Tổng quan nghiên cứu

Trong bối cảnh thị trường viễn thông Việt Nam chứng kiến sự cạnh tranh khốc liệt sau hơn 20 năm phát triển, giá cước di động đã giảm hơn 3 lần, đưa Việt Nam vào nhóm 10 quốc gia có tốc độ tăng trưởng bưu chính viễn thông nhanh nhất toàn cầu. Tuy nhiên, sự bão hòa thuê bao và tỷ lệ rời mạng gia tăng đặt ra thách thức sống còn cho các nhà cung cấp dịch vụ mạng di động. Việc triển khai các chính sách kinh doanh và tiếp thị đại trà không còn mang lại hiệu quả kinh tế, đòi hỏi doanh nghiệp phải chuyển dịch mạnh mẽ sang chiến lược cá nhân hóa dựa trên dữ liệu hành vi tiêu dùng thực tế.

Vấn đề cốt lõi mà luận văn giải quyết là khắc phục tình trạng phân khúc cảm tính bằng cách áp dụng các giải thuật khai phá dữ liệu khoa học nhằm tìm ra số cụm phân khúc tối ưu. Mục tiêu cụ thể của công trình là nghiên cứu, đối sánh các thuật toán phân cụm K-Means, K-Means++ cùng hai kỹ thuật xác định số cụm là phương pháp khuỷu tay và phương pháp điểm hình bóng trung bình. Từ đó, mô hình được áp dụng trực tiếp để phân khúc 709.820 thuê bao di động trả trước tại Trung tâm Kinh doanh VNPT Tây Ninh theo dữ liệu phát sinh cước trong tháng 11 năm 2021.

Ý nghĩa thực tiễn của nghiên cứu thể hiện qua việc giúp doanh nghiệp tối ưu hóa từ 15% đến 25% ngân sách tiếp thị, hạn chế tối đa rủi ro băm nhỏ thị trường mục tiêu và hỗ trợ nâng cao 10% đến 20% tỷ lệ giữ chân khách hàng thông qua các gói cước được thiết kế chính xác theo từng nhóm đối tượng.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên khung lý thuyết Khám phá tri thức trong cơ sở dữ liệu với quy trình chuẩn hóa gồm 7 giai đoạn: từ thấu hiểu miền ứng dụng, lựa chọn dữ liệu mục tiêu, tiền xử lý làm sạch, giảm chiều dữ liệu, chuyển đổi dữ liệu, thực thi khai phá đến biểu diễn và đánh giá tri thức. Nền tảng cốt lõi của đề tài là nhóm giải thuật học máy không giám sát trong bài toán phân tích phân cụm dữ liệu phân hoạch.

Các khái niệm chuyên ngành then chốt được tích hợp bao gồm: thuật toán K-Means với hàm mục tiêu tối thiểu hóa tổng bình phương khoảng cách Euclidean, thuật toán cải tiến K-Means++ với cơ chế khởi tạo tâm cụm phân tán xác suất giúp khắc phục triệt để nhược điểm rơi vào điểm cực tiểu cục bộ, cùng hệ chỉ số đánh giá nội tại gồm Silhouette Index, Davies-Bouldin Index và Dunn Index. Ngoài ra, mô hình phân khúc hành vi dựa trên cước thoại, tin nhắn và lưu lượng dữ liệu di động được vận dụng để lượng hóa giá trị thực tế của khách hàng.

Phương pháp nghiên cứu

Toàn bộ tập dữ liệu thực nghiệm gồm 709.820 bản ghi khách hàng sử dụng dịch vụ di động trả trước thu thập trong tháng 11 năm 2021 từ hệ thống tính cước nội bộ của VNPT Tây Ninh. Tập dữ liệu bao gồm 14 trường thông tin đặc trưng, phản ánh toàn diện hành vi tiêu dùng như tổng cước gọi, cước tin nhắn, cước dữ liệu di động, cước dịch vụ giá trị gia tăng và số dư tài khoản chính.

Phương pháp chọn mẫu toàn bộ được áp dụng trên phạm vi tỉnh Tây Ninh trong 1 chu kỳ cước trọn vẹn nhằm bảo đảm tính đại diện tuyệt đối cho hành vi của toàn bộ thuê bao trả trước. Quy trình tiền xử lý thực hiện loại bỏ các bản ghi khuyết thiếu, khử nhiễu nghiệp vụ, mã hóa số học và ẩn danh hoàn toàn thông tin định danh cá nhân để đáp ứng tiêu chuẩn an toàn bảo mật.

Công cụ thực nghiệm được xây dựng trên nền tảng ngôn ngữ lập trình Python kết hợp phần mềm khai phá dữ liệu Weka phiên bản 3.8. Việc lựa chọn phương pháp phân tích kết hợp giữa phương pháp khuỷu tay và phương pháp điểm hình bóng trung bình nhằm kiểm chứng chéo độ tin cậy, bảo đảm số lượng cụm được chọn vừa phản ánh chính xác cấu trúc dữ liệu vừa tối ưu hóa chi phí vận hành tiếp thị trong thực tế.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình phân tích thực nghiệm trên 709.820 khách hàng mang lại các phát hiện định lượng then chốt: Thứ nhất, đối với bài toán phân tích đơn biến trên từng thuộc tính cước phí riêng lẻ, phương pháp khuỷu tay xác định số lượng cụm tối ưu là k = 3 cho hầu hết các biến gồm cước cuộc gọi, cước nhắn tin, cước dữ liệu, cước dịch vụ gia tăng và số dư tài khoản chính; riêng chỉ tiêu tổng chi phí sử dụng từ tài khoản chính đạt điểm tối ưu tại k = 4 cụm. Thứ hai, trong không gian đa biến kết hợp 3 thuộc tính cốt lõi là cước gọi, cước tin nhắn và cước dữ liệu, số cụm tối ưu được xác lập là k = 4. Khi mở rộng phân tích lên 5 chiều dữ liệu bổ sung cước dịch vụ gia tăng và cước khác, không gian phân cụm tối ưu mở rộng thành k = 6 cụm với độ phân tách ranh giới rõ rệt. Thứ ba, sự phân bổ quy mô thuê bao giữa các cụm có độ lệch phân hóa rất lớn. Cụ thể, nhóm thuê bao có mức chi tiêu thấp chiếm tỷ trọng áp đảo khoảng 75% đến 80% tổng dung lượng mẫu, nhóm khách hàng có mức chi tiêu trung bình chiếm từ 15% đến 18%, trong khi nhóm khách hàng có giá trị cao chỉ chiếm khoảng 3% đến 5% tổng số thuê bao nhưng đóng góp tới hơn 40% tổng doanh thu của nhà mạng.

Thảo luận kết quả

Kết quả nghiên cứu giải thích rõ mối tương quan giữa hành vi tiêu dùng và đặc tính cước phát sinh. Điểm chuyển tiếp trên đồ thị đường cong khuỷu tay thể hiện rõ ranh giới mà tại đó tổng bình phương sai số nội cụm giảm chậm dần, chứng minh việc chia thêm cụm sau ngưỡng tối ưu sẽ không mang lại giá trị gia tăng đáng kể.

Dữ liệu phân cụm có thể được trình bày và biểu diễn trực quan thông qua đồ thị đường cong khuỷu tay 2D kết hợp biểu đồ phân tán 3 chiều thể hiện tương quan giữa 3 trục Gọi, Tin nhắn và Dữ liệu. Các bảng số liệu thống kê giá trị trung bình cước phí của từng tâm cụm giúp nhà quản lý phác họa chân dung thuê bao một cách sinh động. So sánh với các nghiên cứu khai phá dữ liệu viễn thông trước đây, việc áp dụng K-Means++ kết hợp kiểm định Silhouette Score với điểm số trung bình đạt trên 0,55 đã giúp tăng độ ổn định của các tâm cụm lên 30% so với K-Means truyền thống, giúp doanh nghiệp tránh bẫy băm nhỏ thị trường gây lãng phí nguồn lực.

Đề xuất và khuyến nghị

Từ kết quả phân cụm tối ưu, bốn nhóm giải pháp hành động cụ thể được đề xuất nhằm tối đa hóa hiệu quả kinh doanh tại VNPT Tây Ninh:

  • Tái cấu trúc gói cước dữ liệu cá nhân hóa: Phòng Kinh doanh phối hợp với Phòng Tiếp thị triển khai gói cước dung lượng lớn kèm ưu đãi cước nội mạng dành riêng cho cụm 15% khách hàng tiêu dùng dữ liệu trung bình và cao, đặt mục tiêu nâng mức tiêu dùng bình quân thêm 15% trong vòng 6 tháng đầu năm 2023.
  • Xây dựng chính sách giữ chân khách hàng giá trị cao: Bộ phận Chăm sóc khách hàng thiết lập quy trình chăm sóc đặc quyền, hỗ trợ kỹ thuật 24/7 và chương trình tích điểm đổi quà viễn thông cho cụm 4% khách hàng cao cấp, hướng tới mục tiêu duy trì tỷ lệ rời mạng dưới 1% mỗi tháng.
  • Thiết kế gói cước kích cầu cho cụm tiêu dùng thấp: Bộ phận Phát triển dịch vụ ban hành các gói cước vi mô có chu kỳ ngắn theo ngày hoặc tuần cho cụm 78% khách hàng chi tiêu thấp, nhằm thúc đẩy 10% đến 12% thuê bao nhóm này chuyển dịch lên nhóm tiêu dùng trung bình trong thời gian 12 tháng.
  • Tự động hóa hệ thống phân khúc định kỳ: Phòng Tin học phát triển quy trình phân cụm tự động bằng Python tích hợp vào hệ thống tính cước nội bộ, tiến hành cập nhật phân khúc định kỳ 30 ngày một lần bắt đầu từ quý 2 năm 2023 nhằm bám sát biến động hành vi của người dùng.

Đối tượng nên tham khảo luận văn

Luận văn mang lại giá trị thực tiễn và học thuật đa dạng cho 4 nhóm đối tượng trọng tâm:

  • Ban Giám đốc và Quản lý Tiếp thị ngành Viễn thông: Nắm bắt phương pháp luận khoa học để phân bổ ngân sách khuyến mãi chính xác, thiết kế gói cước cạnh tranh và tối ưu hóa lợi tức đầu tư tiếp thị trên từng phân khúc thuê bao di động.
  • Chuyên viên Phân tích Dữ liệu và Kỹ sư Học máy: Tham khảo toàn bộ quy trình tiền xử lý 709.820 bản ghi dữ liệu thực tế, kỹ thuật khử nhiễu cước viễn thông và cách triển khai thuật toán K-Means++ trên công cụ Weka và Python.
  • Học viên Cao học và Nghiên cứu sinh ngành Công nghệ thông tin: Khai thác khung lý thuyết chuẩn tắc về Khám phá tri thức, các độ đo kiểm định phân cụm như Silhouette, Davies-Bouldin, Dunn và phương pháp xác định điểm khuỷu tay trong khai phá dữ liệu.
  • Giảng viên và Nhà nghiên cứu Kinh tế số: Sử dụng công trình như một nghiên cứu tình huống điển hình về chuyển đổi số và ứng dụng khoa học dữ liệu trong tối ưu hóa hoạt động doanh nghiệp tại thị trường cấp tỉnh.

Câu hỏi thường gặp

  • Tại sao cần xác định số cụm tối ưu thay vì chọn số phân khúc theo kinh nghiệm quản lý? Việc chọn số cụm theo cảm tính dễ dẫn đến hai rủi ro lớn: nếu chọn quá ít cụm, tập khách hàng quá lớn khiến chi phí tiếp thị dàn trải tăng cao; nếu chọn quá nhiều cụm, thị trường bị băm nhỏ làm tăng thời gian xây dựng chính sách. Xác định số cụm tối ưu dựa trên 709.820 bản ghi giúp cân bằng hoàn hảo giữa chi phí và hiệu quả tiếp cận.

  • Thuật toán K-Means++ có ưu thế gì vượt trội so với K-Means truyền thống trong bài toán này? K-Means truyền thống chọn ngẫu nhiên các tâm cụm ban đầu nên dễ rơi vào các điểm cực tiểu cục bộ hoặc tạo ra các cụm rỗng. K-Means++ sử dụng phân phối xác suất tỷ lệ thuận với khoảng cách để chọn các tâm cụm cách xa nhau, giúp tăng tốc độ hội tụ thêm khoảng 20% và nâng cao tính ổn định của kết quả phân khúc.

  • Phương pháp khuỷu tay và phương pháp điểm hình bóng phối hợp với nhau như thế nào? Phương pháp khuỷu tay giúp xác định vùng giá trị k tiềm năng thông qua điểm uốn của hàm tổng bình phương sai số, trong khi phương pháp điểm hình bóng đo lường mức độ tách biệt và gắn kết nội cụm với thang đo từ -1 đến 1. Sự kết hợp này mang lại căn cứ khoa học vững chắc với hệ số tin cậy trên 95%.

  • Cỡ mẫu 709.820 thuê bao tại VNPT Tây Ninh có phản ánh được bức tranh chung của ngành viễn thông không? Tập dữ liệu bao phủ 100% thuê bao trả trước phát sinh cước trong tháng 11 năm 2021 tại một địa bàn có mức độ phát triển kinh tế - xã hội điển hình. Do đó, các đặc trưng về tỷ lệ người dùng thoại thuần túy, người dùng dữ liệu cao và phân bố doanh thu hoàn toàn có thể ngoại suy cho các thị trường viễn thông tương đồng tại Việt Nam.

  • Doanh nghiệp ngoài ngành viễn thông có thể tái sử dụng mô hình nghiên cứu này không? Hoàn toàn khả thi. Quy trình tiền xử lý dữ liệu và khung xác định số cụm tối ưu bằng K-Means++ kết hợp Elbow và Silhouette có thể áp dụng trực tiếp cho các ngành ngân hàng, thương mại điện tử hoặc bán lẻ để phân tích dữ liệu giao dịch với quy mô hàng trăm nghìn khách hàng.

Kết luận

  • Hệ thống hóa hoàn chỉnh khung lý thuyết và thực nghiệm xác định số cụm tối ưu trong bài toán phân khúc khách hàng sử dụng dịch vụ di động.
  • Xử lý thành công tập dữ liệu lớn quy mô 709.820 bản ghi với 14 trường thuộc tính hành vi cước thực tế tại VNPT Tây Ninh.
  • Chứng minh tính ưu việt vượt trội của thuật toán K-Means++ kết hợp hai phương pháp kiểm định Elbow và Silhouette Score.
  • Xác định cấu trúc phân khúc tối ưu gồm 4 cụm cho bộ 3 dịch vụ cốt lõi và 6 cụm cho toàn bộ hệ sinh thái dịch vụ viễn thông.
  • Đề xuất 4 nhóm giải pháp kinh doanh khả thi kèm lộ trình tự động hóa phân khúc định kỳ cho nhà mạng.

Nghiên cứu đóng góp một giải pháp phân khúc khách hàng tự động, giúp doanh nghiệp viễn thông chuyển đổi từ mô hình tiếp thị đại trà sang cá nhân hóa dựa trên dữ liệu lớn. Lộ trình phát triển tiếp theo bao gồm việc tích hợp các luồng dữ liệu thời gian thực và mở rộng thuật toán sang phân cụm bán giám sát trong giai đoạn 2023 - 2025. Hãy ứng dụng ngay khung phân tích phân cụm khoa học này để tối ưu hóa chiến lược kinh doanh và gia tăng lợi thế cạnh tranh cho tổ chức của bạn.