếp thị.

Nội dung đáng tham khảo nhất trong khóa luận là quy trình tiền xử lý chi tiết dữ liệu giao dịch hóa đơn thô (xử lý khuyết thiếu, chuẩn hóa tên sản phẩm tiếng Việt, chuyển đổi sang bảng Boolean qua TransactionEncoder) và phương pháp khảo sát thực nghiệm tham số $min_support$ trên hai thuật toán Apriori và FP-Growth.

Câu hỏi thường gặp

1. Bộ dữ liệu sử dụng trong khóa luận có nguồn gốc từ đâu và bao gồm những thông tin gì?
Dữ liệu được trích xuất từ cơ sở dữ liệu hóa đơn thanh toán của siêu thị Coopmart Goldsilk trong Quý I/2024, gồm 22 trường thông tin như: Mã đơn hàng, thời gian (đặt hàng, trích bill, thanh toán POS), mã quầy, mã thu ngân, SKU, Department, Sub Department, tên sản phẩm, số lượng, khối lượng, các trường giá/thuế và trạng thái đơn hàng. Sau khi lọc các đơn hoàn thành và loại bỏ giá trị rỗng, bộ dữ liệu thực nghiệm còn lại 28.199 giao dịch và 970 cột mặt hàng.

2. Vì sao tác giả phải thực hiện bước chuẩn hóa tên sản phẩm và gộp mã danh mục trước khi khai phá dữ liệu?
Tên sản phẩm trong hệ thống gốc chứa nhiều ký hiệu phân loại kỹ thuật, khối lượng và quy cách đóng gói phức tạp, khiến số lượng tập mục 1 phần tử tăng cao đột biến và làm bùng nổ không gian tìm kiếm. Việc chuẩn hóa tên (bổ sung dấu tiếng Việt, lược bỏ chi tiết phụ, chỉ giữ lại thương hiệu nổi bật) và ghép Department với Sub Department giúp giảm thiểu dung lượng bộ nhớ, tránh tình trạng sinh luật nhiễu và làm cho các luật kết hợp trở nên rõ ràng, dễ diễn giải.

3. Ba nhóm sản phẩm nào có lượt mua cao nhất tại siêu thị Coopmart Goldsilk trong Quý I/2024?
Theo kết quả thống kê tại Hình 3.7 trong khóa luận, 3 nhóm sản phẩm dẫn đầu về số lượt mua trong các giao dịch Quý I/2024 là: nhóm Bánh (8.319 lượt mua), nhóm Nước ngọt (7.551 lượt mua) và nhóm Sữa (5.875 lượt mua).

4. Căn cứ nào giúp tác giả lựa chọn ngưỡng hỗ trợ tối thiểu $min_support = 0.005$?
Tác giả đã thực hiện khảo sát trong đoạn $[0.003, 0.007]$. Kết quả cho thấy khi chọn $min_support = 0.03$, số lượng luật sinh ra rất ít, không đủ thông tin; ngược lại, khi hạ xuống $min_support = 0.003$, hệ thống sinh ra tới 1.210 luật, gây nhiễu và khó ứng dụng. Mức $min_support = 0.005$ được chọn làm ngưỡng cân bằng tối ưu, tạo ra 301 tập mục thường xuyên có ý nghĩa thực tiễn.

5. Điểm khác biệt căn bản về mặt vận hành giữa thuật toán Apriori và FP-Growth trong khóa luận là gì?
Apriori tìm tập mục thường xuyên bằng cách duyệt qua cơ sở dữ liệu nhiều lần và sinh các tập ứng viên $C_k$, dẫn đến chi phí thời gian lớn và dễ tràn bộ nhớ khi dữ liệu lớn. Ngược lại, FP-Growth chỉ quét cơ sở dữ liệu 2 lần để nén dữ liệu vào cây FP-Tree và khai thác trực tiếp từ cây điều kiện, giúp tốc độ xử lý nhanh hơn và hạn chế lỗi quá tải bộ nhớ khi làm việc với ngưỡng hỗ trợ thấp.

Kết luận

Khóa luận tốt nghiệp của sinh viên Nguyễn Thị Mai Anh đã áp dụng thành công quy trình KDD và kỹ thuật khai phá luật kết hợp trên bộ dữ liệu hóa đơn thực tế tại chi nhánh siêu thị Coopmart Goldsilk trong Quý I năm 2024. Thông qua việc phân tích dữ liệu và thực nghiệm đối sánh hai giải thuật Apriori và FP-Growth trên môi trường Python, tác giả đã làm rõ mối quan hệ giữa ngưỡng hỗ trợ tối thiểu và số lượng luật sinh ra, xác định giá trị $min_support = 0.005$ là tham số tối ưu để trích xuất 301 tập mục thường xuyên. Kết quả nghiên cứu cung cấp cơ sở dữ liệu định lượng phục vụ trực tiếp cho việc sắp xếp hàng hóa, xây dựng chính sách khuyến mãi chéo và nâng cao hiệu quả vận hành bán lẻ tại siêu thị.