Bối cảnh và vấn đề nghiên cứu

Trong môi trường kinh doanh hiện đại, khối lượng dữ liệu phát sinh và lưu trữ trên các phương tiện điện tử gia tăng với tốc độ nhanh chóng. Theo ước tính được trích dẫn trong công trình, dung lượng thông tin toàn cầu tăng gấp đôi sau khoảng hai năm, kéo theo sự mở rộng cả về quy mô lẫn độ phức tạp của các cơ sở dữ liệu doanh nghiệp. Nguồn dữ liệu tích lũy này chỉ thực sự trở thành tài nguyên giá trị khi được chuyển hóa thành tri thức hữu ích, phục vụ công tác quản trị và ra quyết định chiến lược. Khai phá dữ liệu (Data Mining) và quá trình khám phá tri thức từ cơ sở dữ liệu (Knowledge Discovery in Databases – KDD) đóng vai trò then chốt trong việc giải quyết bài toán trích xuất các quy luật tiềm ẩn từ các tập dữ liệu lớn.

Công ty TNHH Thương mại và Dịch vụ TSG là doanh nghiệp được thành lập năm 2010, hoạt động trong lĩnh vực cung cấp các giải pháp công nghệ thông tin cho nhiều nhóm khách hàng như cơ quan nhà nước, doanh nghiệp viễn thông, tài chính - ngân hàng, cũng như các doanh nghiệp vừa và nhỏ. Tuy nhiên, hoạt động marketing của công ty tại thời điểm nghiên cứu vẫn còn mang tính truyền thống và phân tán, chủ yếu dựa vào việc đăng tải thông tin sản phẩm trên sàn thương mại điện tử Vatgia.vn và phát tờ rơi quảng cáo. Doanh nghiệp chưa tận dụng triệt để dữ liệu giao dịch khách hàng sẵn có để tìm hiểu quy luật tiêu dùng, dẫn đến hiệu quả xúc tiến bán hàng và bán chéo sản phẩm chưa đạt mức tối ưu.

Mục tiêu và nhiệm vụ nghiên cứu của khóa luận được xác định cụ thể như sau:

  1. Nghiên cứu tổng quan lý thuyết về hoạt động marketing, khái niệm khai phá dữ liệu và quy trình khám phá tri thức từ cơ sở dữ liệu (KDD).
  2. Phân tích sâu phương pháp khai phá luật kết hợp, khảo sát các thuật toán tiêu biểu bao gồm thuật toán Apriori và thuật toán FP-growth dựa trên cấu trúc cây FP-Tree.
  3. Đánh giá ưu nhược điểm của các phần mềm khai phá dữ liệu phổ biến (R, Weka, See5/C5.0, DTREG, Microsoft Analysis Services) nhằm lựa chọn công cụ phù hợp với quy mô doanh nghiệp.
  4. Thu thập cơ sở dữ liệu giao dịch khách hàng thực tế tại Công ty TNHH Thương mại và Dịch vụ TSG, tiến hành tiền xử lý và làm sạch dữ liệu.
  5. Thực nghiệm khai phá luật kết hợp bằng thuật toán Apriori trên phần mềm Weka, từ đó đánh giá kết quả nhằm đề xuất các giải pháp nâng cao hiệu quả hoạt động marketing cho công ty.

Về đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Kỹ thuật khai phá luật kết hợp trong khai phá dữ liệu (tập trung vào thuật toán Apriori, phương pháp FP-Tree) và dữ liệu giao dịch khách hàng của doanh nghiệp.
  • Phạm vi không gian: Nghiên cứu thực tế tại Công ty TNHH Thương mại và Dịch vụ TSG (trụ sở tại Hà Nội).
  • Phạm vi thời gian: Quá trình khảo sát, thực tập và thu thập dữ liệu được tiến hành từ ngày 20/03/2013 đến ngày 27/05/2013.

Cơ sở lý thuyết và phương pháp

Khóa luận xây dựng hệ thống cơ sở lý thuyết dựa trên khung lý thuyết chuẩn về quá trình khám phá tri thức từ cơ sở dữ liệu (KDD) và các định nghĩa nền tảng về khai phá dữ liệu. Theo tài liệu, quá trình KDD bao gồm chu trình 5 bước lặp:

  1. Hình thành, xác định và định nghĩa bài toán: Tìm hiểu lĩnh vực ứng dụng, xác định nhiệm vụ và lựa chọn phương pháp khai phá tương thích với bản chất dữ liệu.
  2. Thu thập và tiền xử lý dữ liệu: Làm sạch dữ liệu, xử lý giá trị khuyết thiếu, chuyển đổi, rút gọn và rời rạc hóa dữ liệu. Đây là giai đoạn chiếm nhiều thời gian nhất trong toàn bộ quy trình.
  3. Khai phá dữ liệu và rút ra tri thức: Trích xuất các mẫu và mô hình ẩn dưới dữ liệu dựa trên các bài toán mô tả hoặc dự báo.
  4. Phân tích và kiểm định kết quả: Đánh giá, tổng hợp tri thức phát hiện được dưới dạng biểu đồ hoặc báo cáo so sánh nhằm hỗ trợ ra quyết định.
  5. Sử dụng tri thức phát hiện được: Đưa các tri thức đã được kiểm chứng vào hệ thống ứng dụng thực tế hoặc hệ thống hỗ trợ ra quyết định.

Về mặt kỹ thuật, khóa luận hệ thống hóa các kỹ thuật khai phá dữ liệu chính gồm: phân lớp (classification), hồi quy (regression), phân nhóm (clustering), mô hình hóa sự phụ thuộc (dependency modeling), phát hiện sự biến đổi và độ lệch (change and deviation detection). Đối với các phương pháp khai phá, tác giả phân tích phương pháp suy diễn/quy nạp, phương pháp láng giềng gần (K-Nearest Neighbors), cây quyết định và luật kết hợp.

Khung lý thuyết cốt lõi của đề tài là lý thuyết luật kết hợp (Association Rules). Cho tập các khoản mục $I = {I_1, I_2, ..., I_m}$ và cơ sở dữ liệu $D$ gồm các giao dịch $T$ ($T \subseteq I$). Một luật kết hợp có dạng $R: X \Rightarrow Y$, trong đó $X, Y \subset I$ và $X \cap Y = \emptyset$. Hai tham số toán học cơ bản chi phối luật kết hợp gồm:

  • Độ hỗ trợ (Support): Tần số xuất hiện của tập hợp chứa cả $X$ và $Y$ trong cơ sở dữ liệu $D$, ký hiệu $sup(X \Rightarrow Y) = P(X \cup Y)$.
  • Độ tin cậy (Confidence): Tỷ lệ các giao dịch chứa $X$ cũng đồng thời chứa $Y$, được tính theo công thức:

$$\text{Conf}(X \Rightarrow Y) = \frac{P(X \cup Y)}{P(X)} = \frac{sup(X \cup Y)}{sup(X)}$$

Bài toán khai phá luật kết hợp được chia thành hai bài toán con độc lập:

  1. Tìm tất cả các tập mục có độ hỗ trợ lớn hơn hoặc bằng ngưỡng độ hỗ trợ tối thiểu ($minsup$), gọi là các tập mục phổ biến (frequent itemsets).
  2. Sử dụng các tập mục phổ biến để sinh ra các luật kết hợp thỏa mãn ngưỡng độ tin cậy tối thiểu ($minconf$).

Phương pháp nghiên cứu thực nghiệm được tác giả áp dụng:

  • Phương pháp thu thập dữ liệu thứ cấp từ hệ thống quản lý bán hàng của Công ty TSG.
  • Phương pháp tiền xử lý dữ liệu: Loại bỏ các trường định danh không mang giá trị quy luật (thuộc tính Ma_KH), kỹ thuật rời rạc hóa dữ liệu (Discretize) nhằm đưa các thuộc tính về dạng danh mục phù hợp với yêu cầu đầu vào của thuật toán luật kết hợp.
  • Phương pháp phân tích thực nghiệm: Ứng dụng giải thuật Apriori được tích hợp sẵn trong bộ công cụ Weka (Waikato Environment for Knowledge Analysis) phiên bản cài đặt trên máy trạm để trích xuất tập luật từ dữ liệu khách hàng.

Nội dung chính theo từng chương

Chương I: Hoạt động marketing tại Công ty TNHH TSG

Chương I tập trung mô tả bức tranh thực trạng về cơ cấu tổ chức, danh mục kinh doanh và phương thức tiếp thị của đơn vị thực tập:

  • Khái niệm marketing được tác giả trích dẫn theo định nghĩa của Philip Kotler: marketing là các hoạt động của con người hướng vào việc đáp ứng những nhu cầu và ước muốn của người tiêu dùng thông qua quá trình trao đổi. Năm hoạt động marketing cơ bản gồm: phát hiện vấn đề và hình thành mục tiêu nghiên cứu; lập kế hoạch nghiên cứu; thu thập thông tin; phân tích và xử lý thông tin; trình bày kết quả nghiên cứu.
  • Công ty TNHH Thương mại và Dịch vụ TSG được thành lập năm 2010. Danh mục kinh doanh của công ty chia thành ba nhóm chính:
    1. Sản phẩm phần cứng: Máy tính xách tay, thiết bị mạng (Modem, Switch), thiết bị máy văn phòng (máy in, máy photocopy).
    2. Sản phẩm phần mềm: Hệ điều hành, phần mềm diệt virus, ứng dụng văn phòng, sao lưu - phục hồi dữ liệu, thiết kế - đồ họa, internet - mạng, đa phương tiện.
    3. Giải pháp dịch vụ: Giải pháp bảo mật, tích hợp hệ thống, dịch vụ sửa chữa - bảo dưỡng - hỗ trợ khẩn cấp, dịch vụ tư vấn giải pháp và hỗ trợ kỹ thuật Oracle.
  • Đánh giá thực trạng: Hoạt động tiếp thị của công ty còn đơn giản, chỉ tập trung vào việc đăng tin sản phẩm trên website thương mại điện tử Vatgia.vn và phân phát tờ rơi quảng cáo. Doanh nghiệp thiếu các công cụ phân tích hành vi khách hàng, chưa tận dụng dữ liệu bán hàng để hoạch định chiến lược kinh doanh đa mục tiêu.

Chương II: Luật kết hợp trong khai phá dữ liệu

Chương II là phần trọng tâm về mặt lý thuyết toán học và thuật toán, cung cấp các phân tích chi tiết về cơ chế vận hành của khai phá luật kết hợp:

  • Tác giả so sánh các công cụ phần mềm khai phá dữ liệu phổ biến trên thị trường:
Phần mềm Đặc điểm kiến trúc Ưu điểm Nhược điểm
Weka Viết bằng Java, mã nguồn mở, cài đặt máy trạm. Tích hợp đầy đủ các nhóm thuật toán (tiền xử lý, phân lớp, hồi quy, gom cụm, luật kết hợp). Giao diện kết quả khó khai thác trực quan; nhận dữ liệu qua file CSV/ARFF, không kết nối trực tiếp CSDL.
R Ngôn ngữ máy tính và môi trường phân tích thống kê. Mạnh về tính toán ma trận, mô hình thống kê chuyên sâu và trực quan hóa biểu đồ. Cài đặt cục bộ, giao diện dòng lệnh khó khai thác trực tuyến; dữ liệu đầu vào dạng bảng phẳng (CSV/Text).
See5/C5.0 Công cụ thương mại phát triển trên nền tảng Unix/Windows. Tối ưu cho việc sinh cây quyết định và tập luật IF-THEN; xử lý tốt tập dữ liệu hàng trăm ngàn bản ghi; tích hợp kỹ thuật Boosting. Tập trung chủ yếu vào bài toán phân lớp, không tối ưu cho khai phá luật kết hợp tự do.
DTREG Chương trình phân tích thống kê mạnh. Hỗ trợ tạo cây quyết định, hồi quy, mạng nơ-ron và mô hình máy vector hỗ trợ (SVM). Cài đặt máy trạm, yêu cầu định nghĩa cấu trúc tệp dữ liệu đầu vào khắt khe, không hỗ trợ phân tích trực tuyến.
Microsoft Analysis Services Tích hợp trong hệ quản trị cơ sở dữ liệu Microsoft SQL Server. Kết nối trực tiếp cơ sở dữ liệu quan hệ; hỗ trợ kiến trúc máy chủ - máy khách; tích hợp công nghệ OLAP; kết xuất qua Excel. Phụ thuộc hoàn toàn vào hệ sinh thái của Microsoft; chi phí bản quyền và tài nguyên triển khai lớn.
  • Phân loại các hướng tiếp cận luật kết hợp: Luật kết hợp nhị phân (Boolean/Binary), luật kết hợp thuộc tính số và hạng mục (Quantitative & Categorical), tiếp cận theo tập thô (Rough sets), luật kết hợp đa mức (Multi-level), luật kết hợp mờ (Fuzzy), luật kết hợp đánh trọng số (Weighted items), khai phá luật kết hợp song song (Parallel mining), và khai phá kết nối kho dữ liệu đa chiều qua công nghệ OLAP/ROLAP/MOLAP.
  • Phân tích chi tiết thuật toán Apriori: Hoạt động dựa trên tính chất: mọi tập con của một tập phổ biến đều phải là tập phổ biến; nếu một tập mục không đạt $minsup$ thì mọi tập cha chứa nó đều không đạt $minsup$. Thuật toán trải qua hai pha lặp: sinh tập ứng viên $C_k$ từ $L_{k-1}$ thông qua hàm apriori_gen và tỉa nhánh thông qua hàm has_infrequent_subset; sau đó duyệt lại cơ sở dữ liệu thông qua cấu trúc cây băm (Hash Tree) và hàm Subset để đếm tần số hỗ trợ. Khóa luận trình bày ví dụ tính toán từng bước với tập dữ liệu 6 giao dịch, ngưỡng $minsup = 50%$ (tương đương 3 giao dịch), xác định các tập phổ biến 1, 2, 3 và 4 danh mục.
  • Thuật toán FP-growth và cấu trúc FP-Tree: Tác giả chỉ ra nhược điểm của Apriori là phải quét lại cơ sở dữ liệu nhiều lần và sinh số lượng ứng viên khổng lồ khi số lượng danh mục lớn. Để khắc phục, phương pháp FP-growth (J. Han, J. Pei, Y. Yin) nén toàn bộ cơ sở dữ liệu vào cây FP-Tree (chỉ gồm các danh mục đạt $minsup$ sắp xếp theo thứ tự tần số giảm dần trong $f\text{-list}$). Sau đó, thuật toán áp dụng phép chiếu cơ sở dữ liệu có điều kiện và tìm kiếm theo chiều sâu (chia để trị) từ các nút lá ngược lên nút gốc mà không cần sinh tập ứng viên.

Chương III: Ứng dụng luật kết hợp vào hoạt động marketing của Công ty TNHH TSG

Chương III trình bày quá trình áp dụng kỹ thuật đã nghiên cứu vào thực tế doanh nghiệp bằng phần mềm Weka:

  • Cài đặt và thiết lập môi trường: Cài đặt phần mềm Weka trên hệ thống máy trạm của doanh nghiệp.
  • Quy trình thực nghiệm:
    1. Thu thập cơ sở dữ liệu: Trích xuất bảng dữ liệu bán hàng thực tế thongtinkhachhang lưu trữ thông tin giao dịch mua sắm của các khách hàng tại Công ty TSG.
    2. Tiền xử lý dữ liệu: Nạp tệp dữ liệu vào giao diện Preprocess của Weka. Thực hiện loại bỏ thuộc tính mã khách hàng (Ma_KH) do đây là thuộc tính định danh cá nhân, không mang tính quy luật và gây sai lệch mô hình. Áp dụng bộ lọc rời rạc hóa (Discretize) để chuyển đổi các trường dữ liệu liên tục sang dạng biến định tính phù hợp với thuật toán Apriori.
    3. Thiết lập tham số giải thuật: Trên giao diện Associate của Weka, chọn thuật toán Apriori và cấu hình các ngưỡng tham số đầu vào ($minsup$, $minconf$, số lượng luật cần xuất ra).
    4. Khai phá và đánh giá kết quả: Thuật toán tiến hành quét dữ liệu, tính toán độ hỗ trợ và độ tin cậy để xuất ra danh sách các luật kết hợp có ý nghĩa thực tiễn cao nhất.

Kết quả và đóng góp

Khóa luận đã hoàn thành các mục tiêu nghiên cứu đặt ra với các kết quả cụ thể:

  • Về kết quả thực nghiệm: Tác giả đã xây dựng thành công quy trình xử lý dữ liệu thực tế tại doanh nghiệp, thực hiện làm sạch dữ liệu khách hàng thô trên Weka, loại bỏ thuộc tính định danh thừa và rời rạc hóa thành công các trường dữ liệu nghiệp vụ. Bằng việc áp dụng thuật toán Apriori, hệ thống đã trích xuất được danh sách các luật kết hợp thể hiện mối quan hệ gắn liền giữa các nhóm sản phẩm phần cứng, phần mềm và dịch vụ giải pháp của Công ty TSG.
  • Về giải pháp và kiến nghị marketing:
    1. Tái cấu trúc gói sản phẩm (Product Bundling): Dựa vào các luật kết hợp phát hiện được, công ty có căn cứ khoa học để đóng gói bán kèm sản phẩm phần cứng (như máy tính xách tay, máy in) với các phần mềm bản quyền tương ứng (hệ điều hành, ứng dụng văn phòng, phần mềm diệt virus) hoặc các gói dịch vụ bảo dưỡng, hỗ trợ kỹ thuật định kỳ.
    2. Tối ưu hóa kênh quảng bá: Chuyển dịch nguồn ngân sách marketing từ việc phát tờ rơi dàn trải sang các chiến dịch tiếp thị chéo (Cross-selling) tập trung; xây dựng nội dung quảng cáo mục tiêu trên sàn thương mại điện tử Vatgia.vn hướng vào các danh mục sản phẩm thường được mua kèm cùng nhau.
    3. Hỗ trợ bộ phận tư vấn bán hàng: Cung cấp tập luật kết hợp cho nhân viên kinh doanh để chủ động tư vấn thêm các sản phẩm phụ trợ và dịch vụ giải pháp Oracle hoặc bảo mật khi khách hàng có nhu cầu trang bị thiết bị văn phòng.
  • Về đóng góp học thuật và thực tiễn: Khóa luận hệ thống hóa một cách chi tiết lý thuyết toán học của luật kết hợp, đặt lên bàn cân so sánh định tính và định lượng giữa thuật toán Apriori và thuật toán cải tiến FP-growth. Công trình chứng minh tính khả thi của việc ứng dụng công cụ khai phá dữ liệu mã nguồn mở Weka trong việc giải quyết bài toán tiếp thị thực tế tại các doanh nghiệp thương mại CNTT quy mô vừa và nhỏ tại Việt Nam.

Hạn chế và hướng nghiên cứu tiếp

Mặc dù đạt được những kết quả ứng dụng thực tế, công trình còn tồn tại một số hạn chế gắn liền với phạm vi và điều kiện triển khai:

  • Dữ liệu thử nghiệm chỉ giới hạn trong phạm vi giao dịch thu thập tại một doanh nghiệp trong khoảng thời gian thực tập ngắn (tháng 3/2013 đến tháng 5/2013), do đó quy mô mẫu chưa đủ lớn để phản ánh toàn bộ các biến động mùa vụ của thị trường CNTT.
  • Công cụ Weka sử dụng phương thức xử lý tệp phẳng ngoại tuyến (CSV/Text), chưa thiết lập kết nối thời gian thực với hệ quản trị cơ sở dữ liệu nội bộ (SQL Server) của doanh nghiệp, đòi hỏi phải thực hiện thao tác trích xuất và tiền xử lý thủ công trước mỗi chu kỳ phân tích.
  • Nghiên cứu thực nghiệm dừng lại ở thuật toán Apriori cổ điển, chưa triển khai đối sánh trực tiếp với thuật toán FP-growth trên cùng tệp dữ liệu khách hàng để kiểm chứng tốc độ xử lý và khả năng chiếm dụng bộ nhớ.

Hướng nghiên cứu mở rộng được xác định gồm:

  • Mở rộng phạm vi thu thập dữ liệu giao dịch nhiều năm để phát hiện các quy luật kết hợp theo chu kỳ thời gian.
  • Thử nghiệm triển khai các thuật toán tiên tiến như FP-growth hoặc các thuật toán luật kết hợp có trọng số nhằm đánh giá tầm quan trọng khác nhau giữa các nhóm hàng có giá trị cao.
  • Nghiên cứu tích hợp mô hình khai phá dữ liệu trực tiếp vào hệ thống quản lý cơ sở dữ liệu quan hệ thông qua Microsoft Analysis Services và công nghệ OLAP để tự động hóa quy trình phân tích và báo cáo.

Giá trị tham khảo

Báo cáo khóa luận tốt nghiệp của sinh viên Phạm Thị Minh Châu mang lại giá trị tham khảo rõ ràng cho các nhóm đối tượng:

  • Sinh viên và học viên chuyên ngành Hệ thống thông tin quản lý (MIS), Khoa học dữ liệu và Công nghệ thông tin: Tài liệu là mẫu tham khảo chuẩn mực về cấu trúc một khóa luận ứng dụng CNTT trong kinh doanh; đặc biệt là phần trình bày toán học và các bước thực thi chi tiết của thuật toán Apriori và FP-growth ở Chương II.
  • Các nhà nghiên cứu và doanh nghiệp vừa và nhỏ: Hướng dẫn thực hành chi tiết quy trình tiền xử lý dữ liệu và cấu hình tham số giải thuật Apriori trên giao diện Weka ở Chương III là tài liệu tham khảo hữu ích cho việc triển khai các dự án phân tích dữ liệu bán lẻ với chi phí công cụ bằng không.

Câu hỏi thường gặp

Khóa luận sử dụng tập dữ liệu nào và các bước tiền xử lý trên Weka diễn ra như thế nào? Tác giả sử dụng tệp dữ liệu giao dịch khách hàng mang tên thongtinkhachhang được trích xuất từ cơ sở dữ liệu kinh doanh của Công ty TNHH Thương mại và Dịch vụ TSG. Quá trình tiền xử lý trên giao diện Preprocess của Weka bao gồm việc loại bỏ trường định danh Ma_KH (nhằm tránh tạo ra các luật sai lệch dựa trên mã khách hàng) và áp dụng bộ lọc rời rạc hóa (Discretize) để chuyển đổi các biến số liên tục thành các khoảng rời rạc tương thích với định dạng đầu vào của thuật toán Apriori.

Tại sao tác giả lại lựa chọn phần mềm Weka thay vì các phần mềm như R hay Microsoft Analysis Services? Khóa luận đã so sánh các công cụ và nhận định Weka là phần mềm mã nguồn mở viết bằng Java, tích hợp sẵn và đầy đủ các thuật toán tiền xử lý, phân lớp, gom cụm và đặc biệt là khai phá luật kết hợp thông qua giao diện đồ họa trực quan. Khác với R đòi hỏi kỹ năng lập trình dòng lệnh phức tạp, hay Microsoft Analysis Services đòi hỏi chi phí bản quyền và hạ tầng máy chủ SQL Server chuyên dụng, Weka thích hợp cho việc thử nghiệm nhanh trên máy trạm tại các doanh nghiệp vừa và nhỏ.

Cơ chế tỉa nhánh (pruning) trong thuật toán Apriori được văn bản mô tả như thế nào? Thuật toán Apriori thực hiện cơ chế tỉa nhánh dựa trên nguyên lý: nếu một tập mục là phổ biến thì tất cả các tập con của nó cũng phải phổ biến. Trong giai đoạn tỉa, thuật toán sử dụng hàm has_infrequent_subset để kiểm tra tập ứng viên $c \in C_k$; nếu tồn tại bất kỳ một $(k-1)$-tập con nào của $c$ không thuộc tập phổ biến $L_{k-1}$ đã tìm thấy ở bước trước, tập ứng viên $c$ sẽ bị loại bỏ ngay lập tức trước khi bước vào giai đoạn quét cơ sở dữ liệu để tính độ hỗ trợ.

Điểm khác biệt căn bản giữa thuật toán Apriori và FP-growth theo phân tích của tác giả là gì? Thuật toán Apriori hoạt động theo nguyên lý sinh ứng viên và kiểm tra, đòi hỏi phải quét lại toàn bộ cơ sở dữ liệu ở mỗi bước tăng kích thước tập mục, gây tốn thời gian và bộ nhớ lớn. Ngược lại, thuật toán FP-growth nén dữ liệu vào cấu trúc cây FP-Tree thông qua hai lần quét cơ sở dữ liệu ban đầu, sau đó khai thác trực tiếp các tập phổ biến thông qua cơ chế chiếu cây theo chiều sâu (chia để trị) mà hoàn toàn không cần phát sinh các tập ứng viên trung gian.

Kết luận

Khóa luận tốt nghiệp của sinh viên Phạm Thị Minh Châu đã hệ thống hóa toàn diện cơ sở lý thuyết về khai phá dữ liệu, quy trình KDD và các giải thuật khai phá luật kết hợp tiêu biểu. Công trình giải quyết thành công bài toán thực nghiệm khi ứng dụng thuật toán Apriori trên công cụ Weka để xử lý dữ liệu giao dịch khách hàng thực tế tại Công ty TNHH Thương mại và Dịch vụ TSG. Kết quả nghiên cứu cung cấp các luận cứ khoa học giúp doanh nghiệp cấu trúc lại danh mục sản phẩm, tối ưu hóa các chiến dịch xúc tiến bán hàng chéo và nâng cao hiệu quả marketing trong thực tiễn kinh doanh.