Bối cảnh và vấn đề nghiên cứu
Trong bối cảnh bùng nổ công nghệ thông tin và chuyển đổi số, ngành du lịch đang chứng kiến sự cạnh tranh gay gắt giữa các doanh nghiệp cung cấp dịch vụ lữ hành. Nhu cầu và thị hiếu của khách hàng ngày càng nâng cao, đặc biệt là đòi hỏi về tính cá nhân hóa và tính riêng tư trong trải nghiệm du lịch. Tuy nhiên, nhiều công ty lữ hành hiện nay vẫn chưa đáp ứng trọn vẹn các yêu cầu này, dẫn đến nguy cơ khách hàng ngừng sử dụng dịch vụ (customer churn).
Việc nhận diện các yếu tố tác động đến quyết định rời bỏ hoặc ở lại của khách hàng đóng vai trò sống còn đối với các nhà quản trị nhằm tối ưu hóa nguồn lực, giảm thiểu tỷ lệ thất thoát khách hàng và gia tăng doanh thu bền vững. Xuất phát từ thực tiễn đó, đề tài "Ứng dụng học máy vào dự báo và phân tích khả năng khách hàng rời khỏi dịch vụ của công ty du lịch" được nhóm tác giả thực hiện trong khuôn khổ học phần Khoa học dữ liệu tại Đại học Kinh tế TP. Hồ Chí Minh.
Đề tài đặt ra 5 mục tiêu nghiên cứu cụ thể:
- Khám phá tập dữ liệu về hành vi khách hàng du lịch.
- Tiền xử lý và làm sạch dữ liệu thô.
- Thực hiện phân cụm (clustering) và phân lớp (classification) dữ liệu.
- So sánh các đặc trưng hành vi dựa trên nhãn mục tiêu rời bỏ (
Target).
- Đề xuất các định hướng chiến lược giúp doanh nghiệp lữ hành thu hút và duy trì khách hàng hiệu quả.
Đối tượng nghiên cứu của báo cáo là hành vi tiêu dùng và quyết định duy trì/rời bỏ dịch vụ của 954 khách hàng sử dụng dịch vụ du lịch. Phạm vi nghiên cứu tập trung vào tập dữ liệu "Tour and Travels customer churn prediction" với 7 thuộc tính phản ánh đặc điểm nhân khẩu học và tương tác dịch vụ, được công bố và phân tích tại thời điểm tháng 10 năm 2023.
Cơ sở lý thuyết và phương pháp
Khung lý thuyết và mô hình tiếp cận
Nghiên cứu vận dụng nền tảng của Khoa học dữ liệu (Data Science) – lĩnh vực giao thoa giữa Toán thống kê, Khoa học máy tính và Tri thức chuyên ngành kinh doanh. Các nội dung lý thuyết trọng tâm được khai thác gồm:
- Tiền xử lý dữ liệu (Data Preprocessing): Kỹ thuật làm sạch dữ liệu (xử lý giá trị khuyết thiếu
missing values, khử nhiễu) và rút gọn dữ liệu (tổng hợp, chọn lọc thuộc tính con, rút gọn chiều, rời rạc hóa).
- Học không giám sát (Unsupervised Learning) trong phân cụm: Phương pháp phân cụm phân cấp (Hierarchical Clustering với các kỹ thuật liên kết Single, Complete, Average link) và phương pháp phân hoạch (K-Means Clustering). Chỉ số Silhouette (
Silhouette Plot / Silhouette Score) được dùng làm thước đo đánh giá chất lượng phân cụm.
- Học có giám sát (Supervised Learning) trong phân lớp: Lý thuyết về Hồi quy Logistic (Logistic Regression), Cây quyết định / Rừng ngẫu nhiên (Random Forest), Máy vector hỗ trợ (Support Vector Machine - SVM). Các công cụ đánh giá mô hình phân lớp gồm Ma trận nhầm lẫn (Confusion Matrix), Độ chính xác (Precision), Đường cong ROC và Chỉ số AUC.
Phương pháp nghiên cứu và công cụ thực hiện
Nghiên cứu áp dụng quy trình khai phá dữ liệu thực nghiệm thông qua phần mềm mã nguồn mở Orange:
- Thu thập dữ liệu: Khai thác bộ dữ liệu thứ cấp gồm 954 mẫu quan sát và 7 trường thông tin.
- Xử lý và phân tích dữ liệu: Sử dụng các widget trực quan của Orange để mã hóa dữ liệu nhị phân, thay thế dữ liệu khuyết thiếu bằng giá trị phổ biến nhất (mode), tính toán ma trận khoảng cách (
Distances), thực hiện phân cụm phân cấp và K-Means với số cụm $k$ thay đổi từ 2 đến 7.
- Phân tách tập dữ liệu: Sử dụng widget
Data Sampler để chia tách tập dữ liệu theo tỷ lệ 90% dành cho huấn luyện mô hình (DATATRAINING) và 10% dành cho kiểm thử/dự báo (DATAFORECAST).
Nội dung chính theo từng chương
CHƯƠNG 1: GIỚI THIỆU VỀ KHOA HỌC DỮ LIỆU VÀ GIỚI THIỆU ĐỀ TÀI
Chương 1 khái quát vai trò của khoa học dữ liệu trong việc hỗ trợ ra quyết định kinh doanh và tối ưu hóa vận hành doanh nghiệp. Tác giả chỉ ra tính cấp thiết của bài toán giữ chân khách hàng trong ngành du lịch, nêu rõ lý do chọn đề tài, xác định hệ thống 5 mục tiêu nghiên cứu và trình bày tổng thể quy trình phân tích dữ liệu trên công cụ Orange.
CHƯƠNG 2: TỔNG QUAN VỀ CHƯƠNG TRÌNH SỬ DỤNG – ORANGE VÀ CÁC PHƯƠNG PHÁP SỬ DỤNG
Chương này cung cấp bức tranh toàn diện về phần mềm Orange cùng hệ sinh thái các nhóm chức năng chính (Data, Visualize, Model, Evaluate, Unsupervised, Add-ons). Đồng thời, chương 2 hệ thống hóa cơ sở lý thuyết về tiền xử lý dữ liệu (các chiến lược xử lý dữ liệu thiếu, kỹ thuật rút gọn dữ liệu), nguyên lý toán học của các thuật toán phân cụm (Hierarchical Clustering, K-Means), quy trình phân lớp dữ liệu 2 bước, các thuật toán phân lớp (Logistic Regression, Random Forest, SVM), các chỉ số kiểm định chất lượng mô hình (Confusion Matrix, Precision, ROC, AUC) và các ứng dụng thực tiễn của phân lớp dữ liệu trong kinh tế - quản trị.
CHƯƠNG 3: MÔ HÌNH NGHIÊN CỨU ĐỀ XUẤT
Chương 3 trình bày cấu trúc chi tiết của tập dữ liệu "Tour and Travels customer churn prediction" với 954 quan sát và 7 biến số.
| STT |
Thuộc tính |
Ý nghĩa nghiệp vụ |
Kiểu dữ liệu |
Thống kê mô tả chính |
| 1 |
Age |
Độ tuổi của khách hàng |
Numeric |
Nhóm tuổi 27–28 chiếm 13,58% |
| 2 |
Frequent Flyer |
Tần suất sử dụng máy bay |
Categorical |
Yes: 30% (286); No: 63% (608); No Record: 7% (60) |
| 3 |
Class Annual Income |
Phân lớp thu nhập hàng năm |
Categorical |
Thu nhập thấp (Low Income) chiếm 40,8% (386) |
| 4 |
Services Opted |
Số lần sử dụng dịch vụ lữ hành |
Numeric |
Sử dụng 1 lần chiếm 42,8% (404) |
| 5 |
Account Synced To Social Media |
Đồng bộ tài khoản với MXH công ty |
Categorical |
Đồng bộ (Yes) chiếm 37,3% (360) |
| 6 |
Booked Hotel Or Not |
Đặt khách sạn/lưu trú qua công ty |
Categorical |
Có đặt (Yes) chiếm 39,3% (378) |
| 7 |
Target |
Trạng thái rời bỏ dịch vụ |
Categorical |
Không rời bỏ (0): 76,5% (730); Rời bỏ (1): 23,5% |
CHƯƠNG 4: KẾT QUẢ THỰC HIỆN
Chương 4 tập trung vào quy trình triển khai thực nghiệm và phân tích định lượng:
-
Tiền xử lý dữ liệu:
- Xử lý 60 mẫu thiếu tại biến
Frequent Flyer ("No Record") bằng cách gán giá trị phổ biến nhất ("No").
- Chuyển đổi các biến phân loại nhị phân (
Frequent Flyer, Account Synced To Social Media, Booked Hotel Or Not, Target) sang định dạng số (Yes = 1, No = 0).
- Xuất dữ liệu sạch ra tệp chuẩn bị cho giai đoạn khai phá.
-
Thực nghiệm phân cụm:
- Hierarchical Clustering: Sử dụng ma trận
Distances, khảo sát số cụm $N$ từ 2 đến 4. Tại $N=2$, chỉ số Silhouette đạt giá trị tốt nhất (tiến gần về 1).
- K-Means: Khảo sát $k$ từ 2 đến 7 cụm, giá trị Silhouette đạt đỉnh tại $k=6$ với điểm số 0,280 nhưng suy giảm khi lên $k=7$.
- Lựa chọn mô hình: Nhóm tác giả kết luận phương pháp phân cụm phân cấp (Hierarchical Clustering) chia thành 2 cụm là cấu trúc phân đoạn tối ưu nhất cho bộ dữ liệu.
-
So sánh đặc trưng hành vi giữa 2 cụm:
| Tiêu chí so sánh |
Cụm 1 ($N_1 = 542$) |
Cụm 2 ($N_2 = 412$) |
Độ tuổi (Age) |
27 – 31 tuổi (Độ tuổi 30 chiếm cao nhất: 45,54%; 27 tuổi thấp nhất: 11,54%) |
33 – 38 tuổi (Độ tuổi 37 chiếm cao nhất: 30,58%; 33 tuổi thấp nhất: 7,53%) |
Bay thường xuyên (Frequent Flyer) |
Không thường xuyên: 356 khách (65,68%) |
Không thường xuyên: 253 khách (61,41%) |
Phân lớp thu nhập (Annual Income) |
Thu nhập trung bình (41,17%) và thấp (40,54%) chiếm đa số; cao (17,17%) |
Tương đồng Cụm 1: Thu nhập trung bình và thấp chiếm ưu thế |
Số lần dùng dịch vụ (Services Opted) |
Chọn 1 lần chiếm 42,62% (231 khách); giảm dần từ 1 đến 6 lần |
Chọn 1 lần chiếm 41,99% (173 khách); giảm dần từ 1 đến 6 lần |
Đồng bộ MXH (Account Synced) |
Không đồng bộ chiếm 62,18% (337 khách); Có đồng bộ chiếm 37,82% (205 khách) |
Không đồng bộ chiếm 62,38% (257 khách); Có đồng bộ chiếm 37,62% (155 khách) |
Đặt khách sạn (Booked Hotel) |
Không đặt khách sạn chiếm 61,25% (332 khách); Có đặt chiếm 38,75% (210 khách) |
Không đặt khách sạn chiếm 59,22% (244 khách); Có đặt chiếm 40,78% (168 khách) |
Tỷ lệ rời bỏ (Target) |
Không rời bỏ: 405 khách (74,72%); Rời bỏ: 137 khách (25,28%) |
Không rời bỏ: 325 khách (78,88%); Rời bỏ: 87 khách (21,12%) |
- Bài toán phân lớp và dự báo:
- Dữ liệu được phân chia thành 90% tập huấn luyện (
DATATRAINING) và 10% tập kiểm thử/dự báo (DATAFORECAST) thông qua widget Data Sampler phục vụ việc xây dựng và đánh giá mô hình phân loại churn.
CHƯƠNG 5: ĐÁNH GIÁ KẾT QUẢ VÀ NHÌN NHẬN BÀI LÀM
Chương này đánh giá những hạn chế trong phân bố dữ liệu và đề xuất các giải pháp quản trị kinh doanh tương ứng với các đặc điểm đã phân cụm.
Kết quả và đóng góp
Kết quả chính rút ra từ số liệu
- Phân hóa rõ rệt về độ tuổi: Cụm 1 đại diện cho phân khúc khách hàng trẻ (27–31 tuổi, phần lớn chưa lập gia đình), trong khi Cụm 2 đại diện cho nhóm khách hàng trung niên (33–38 tuổi, đã có gia đình và công việc ổn định).
- Hành vi tiêu dùng mang tính ngắn hạn: Ở cả hai cụm, hơn 41–42% khách hàng chỉ sử dụng dịch vụ của công ty đúng 1 lần duy nhất; tần suất bay thấp (chiếm trên 61–65%); tỷ lệ không đặt phòng khách sạn kèm tour chiếm khoảng 60%; và tỷ lệ không kết nối mạng xã hội chiếm trên 62%.
- Thực trạng rời bỏ dịch vụ: Tỷ lệ khách hàng rời bỏ ở Cụm 1 (khách hàng trẻ) là 25,28%, cao hơn so với tỷ lệ rời bỏ ở Cụm 2 (21,12%).
Kiến nghị quản trị do nhóm tác giả đề xuất
- Thiết kế gói sản phẩm theo phân khúc lứa tuổi: Phát triển các gói tour khám phá, trải nghiệm mới lạ hướng tới nhóm khách hàng trẻ (Cụm 1) và các gói tour nghỉ dưỡng, tiết kiệm chi phí cho gia đình hướng tới nhóm khách hàng trung niên (Cụm 2).
- Chiến lược giá và mở rộng tệp khách hàng: Tối ưu hóa mức giá cho các gói dịch vụ cơ bản để tiếp cận phân khúc thu nhập thấp/trung bình, đồng thời thiết kế dịch vụ cao cấp chuyên biệt để thu hút thêm nhóm khách hàng có thu nhập cao (
High Income).
- Chương trình khuyến mãi kích thích quay lại: Áp dụng các ưu đãi và quà tặng trực tiếp cho khách hàng sử dụng dịch vụ lần 1 và lần 2 nhằm gia tăng tỷ lệ tái sử dụng, đồng thời xây dựng chính sách đặc quyền cho khách hàng thân thiết.
- Cải thiện dịch vụ lưu trú: Bổ sung các chính sách ưu đãi, liên kết khách sạn để gia tăng tỷ lệ đặt kèm dịch vụ phòng khi mua tour (vốn đang ở mức thấp ~39–40%).
- Chính sách hạng thành viên liên kết số: Xây dựng hệ thống tài khoản thành viên tích hợp với mạng xã hội nhằm tăng mức độ gắn kết, tạo niềm tin thương hiệu và nâng cao tỷ lệ đồng bộ tài khoản.
Hạn chế và hướng nghiên cứu tiếp
- Quy mô và phạm vi dữ liệu: Bộ dữ liệu chỉ gồm 954 quan sát với 7 thuộc tính cơ bản, chưa bao quát đầy đủ các khía cạnh hành vi chuyên sâu như mức độ hài lòng, phương thức thanh toán, hay thời gian lưu trú cụ thể.
- Hiện tượng mất cân bằng dữ liệu: Tỷ lệ nhãn
Target có sự chênh lệch lớn giữa nhóm không rời bỏ (76,5%) và nhóm rời bỏ (23,5%), đòi hỏi các kỹ thuật xử lý mất cân bằng mẫu chuyên sâu hơn khi huấn luyện mô hình phân lớp.
- Xử lý dữ liệu thiếu bằng phép thế giản đơn: Việc thay thế 60 mẫu thiếu của biến
Frequent Flyer bằng giá trị mode ("No") mang tính tương đối, có thể làm giảm tính biến thiên tự nhiên của tập dữ liệu.
- Hướng phát triển: Mở rộng thu thập dữ liệu với các biến số định lượng chi tiết hơn; thử nghiệm và so sánh toàn diện hiệu năng của các thuật toán phân loại (Logistic Regression, Random Forest, SVM) trên nhiều chỉ số kiểm định trước khi ứng dụng vào hệ thống thực tế.
Giá trị tham khảo
Báo cáo đồ án mang lại giá trị tham khảo thiết thực cho:
- Sinh viên các ngành Du lịch, Quản trị Kinh doanh, Hệ thống Thông tin Quản lý và Khoa học Dữ liệu: Tham khảo quy trình phân tích dữ liệu thực nghiệm hoàn chỉnh từ khâu làm sạch, mã hóa biến số, phân cụm đến phân lớp dự báo.
- Người nghiên cứu ứng dụng công cụ No-code/Low-code: Cung cấp hướng dẫn trực quan về cách thiết lập luồng làm việc (workflow) phân tích dữ liệu trên phần mềm Orange thông qua việc kết hợp các widget
Distances, Hierarchical Clustering, K-Means, Silhouette Plot, và Data Sampler.
- Nhà quản trị lữ hành: Tham khảo các góc nhìn định lượng về phân đoạn khách hàng và gợi ý giải pháp cải thiện tỷ lệ giữ chân khách hàng du lịch.
Câu hỏi thường gặp
1. Bộ dữ liệu nghiên cứu có quy mô bao nhiêu và gồm những thuộc tính nào?
Tập dữ liệu gồm 954 bản ghi khách hàng với 7 thuộc tính: Age, Frequent Flyer, Class Annual Income, Services Opted, Account Synced To Social Media, Booked Hotel Or Not và biến mục tiêu Target.
2. Dữ liệu khuyết thiếu trong nghiên cứu được xử lý như thế nào?
Biến Frequent Flyer có 60 bản ghi mang giá trị "No Record" (dữ liệu thiếu). Nhóm tác giả đã xử lý bằng phương pháp thay thế bằng giá trị xuất hiện nhiều nhất (mode) là "No", sau đó mã hóa nhị phân thành 0.
3. Tại sao nhóm nghiên cứu lựa chọn phương pháp Hierarchical Clustering thay vì K-Means?
Mặc dù K-Means đạt điểm Silhouette cao nhất ở $k=6$ (0,280), nhưng khi phân tích trực quan trên Silhouette Plot và xem xét tính ứng dụng nghiệp vụ, cấu trúc phân chia thành 2 cụm bằng phương pháp Hierarchical Clustering cho kết quả chỉ số Silhouette tiến gần về 1 hơn và phản ánh rõ nét sự phân hóa giữa hai nhóm khách hàng (nhóm trẻ 27–31 tuổi và nhóm trung niên 33–38 tuổi).
4. Khách hàng ở Cụm 1 và Cụm 2 có những điểm khác biệt chính nào về độ tuổi và tỷ lệ rời bỏ?
Cụm 1 gồm khách hàng từ 27–31 tuổi (chiếm cao nhất là 30 tuổi với 45,54%) và có tỷ lệ rời bỏ dịch vụ là 25,28%. Cụm 2 gồm khách hàng từ 33–38 tuổi (chiếm cao nhất là 37 tuổi với 30,58%) và có tỷ lệ rời bỏ dịch vụ là 21,12%.
5. Tập dữ liệu được phân chia theo tỷ lệ nào phục vụ bài toán phân lớp và dự báo?
Tập dữ liệu được phân chia bằng widget Data Sampler theo tỷ lệ 90% dành cho huấn luyện mô hình (DATATRAINING) và 10% dành cho kiểm thử/dự báo (DATAFORECAST).
Kết luận
Đồ án đã ứng dụng thành công công cụ khai phá dữ liệu Orange để tiền xử lý, phân cụm và xây dựng luồng phân lớp dự báo tỷ lệ rời bỏ dịch vụ của 954 khách hàng du lịch. Kết quả phân cụm phân cấp xác định rõ 2 nhóm khách hàng đặc trưng theo độ tuổi (27–31 tuổi và 33–38 tuổi) cùng các thuộc tính hành vi tương đồng về tần suất sử dụng dịch vụ thấp và mức độ gắn kết dịch vụ số chưa cao. Trên cơ sở đó, nghiên cứu đã đề xuất các nhóm giải pháp thực tiễn về đa dạng hóa gói tour, kích cầu tái sử dụng dịch vụ và liên kết tài khoản thành viên nhằm tối ưu hóa chiến lược giữ chân khách hàng cho doanh nghiệp lữ hành.
