Xây dựng mô hình phân khúc thị trường theo địa lý dân số tại Hà Nội

Bài viết này đưa ra cách xây dựng một mô hình phân tích chi tiết về sự phân bổ của thị trường tại các quận trong thành phố Hà Nội sử dụng phương pháp phân cụm K-means và phân tích thành phần chính (PCA). Mời các bạn tham khảo!

Working Paper 2021.2.4.08 - Vol 2, No XÂY DỰNG MƠ HÌNH PHÂN KHÚC THỊ TRƯỜNG THEO ĐỊA LÝ DÂN SỐ TẠI HÀ NỘI Văn Đức Mạnh1, Nguyễn Quỳnh Chi, Bùi Thiên Bình, Trần Ngọc Diệp, Phạm Hương Giang Sinh viên K57 CTTT Quản trị kinh doanh - Khoa Quản trị kinh doanh Trường Đại học Ngoại thương, Hà Nội, Việt Nam Lê Thu Hằng Giảng viên Khoa Quản trị kinh doanh Trường Đại học Ngoại thương, Hà Nội, Việt Nam Tóm tắt Vị trí địa lý yếu tố quan trọng có ảnh hướng lớn chiến lược doanh nghiệp định gia nhập hay khai thác, mở rộng thị trường mới, khu vực Bài viết đưa cách xây dựng mơ hình phân tích chi tiết phân bổ thị trường quận thành phố Hà Nội sử dụng phương pháp phân cụm K-means phân tích thành phần (PCA) Mơ hình thể rõ đặc điểm dân cư khu vực tuổi tác, nghề nghiệp, trình độ học vấn,… qua đưa nguồn thơng tin xác tổng quan mặt địa lý cho doanh nghiệp, giúp rút ngắn chi phí thời gian trình định chiến lược gia nhập mở rộng khu vực địa lý Từ khóa: Phân khúc thị trường theo địa lý dân số, Phân cụm K-means, Dữ liệu lớn, Phân tích thành phần (PCA), Phân tích vị trí CREATING A GEODEMOGRAPHIC SEGMENTATION MODEL FOR HANOI Abstract Location is one of the most crucial factors which has a great influence on enterprises’ strategy when entering, exploiting or expanding in a new market or a new area The study illustrates how to create a detailed analytical model of the market segmentation in all districts of Hanoi using K-means clustering and principal component analysis (PCA) The model describes the population characteristics of each area such as age, occupation, education level, etc.; thereby giving enterprises precise and general sources of information about geographic location, which helps reduce the cost and time in decision-making process to enter or expand the businesses in a new area Tác giả liên hệ, Email: vanducmanhamser@gmail.com FTU Working Paper Series, Vol No (10/2021) | 117 Keywords: Geographic – demographic segmentation, K-means clustering, Big data, Principal component analysis, Location analysis Mở đầu Trong phát triển nhanh chóng xã hội nay, đặc biệt bùng nổ công nghệ thông tin, kinh tế ngày phức tạp, thị trường ngày mở rộng cạnh tranh ngày trở nên khốc liệt Điều địi hỏi doanh nghiệp lĩnh vực ngành nghề phải tận dụng hết nguồn lực hội để chiếm lợi cạnh tranh thị trường Một điều quan trọng tiên đảm bảo thành công doanh nghiệp xác định tiếp cận đối tượng khách hàng tiềm Và phương pháp phổ biến để tiếp cận khách hàng tìm vị trí địa lý phù hợp với nhu cầu doanh nghiệp Bởi mơ hình phân khúc thị trường theo vị trí địa lý dân số có tính ứng dụng vơ cao hoạt động doanh nghiệp, đặc biệt việc xác định đối tượng khách hàng, nên có nhiều doanh nghiệp thực nghiên cứu đưa mơ hình địa lý phù hợp với chiến lược họ Tuy nhiên, nghiên cứu không công bố rộng rãi ứng dụng vào hoạt động doanh nghiệp khác Do đó, với mong muốn đưa mơ hình phân tích khái qt, xác, chi tiết phân bố thị trường quận Hà Nội, nhóm nghiên cứu chọn đề tài Xây dựng mơ hình phân khúc thị trường theo địa lý dân số Hà Nội Dựa vào mơ hình này, doanh nghiệp Việt Nam, đặc biệt Hà Nội, tìm kiếm thị trường tiềm mới, khu vực phù hợp giúp mở rộng doanh nghiệp mặt địa lý Cơ sở lý thuyết Cho đến nay, giới có nhiều nghiên cứu Phân khúc thị trường theo địa lý (Geo-segmentation) Trong đó, nghiên cứu làm bật nhiều ứng dụng thực tế Geo-segmentation phát triển tính theo nhiều phương thức khác Có thể chia nghiên cứu thành 03 phần sau: (1) Ứng dụng Phân khúc thị trường theo địa lý Tiếp thị; (2) Phương pháp tiếp cận phương pháp luận sử dụng nghiên cứu trước; (3) Kết tổng hợp Phân khúc thị trường theo địa lý nghiên cứu Đầu tiên, nhiều nghiên cứu tập trung vào Tiếp thị theo phương pháp địa lý (GeoMarketing, hay GM) với cách tiếp cận khác Vào năm 2016, Guy Lansley điều tra phân bố tuổi giới tính người mang tên riêng tiếng Anh xác định xu hướng quy ước đặt tên nước Anh Đặc điểm tuổi giới biết có ảnh hưởng lớn đến hành vi người tiêu dùng, việc trích xuất sử dụng tên để tìm đặc điểm từ liệu người tiêu dùng có giá trị lớn ngành bán lẻ tiếp thị Kết từ việc trích xuất sử dụng để suy cấu trúc tuổi giới tính dự kiến nhiều liệu người tiêu dùng, dự đốn đặc điểm người tiêu dùng cấp độ cá nhân (Lansley, 2016) Nghiên cứu vào năm 2019 tóm tắt số phương pháp tiếp thị có liệu vị trí người tiêu dùng Cụ thể, nghiên cứu thảo luận vai trò bối cảnh thực tế xã hội thời gian hiệu quảng cáo, tiện ích công cụ xác định vị trí việc làm rõ tính minh bạch quảng cáo, phân khúc người tiêu dùng mối quan tâm quyền riêng tư vị trí cá nhân (Banerjee, 2019) FTU Working Paper Series, Vol No (10/2021) | 118 Thứ hai, nghiên cứu trước sử dụng đa dạng phương pháp tiếp cận phương pháp luận liên quan đến Phân khúc địa lý theo thị trường Vào năm 2011, nghiên cứu Henna sử dụng tiêu chí lựa chọn điểm đến trượt tuyết để phân khúc khách hàng khu nghỉ dưỡng trượt tuyết Phần Lan (Konu, 2011) Các nghiên cứu Allo chứng minh tính khả thi tiếp thị địa lý phân đoạn địa lý nước phát triển trường hợp vùng Shomolu Nigeria thu đồ kinh tế xã hội khu vực cách sử dụng phương pháp lập đồ Dasymetric, giải pháp tiềm để lập đồ mật độ dân số liên quan đến sử dụng đất thổ cư Lập đồ Dasymetric mô tả liệu vùng định lượng cách sử dụng ranh giới phân chia khu vực thành khu vực tương đối đồng với mục đích mơ tả rõ phân bố dân số (Allo, 2012) Vào năm 2012, Jinsoo Hwang xác định yếu tố ảnh hưởng đến năm nhóm yếu tố định (thực đơn ăn uống, bầu khơng khí, giá cả, sức khỏe danh tiếng thương hiệu) mà khách hàng cân nhắc lựa chọn nhà hàng dịch vụ trọn gói (Hwang, 2012) Cuối cùng, phương pháp clustering (phân cụm) phổ biến nghiên cứu Geo-marketing Fisher Tate (2015) so sánh thuật toán phân cụm sử dụng nghiên cứu phân loại nhân học dựa liệu dân số vào năm 2001 UK Office for National Statistic (ONS) Họ cho thấy c-means fuzzy c-means khiến cho kết phân đoạn thị trường dựa khu vực địa lý trở nên thành công đáng kể Shaffer (2015) khảo sát nhà máy bia thủ công khu vực Đại đô thị Phoenix để xác định xu hướng nhân học, hành vi người tiêu dùng mối quan hệ không gian thị trường bia thủ công Vào năm 2016, Suhaibah đề xuất kết hợp phân khúc thị trường dựa tiêu chí địa lý thuật toán phân cụm cho hoạt động quản lý liệu tiếp thị địa lý 3D Từ giúp tinh chỉnh hoạt động tìm kiếm q trình phân tích Ông sử dụng phương pháp tiếp cận đề xuất, nhờ liệu tiếp thị địa lý phân loại sở liệu không gian địa lý để quản lý liệu hiệu Nghiên cứu vào năm 2017 Leung, Yen Lohmann sử dụng liệu khảo sát hành khách từ Sân bay Gold Coast bang Queensland, Australia, để thực phân tích phân loại địa lý nhân học kết hợp với liệu điều tra dân số Với liệu sở thích hành khách mã hóa địa lý, đặc điểm chuyến sở thích định sân bay so sánh chéo với liệu nhân học biến kinh tế xã hội Họ lập đồ khu vực mà khách hàng sinh sống dựa điểm đến mà họ bay đến Kết cho thấy trái ngược, đặc biệt vị trí xuất phát hành khách chuyến nội địa chặng ngắn chuyến quốc tế đường dài, hành khách từ xa sẵn sàng đường dài để đến sân bay hạng hai để tận dụng giá vé máy bay rẻ (Leung et al., 2017) Phương pháp nghiên cứu Thứ tự phương pháp sử dụng nghiên cứu sau: a Thu thập liệu dân số (tập tin CSV) sở liệu địa lý (tập tin JSON) b Thực xử lý thô làm liệu c Thực phân tích liệu dân số phương pháp Phân tích thành phần (PCA) d Các thành phần thu thơng qua phân tích PCA sử dụng để xác định số lượng cụm e Thực phân cụm K-means từ liệu dân số FTU Working Paper Series, Vol No (10/2021) | 119 f Tối ưu số cụm n từ phân cụm K-means phương pháp Elbow g Tìm xác số cụm n từ phân cụm K-means phương pháp Silhouette h Thực phân nhóm Phường, Xã, Thị trấn vào cụm i Liên kết bảng liệu dân số với điểm không gian (các đa giác) sở liệu địa lý j Thực vẽ đồ phân khúc địa lý 3.1 Phương pháp Phân tích thành phần (PCA) Bước 1: Sử dụng phân tích nhân tố (Factor Analysis) để xác định tải trọng (loadings) giá trị riêng (eigenvalue) 𝑜 𝑛 𝑛 𝑜 √ 𝑛 𝑙 Trong đó: ● 𝑜 𝑛 : Tải trọng, hiệp phương sai/ tương quan biến ban đầu thành phần tỷ lệ đơn vị, giúp giải thích thành phần chính, yếu tố chúng trọng số kết hợp tuyến tính (hệ số) theo thành phần yếu tố chia tỷ lệ đơn vị xác định "tải" biến ● 𝑛 𝑜 : Vectơ riêng, vectơ khác vectơ không mà nhân với hệ số vô hướng biến đổi tuyến tính áp dụng lên ● 𝑛 𝑙 : Hệ số vơ hướng vô hướng áp dụng lên vectơ riêng Bước 2: Sử dụng lược đồ Scree Plot để xác định số thành phần tập liệu Hình Lược đồ Scree Plot Nguồn: Nhóm nghiên cứu tổng hợp qua Python Kết từ biểu đồ Scree cho thấy, nên giữ lại từ đến thành phần để giá trị riêng (Eigenvalue) gần Trong nghiên cứu này, sử dụng 03 thành phần FTU Working Paper Series, Vol No (10/2021) | 120 Lưu ý: Tùy thuộc vào mục đích mà ta lựa chọn số thành phần cho phù hợp, giải pháp phương pháp đưa số thành phần gợi ý (Số thành phần nhiều giải thích đầy đủ cho tập hợp biến ban đầu) Bước 3: Thực phân tích PCA với 03 thành phần Hình Tỷ lệ phương sai với 03 thành phần Nguồn: Nhóm nghiên cứu tổng hợp qua Python Ta giải thích tỷ lệ phương sai với 03 thành phần Ta thấy thành phần giải thích 74,86% độ biến thiên tổng thể Thành phần thứ hai thứ ba giải thích 10,93% 5,08% độ biến thiên tổng thể Cùng với nhau, hai thành phần giải thích 90,87% tổng biến 3.2 Phương pháp phân tích cụm – thuật tốn K-means Hình Sơ đồ thuật tốn K-means Nguồn: Nhóm nghiên cứu tổng hợp Input: Số cụm k trọng tâm cụms {𝑚𝑗}; 𝑘𝑗 = Output: Các cụm 𝐶[ ] (1 ≤ ≤ 𝑘) hàm tiêu chuẩn E đạt giá trị tối thiểu FTU Working Paper Series, Vol No (10/2021) | 121 Begin Bước 1: Khởi tạo Chọn k trọng tâm {𝑚𝑗} (1 ≤ 𝑗 ≤ 𝑘), ban đầu không gian Rd (d số chiều liệu) Việc lựa chọn ngẫu nhiên theo kinh nghiệm Bước 2: Tính khoảng cách Đối với điểm 𝑋 (1 ≤ ≤ 𝑛), tính khoảng cách tới trọng tâm {𝑚𝑗} (1 ≤ 𝑗 ≤ 𝑘) Sau tìm trọng tâm gần điểm Bước 3: Cập nhật lại trọng tâm Đối với ≤ 𝑗 ≤ 𝑘, cập nhật trọng tâm cụm 𝑚𝑗 cách xác định trung bình cộng vectơ đối tượng liệu Điều kiện dừng: Lặp lại bước trọng tâm cụm không thay đổi Tuy nhiên, nghiên cứu này, giá trị k tìm tự động Python qua lệnh, số cụm tối ưu tìm dựa phương pháp Elbow (Elbow method) Phương pháp Elbow Dựa vào đường cong Elbow, số k thích hợp vị trí khúc cua (bend/knee) đường Tại điểm này, giá trị khoảng cách trung bình khơng có thay đổi đáng kể số cụm k tăng Trong biểu đồ sau, nhìn thấy rõ giá trị k hợp lý nằm khoảng Để tìm xác số k tối ưu, ta tiếp tục sử dụng phương pháp Silhouette để kiểm tra trường hợp k = 3, Hình Đường cong Elbow Nguồn: Nhóm nghiên cứu tổng hợp FTU Working Paper Series, Vol No (10/2021) | 122 Phương pháp Silhouette Ở trên, với việc sử dụng phương pháp Elbow, ta thấy số lượng cụm thích hợp giao động khoảng Ta tiếp thực phương pháp Silhouette để kiểm tra tính quán trường hợp Hình Silhouette score với số cụm = 3, Nguồn: Nhóm nghiên cứu tổng hợp Ta thấy giá trị Silhouette score trường hợp cụm cụm tương đương với giá trị 0.51 0.48 Quan sát trường hợp số cụm Hình 6, Hình 7, ta thấy độ dày biểu đồ Silhouette cho cụm có cluster label = có kích thước Có thể thấy việc sử dụng cụm hay cụm đem lại kết mong muốn Trong nghiên cứu này, ta sử số cụm k = để phân tích chi tiết Hình Biểu đồ hệ số Silhouette với số lượng cụm = Nguồn: Nhóm nghiên cứu tổng hợp FTU Working Paper Series, Vol No (10/2021) | 123 Hình Biểu đồ hệ số Silhouette với số lượng cụm = Nguồn: Nhóm nghiên cứu tổng hợp Kết nghiên cứu 4.1 Tổng quát Trong nghiên cứu này, mơ hình phân khúc địa lý áp dụng cho 582 đơn vị hành cấp xã thuộc 30 đơn vị hành cấp huyện địa bàn Thành phố Hà Nội Nghiên cứu cố gắng xác định đặc điểm chung nhóm dựa kết ma trận thành phần tạo từ đơn vị hành cấp xã Do khơng có mối tương quan thành phần (cụm) tạo thành, thuộc tính thành phần giải thích xác định cách độc lập với thành phần (cụm) khác Bốn thành phần (04 cụm) thu biến phụ thuộc liệu mô tả liệt kê phần phương pháp nghiên cứu sử dụng để giải thích cụm biến độc lập Bài nghiên cứu tập trung mô tả số đặc điểm địa lý, số dân, độ tuổi, số lượng học sinh sinh viên để phân biệt cụm nghiên cứu Đặc điểm bốn cụm thu được mơ tả khái quát sau: Cụm (30 phường, xã): Đây khu vực có diện tích bé tập trung đông dân cư dẫn đến mật độ dân số cao Các khu vực thuộc cụm tập trung trung tâm phía Tây Thành phố Hà Nội Dân cư chủ yếu thuộc độ tuổi lao động, trình độ cao, có nhiều sinh viên người theo học cấp bậc sau Đại học Các hộ gia đình gia đình trẻ có nhỏ 10 tuổi Cụm (325 phường, xã): Đây khu vực có diện tích lớn tập trung dân cư dẫn đến mật độ dân số thấp Các khu vực thuộc cụm chủ yếu thuộc Huyện, chiếm khoảng 70% diện tích, tập trung nhiều phía Đơng Bắc phía Nam Thành phố Hà Nội Dân cư chủ yếu thuộc độ tuổi lao động chủ yếu làm nông làm nghề tiểu thủ cơng nghiệp, trình độ dân trí khơng cao FTU Working Paper Series, Vol No (10/2021) | 124 Hình Bản đồ phân khúc địa lý thành phố Hà Nội Nguồn: Nhóm nghiên cứu tổng hợp Cụm (128 phường xã): Cụm có mật độ dân số cao phân bố không đồng Các khu vực thuộc cụm tập trung phía Tây Bắc Thành phố Hà Nội Dân cư chủ yếu thuộc độ tuổi lao động, trình độ cao Đây cụm có nhiều hộ gia đình sinh sống kinh doanh gia với nhiều hình thức, nhiên tỷ lệ trẻ em 10 tuổi thấp Cụm (101 phường, xã): Đây khu vực phân bố đồng trung tâm phía Tây Thành phố Hà Nội, mật độ dân số trung bình, nguồn lao động trình độ cao dồi dào, có nhiều dự án triển khai Bảng Bảng thống kê quận, huyện, thị xã số lượng phân bố cụm STT Tên quận, huyện, thị xã Chi tiết cụm Quận, huyện, thị xã có đặc điểm cụm Huyện Ba Vì Huyện Phú Xuyên Huyện Phúc Thọ Huyện Thường Tín Huyện Ứng Hồ Thị xã Sơn Tây Cụm Quận, huyện, thị xã có đặc điểm cụm Huyện Hoài Đức Huyện Chương Mỹ Huyện Đan Phượng Cụm – Cụm – FTU Working Paper Series, Vol No (10/2021) | 125 STT 10 11 12 13 14 15 16 17 18 Tên quận, huyện, thị xã Huyện Mê Linh Huyện Mỹ Đức Huyện Quốc Oai Huyện Thạch Thất Huyện Thanh Oai Quận Cầu Giấy Quận Ba Đình Quận Hồn Kiếm Quận Tây Hồ Chi tiết cụm Cụm – Cụm – Quận, huyện, thị xã có đặc điểm cụm 19 20 21 22 23 24 25 26 27 28 29 Huyện Đơng Anh Huyện Sóc Sơn Huyện Gia Lâm Huyện Thanh Trì Quận Bắc Từ liêm Quận Đống Đa Quận Hai Bà Trưng Quận Hoàng Mai Quận Long Biên Quận Nam Từ Liêm Quận Thanh Xuân Cụm – – Cụm – – Quận, huyện, thị xã có đặc điểm cụm 30 Quận Hà Đông Cụm – – – Nguồn: Nhóm nghiên cứu tổng hợp 4.2 Phân tích mẫu – Quận Cầu Giấy (Quận có đặc điểm cụm) Quận Cầu Giấy gồm có phường thuộc hai cụm: • Cụm 3: Phường Dịch Vọng, Mai Dịch, Nghĩa Tân • Cụm 0: Phường Nghĩa Đơ, Quan Hoa, Trung Hòa, Yên Hòa, Dịch Vọng Hậu Các phường thuộc cụm nơi tập trung sở kinh doanh, đơn vị hành chính, giáo dục quan trọng Quận, tập trung khu vực có bán kinh từ đến 5km quanh ngã tư Xuân Thủy Vì nằm vị trí trung tâm quận, nơi có lưu lượng người lại ngày cao nên khu vực cần đầu tư phát triển sở hạ tầng giao thông khu trung tâm thương mại phục vụ số lượng học sinh, sinh viên đông bên cạnh sở kinh doanh nhỏ lẻ (hiện có khu Discovery Complex khu Indochina Plaza Hà Nội) FTU Working Paper Series, Vol No (10/2021) | 126 Mai Dịch Nghĩa Nghĩa Tân Đô Dịch Vọng Hậu Quan Dịch Hoa Vọng n Hồ Trung Hồ Hình Bản đồ phân khúc địa lý quận Cầu Giấy Nguồn: Nhóm nghiên cứu tổng hợp Khu vực phường thuộc cụm nơi có mật độ dân cư sinh sống cao, có nhiều khu chung cư tập trung chủ yếu người dân học tập làm việc quận Cầu Giấy Khu vực xung quanh đoạn tiếp giáp phường Yên Hòa phường Dịch Vọng, Dịch Vọng Hậu trình đầu tư phát triển sở hạ tầng cho đặc khu Công Nghệ Thông Tin với tập đoàn lớn Viettel hay FPT, dần trở thành khu vực kinh tế mũi nhọn quận, thu hút thêm doanh nghiệp công nghệ cao tạo sản phẩm giá trị gia tăng có sức cạnh tranh, hạn chế thấp tác động xấu đến môi trường khu vực Tuy nhiên, cần phải có giải pháp xử lý số cơng trình dân cư bị trì trệ, ảnh hưởng đến cảnh quan đô thị đời sống người dân khu vực lân cận Với đặc điểm kể Quận Cầu Giấy trở thành khu đô thị tập trung hoạt động kinh tế Thủ đô Hà Nội Bên cạnh đó, cần trì cơng tác bảo tồn di sản văn hóa, làng nghề cổ truyền Chùa Hà, Làng Vòng, … 4.3 Phân tích mẫu – Quận Thanh Xn (Quận có đặc điểm cụm) FTU Working Paper Series, Vol No (10/2021) | 127 Nhâ n Chính Khươ Tha Tha nh ng Trung nh Mai Phươ Xuân Khươ Xuân ng Liệt ng Đình Hạ Tha Khương Đình nh Kim Xuân Giang Hình 10 Bản đồ phân khúc địa lý quận Thanh Xuân Nguồn: Nhóm nghiên cứu tổng hợp Quận Thanh Xuân gồm 11 phường:  Cụm 0: Phường Nhân Chính, Khương Đình, Khương Trung  Cụm 2: Phường Hạ Đình, Kim Giang, Thanh Xuân Nam  Cụm 3: Phường Khương Mai, Phương Liệt, Thanh Xuân Bắc, Thanh Xuân Trung, Thượng Đình Đời sống ngày phát triển, quận tập trung nhiều dự án lớn phát triển thị trường địa ốc toàn khu vực Hà Nội nhiều tuyến đường huyết mạch Lê Văn Lương, Khuất Duy Tiến,… Cụm quận khu vực đất chật người đơng, mật độ dân số cao, có nhiều hộ gia đình người, tập trung nhiều khu thị lớn: Khu thị Trung Hịa Nhân Chính, Khu đô thị Mandarin Garden, Khu vực nơi có giao thơng thuận tiện, giá th nhà hợp lý, nơi tập trung nhiều công ty vừa nhỏ, cửa hàng tiện ích dân văn phịng, dân nhập cư thủ đô sinh sống học tập Cụm có diện tích bé, dân số so với vùng khác địa bàn quận Khu vực có nhiều ngõ ngách nhỏ, đường xá chật hẹp, có nhiều khu đất trống, nhà cấp đất đất nơng nghiệp chưa chuyển đổi, người dân xây nhà tạm, dãy nhà trọ cho th Các phường cụm có trình độ giáo dục cao, tập trung nhiều trường đại học Đại học Khoa học Tự nhiên, Đại học Khoa học Xã hội Nhân văn, Bên cạnh đó, nơi tập trung bệnh viện khám chữa bệnh hàng đầu Việt Nam, nên dân cư tỉnh khám chữa bệnh đông 4.4 Phân tích mẫu – Quận Hà Đơng (Quận có đặc điểm cụm) Quận Hà Đông gồm 17 phường: ● Cụm 0: Phường La Khê, Mộ Lao FTU Working Paper Series, Vol No (10/2021) | 128 ● Cụm 1: Phường Biên Giang, Đồng Mai, Phú Lãm, Yết Kiêu ● Cụm 2: Phường Nguyễn Trãi, Quang Trung ● Cụm 3: Các phường cịn lại (xem đồ Hình 9) Các phường thuộc cụm địa bàn có nhiều quan, đơn vị, trường học thuộc thành phố đóng trụ sở có số tuyến đường lớn chạy qua trục quốc lộ 6, trục đường Quang Trung, Lê Trọng Tấn hay Lê Văn Lương Hai phường La Khê Mộ Lao qua trình quy hoạch xây dựng nhanh chóng phát triển thêm theo hướng thương mại dịch vụ Cơ sở hạ tầng địa phương cải thiện đáng kể, tạo điều kiện thuận lợi mặt di chuyển Bởi vậy, doanh nghiệp cần lượng khách hàng lớn vận tải (giống GHTK), trung tâm thương mại, trung tâm giáo dục hay kinh doanh nhỏ lẻ có nhiều hội phát triển cụm Những phường xếp vào cụm nơi cách xa trung tâm nơi nằm phường khác, khơng có đường lớn qua phường Yết Kiêu Hầu hết doanh nghiệp có hội phát triển khu vực thường nghiêng mặt kinh doanh, bn bán nhỏ Trong đó, phường Yết Kiêu tập trung dân cư khu tập thể nhà máy nhà khí nơng cụ Vì vậy, nơi tạo nhiều hội cho doanh nghiệp nhỏ doanh nghiệp cần mở thêm chi nhánh nơi đơng dân phịng khám tư, trung tâm giáo dục, chi nhánh ngân hàng Khu vực thuộc cụm phường Quang Trung phường Nguyễn Trãi Hai phường nằm trục đường to Quang Trung – Trần Phú – Nguyễn Trãi, nối liền Hà Đông với trung tâm Hà Nội Dân cư sống nhìn chung có trình độ học vấn thu nhập cao đa phần có cửa hàng kinh doanh nhỏ lẻ, đa dạng thuộc ngành nghề Khu vực quanh trục đường lớn nơi đất vàng, tập trung nhiều ý doanh nghiệp nhờ vào vị trí địa lý thuận lợi việc tiếp cận khách hàng Bởi vậy, khu vực phù hợp với hầu hết lĩnh vực thuộc ngành thương mại, dịch vụ FTU Working Paper Series, Vol No (10/2021) | 129 Quang Yết Kiêu Trung Dươ Mộ Vạn ng Nội Văn Lao Phúc Quán Phúc La La Hà Khê Cầu Phú Nghĩa Hưng Phú Lãm Biên Giang Kiến La Yên Nguyễn Trãi Phú Lương Đồn g Mai Hình 11 Bản đồ phân khúc địa lý quận Hà Đơng Nguồn: Nhóm nghiên cứu tổng hợp Mật độ dân cư khu vực thuộc cụm mức độ trung bình, vừa phải Những phường có nhiều khu thị mới, nhà cao tầng với nhiều dự án triển vọng cao tương lai mà dân số quận Hà Đông tăng lên cách nhanh chóng khiến cho việc cung cấp nhà khu thuộc cụm trở nên khó khăn Những nơi xuất số doanh nghiệp nhỏ, chủ yếu bất động sản hay kinh doanh tạp hoá, quần áo nhỏ lẻ Bởi vậy, cịn nhiều khơng gian hội cho doanh nghiệp thuộc lĩnh vực khác Dựa vào đối tượng khách hàng tiềm dự án bất động sản có, khu vực lý tưởng doanh nghiệp có đối tượng khách hàng có thu thập tầm trung cao Kết luận Với phát triển nhanh chóng cơng nghệ thông tin kinh tế ngày phức tạp mở rộng, tồn doanh nghiệp lĩnh vực tỉ lệ thuận với cạnh tranh thị trường Để nâng cao lợi cạnh tranh so với đối thủ, doanh nghiệp cần nhận định tầm quan trọng việc xác định yếu tố liên quan tới đối tượng khách hàng tiềm Kết hợp với công nghệ quản lý thông tin địa lý, nhà quản trị đưa địa điểm tiếp cận quảng bá thương hiệu tới khách hàng cách hiệu rút từ liệu dân cư khu vực cụ thể FTU Working Paper Series, Vol No (10/2021) | 130 Dựa vào sở lý thuyết phân cụm K-means, phép phân tích thành phần (PCA) với hỗ trợ ứng dụng lập trình Python, nghiên cứu hồn thành phân tích liệu dân số Thành phố Hà Nội năm 2020 quy lại thành bốn cụm có đặc trưng riêng cụm phổ biến quận sở liệu địa lý Thành phố Hà Nội Từ đó, tạo mơ hình phân khúc thị trường theo địa lý cho doanh nghiệp có mong muốn tìm hiểu hoạt động khu vực Hà Nội tương lai Mặc dù đạt kết trên, cơng trình nghiên cứu hạn chế nhiều số liệu thống kê thỏa mãn tiêu chí phân tích hạn chế thời gian tiền bạc Do đó, khơng tránh nhận định, bình luận mang tính suy đốn Sở dĩ tính liên ngành liệu địa lý đa dạng ứng dụng nó, thơng tin, số liệu thu thập qua thay đổi để phù hợp phân tích cho ngành khác nhau, đặc biệt ngành marketing Nên đề xuất nghiên cứu chưa hoàn toàn thuyết phục khái quát cho khu vực Hà Nội hay khu vực khác Việt Nam Vì vậy, nghiên cứu tương lai cần phải đầu tư vào thời gian, công sức tiền bạc phân tích chi tiết kỹ Tài liệu tham khảo Abdi, H & Williams, L.J (2010), “Principal component analysis”, Wiley interdisciplinary reviews Computational Statistics, Vol No 4, pp 433 – 459 Allo, N.B (2012), “The potential and prospects for enabling small area geodemographics and Geo-marketing in developing countries: a case study on Nigeria”, Unpublished PhD Thesis, Kingston University AlloHenn, K., Tommi, K & Raija, K (2011), “Using ski destination choice criteria to segment Finnish ski resort customers”, Tourism Management, Vol 32, pp 1096 – 1105 Banerjee, S (2019), “Geo-marketing and situated consumers: opportunities and challenges In Proceedings of the 3rd ACM SIGSPATIAL International Workshop on Location-based Recommendations”, Geosocial Networks and Geoadvertising, pp 13 Fisher, P & Tate, N.J (2015), “Modelling class uncertainty in the geodemographic Output Area Classification”, Environment and Planning B: Planning and Design, Vol 42 No 3, pp 541 – 563 Hadong.hanoi.gov.vn (n.d.), https://hadong.hanoi.gov.vn/english/en/ overview.html, truy cập ngày 17/05/2021 “Tổng quan Hà Nội”, Hartigan, J.A & Wong, M.A (1979), "Algorithm AS 136: A k-Means Clustering Algorithm", Journal of the Royal Statistical Society, Series C., Vol 28 No 1, pp 100 – 108 Jinsoo, H., Young, G.C., Junghoon, J.L & Jongseung, P (2012), “Customer Segmentation Based on Dining Preferences in Full-Service Restaurants”, Journal of Foodservice Business Research, Vol 15, pp 26 – 246 Kassambara, A (2017), Practical guide to cluster analysis in R: unsupervised machine learning, Vol 1, STHDA, France FTU Working Paper Series, Vol No (10/2021) | 131 Kaufman, L & Rousseeuw, P.J (2009), Finding groups in data: an introduction to cluster analysis, Vol 344, John Wiley & Sons Kodinariya, T.M., & Makwana, P.R (2013), “Review on determining number of Cluster in K-Means Clustering”, International Journal, Vol No 6, pp 90 – 95 Lansley, G & Longley, P (2016), “Deriving age and gender from forenames for consumer analytics”, Journal of Retailing and Consumer Services, Vol 30, pp 271 – 278 Leung, A., Yen, B.T & Lohmann, G (2017), “Why passengers’ geo-demographic characteristics matter to airport marketing”, Journal of Travel and Tourism Marketing, Vol 34 No 6, pp 833 – 850 Shaffer, A.C (2015), “The geodemographics in location intelligence: A study in craft brewery placement”, PhD Thesis, Northern Arizona University Shlens, J (2014), “A tutorial on principal component analysis” Suhaibah, A., Uznir, U., Rahman, A.A., Anton, F & Mioc, D (2016), “3D Geo-marketing Segmentation: A Higher Spatial Dimension Planning Perspective”, The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, pp 42 Thành, H (2019), “Cầu Giấy: 21 năm xây dựng phát triển”, Tiền Phong, https://tienphong.vn/ cau-giay-21-nam-xay-dung-va-phat-trien-post1085406.tpo, truy cập ngày 06/05/2021 Thinsungnoena, T., Kaoungkub, N., Durongdumronchaib, P., Kerdprasopb, K., & Kerdprasopb, N (2015), “The clustering validity with silhouette and sum of squared errors”, International Conference on Industrial Application Engineering 2015, Vol No Tổng cục thống kê (2019), Dữ liệu dân số Thành phố Hà Nội năm 2019 VNGIS (2019), Cơ sở liệu địa lý Thành phố Hà Nội năm 2019 FTU Working Paper Series, Vol No (10/2021) | 132 ... muốn đưa mơ hình phân tích khái quát, xác, chi tiết phân bố thị trường quận Hà Nội, nhóm nghiên cứu chọn đề tài Xây dựng mơ hình phân khúc thị trường theo địa lý dân số Hà Nội Dựa vào mơ hình này,... riêng cụm phổ biến quận sở liệu địa lý Thành phố Hà Nội Từ đó, tạo mơ hình phân khúc thị trường theo địa lý cho doanh nghiệp có mong muốn tìm hiểu hoạt động khu vực Hà Nội tương lai Mặc dù đạt kết... đặc biệt Hà Nội, tìm kiếm thị trường tiềm mới, khu vực phù hợp giúp mở rộng doanh nghiệp mặt địa lý Cơ sở lý thuyết Cho đến nay, giới có nhiều nghiên cứu Phân khúc thị trường theo địa lý (Geo-segmentation)