Sự bùng nổ của big data trong nghiên cứu marketing

chứng kiến bùng nổ kỷ nguyên Big data Big Data thể hiện vai trò lĩnh vực từ y tế, viễn thơng, sản xuất, hàng khơng, tài chính, ngân hàng, điện tử, giải trí, Có thể thấy, liệu vũ khí quan trọng, nắm thơng tin, người vượt lên dẫn đầu bỏ xa đối thủ lại Thật vậy, giới phẳng hiện nay, việc nắm bắt tâm lý hành vi khách hàng ngày khó khăn Doanh nghiệp muốn bắt kịp xu hướng chung phát triển bền vững cần tập trung vào chuyển đổi số, đầu tư vào công nghệ, đặc biệt lĩnh vực Marketing Nhằm thấu hiểu khách hàng, tạo trải nghiệm mua hàng tốt Kết hợp với Big Data, doanh nghiệp nắm nhiều thông tin hơn, thấu hiểu khách hàng hơn, từ gia tăng trải nghiệm khách hàng giúp doanh nghiệp nắm lợi cạnh tranh so với đối thủ Đó lý nhóm chúng em chọn đề tài “Sự bùng nổ Big data Nghiên cứu Marketing”

ĐẠI HỌC QUỐC GIA THÀNH PHỐ HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC KINH TẾ - LUẬT KHOA QUẢN TRỊ KINH DOANH NGHIÊN CỨU MARKETING Đề tài: SỰ TRỖI DẬY CỦA BIG DATA TRONG NGHIÊN CỨU MARKETING GVHD: ThS VÕ THỊ NGỌC TRINH Thành phố Hồ Chí Minh, tháng 11 năm 2021 i MỤC LỤC CHƯƠNG 1: SƠ LƯỢC VỀ BIG DATA 1.1 Khái niệm 1.2 Phân loại 1.3 Các giả định Big Data 1.4 Thách thức sử dụng Big Data CHƯƠNG 2: BIG DATA TRONG NGHIÊN CỨU MARKETING 2.1 Khái niệm nghiên cứu Marketing 2.2 Nghiên cứu Marketing truyền thống Nghiên cứu Marketing sử dụng Big Data 2.3 Mơ hình trích xuất thơng tin từ Big Data cho nghiên cứu marketing 2.3.1 Thu thập lưu trữ liệu 10 2.3.2 Xử lý làm liệu 10 2.3.3 Tổng hợp, đối chiếu liệu 11 2.3.4 Mơ hình hóa phân tích liệu 11 2.3.5 Trình bày, diễn giải liệu 12 2.4 Phân tích Big Data mơ hình 5Ps 12 2.4.1 Phân tích kết hợp (Association analysis) 13 2.4.2 Phân tích gộp nhóm (Clustering analysis) 14 2.4.3 Phương pháp phân loại (Classification analysis) 14 2.4.4 Mơ hình chủ đề (Topic modelling) 14 2.4.5 Lọc tương tác (Collaborative filtering) 15 2.4.6 Phân tích hồi quy (regression analysis) 15 CHƯƠNG 3: ỨNG DỤNG CỦA BIG DATA TRONG NGHIÊN CỨU MARKETING CỦA AMAZON 17 3.1 Hệ thống giới thiệu cá nhân 17 3.1.1 Nguồn thông tin cần thu thập 17 3.1.2 Cách xử lý nguồn thông tin 17 3.1.3 Vận dụng thông tin xử lý 18 ii 3.2 Mơ hình giao hàng dự đoán 19 3.2.1 Nguồn thông tin cần thu thập 19 3.2.2 Cách xử lý nguồn thông tin 19 3.2.3 Vận dụng thông tin xử lý 19 3.3 Tối ưu giá 19 3.3.1 Nguồn thông tin cần thu thập 19 3.3.2 Cách xử lý nguồn thông tin 20 3.3.3 Vận dụng thông tin xử lý 20 3.4 Dịch vụ khách hàng Alexa 20 3.4.1 Nguồn thông tin cần thu thập 20 3.4.2 Cách xử lý nguồn thông tin 21 3.4.3 Vận dụng thông tin xử lý 21 CHƯƠNG 4: NHỮNG CƠ HỘI VIỆC LÀM MỞ RA ĐỐI VỚI MẢNG DATA LĨNH VỰC MARKETING 23 4.1 Marketing Insight and Analysis (1000 - 3000 USD) 23 4.2 Chuyên viên phân tích số Marketing (1000 - 2500 USD) 23 4.3 Social Data Analysis (700 - 2000 USD) 23 KẾT LUẬN 25 TÀI LIỆU THAM KHẢO 26 iii DANH MỤC BẢNG Bảng 1.1 So sánh Dữ liệu cấu trúc Dữ liệu phi cấu trúc Bảng 2.1 So sánh nguyên cứu Marketing truyền thống nghiên cứu Marketing sử dụng Big Data Bảng 2.2 5Ps and Big Data Analytics 12 Bảng 3.1 Tóm tắt ứng dụng Big Data nghiên cứu Marketing Amazon 21 DANH MỤC HÌNH Hình 2.1 Process for Extracting Insights From Big Data 10 iv DANH SÁCH THÀNH VIÊN STT Mức độ hoàn Họ tên MSSV Nhiệm vụ cụ thể Phan Văn Đức K194070896 Nội dung + Thuyết trình 100% Dương Thị Hồng Hạ K194070898 Nội dung + Thuyết trình 100% thành (Nhóm trưởng) Ngũn Thị Hờng Ḥ K194070904 Nội dung + Thuyết trình 100% Võ Hồng Nhật Vy K194070957 Nội dung + Slide 100% LỜI MỞ ĐẦU Cuộc Cách mạng công nghiệp lần thứ tư qua thập kỷ, bất cập mà chưa giải tầm quan trọng lợi ích mà mang lại điều chối cãi Mặc dù khái niệm đến giai đoạn này, giới thực chứng kiến bùng nổ kỷ nguyên Big data Big Data thể hiện vai trò lĩnh vực từ y tế, viễn thơng, sản xuất, hàng khơng, tài chính, ngân hàng, điện tử, giải trí, Có thể thấy, liệu vũ khí quan trọng, nắm thơng tin, người vượt lên dẫn đầu bỏ xa đối thủ lại Thật vậy, giới phẳng hiện nay, việc nắm bắt tâm lý hành vi khách hàng ngày khó khăn Doanh nghiệp muốn bắt kịp xu hướng chung phát triển bền vững cần tập trung vào chuyển đổi số, đầu tư vào công nghệ, đặc biệt lĩnh vực Marketing Nhằm thấu hiểu khách hàng, tạo trải nghiệm mua hàng tốt Kết hợp với Big Data, doanh nghiệp nắm nhiều thông tin hơn, thấu hiểu khách hàng hơn, từ gia tăng trải nghiệm khách hàng giúp doanh nghiệp nắm lợi cạnh tranh so với đối thủ Đó lý nhóm chúng em chọn đề tài “Sự bùng nổ Big data Nghiên cứu Marketing” để tiến hành tìm hiểu nghiên cứu Chúng em xin cảm ơn Cô Võ Thị Ngọc Trinh cho nhóm kiến thức bổ ích hội để tiến hành đề tài Với thời gian lực cịn hạn chế khơng thể tránh sai sót Chúng em mong thơng cảm nhận nhận xét, góp ý từ Một lần chúng em chân thành cảm ơn CHƯƠNG 1: SƠ LƯỢC VỀ BIG DATA 1.1 Khái niệm Big Data xem xu hướng công nghệ xuất hiện thời đại Cách mạng công nghiệp 4.0 hứa hẹn lời giải cho nhiều tốn kinh doanh hóc búa khơng doanh nghiệp giới mà với doanh nghiệp Việt Nam bối cảnh hội nhập sâu rộng vào kinh tế quốc tế Các tổ chức hàng đầu chuyển đổi tư họ liệu, từ việc coi liệu chi phí hoạt động cần giảm thiểu sang ni dưỡng liệu tài sản chiến lược cần mua lại, làm sạch, chuyển đổi, làm giàu phân tích để mang lại thơng tin chi tiết hữu ích Vậy, Dữ liệu lớn (Big data) thuật ngữ việc xử lý tập liệu lớn phức tạp khác với cách truyền thống Dữ liệu bao gồm hoạt động khác như: thu thập, tìm kiếm, giám sát, dự báo, phân tích hành vi người dùng, số phương pháp phân tích liệu tiên tiến khác nhằm trích xuất giá trị từ liệu mà đề cập đến kích thước liệu Cụ thể, truy vấn tập tin phi cấu trúc (unstructured files) video kỹ thuật số, hình ảnh, liệu cảm biến, tập tin lưu nhật ký, thực liệu khơng có hờ sơ với phạm vi tìm kiếm khác Năm 2014, Gartner đưa khái niệm Big Data với mơ hình “5Vs” tương ứng với năm tính chất quan trọng, sau: Volume: tăng trưởng mặt khối lượng Dữ liệu hệ thống thông tin ln ln khơng ngừng tăng lên mặt kích thước (khối lượng) Chúng ta tìm thấy liệu định dạng video, music, image lớn kênh truyền thông xã hội Khối lượng liệu hệ thống thơng tin lên đến hàng Terabyte Petabyte Theo tài liệu Intel hồi tháng 9/2013, 11 giây, PB1 liệu tạo toàn giới, tương đương với đoạn video HD dài 13 năm Facebook phải xử lý khoảng 500 TB2 liệu ngày Velocity: tăng trưởng mặt tốc độ xử lý Bên cạnh tăng trưởng khối lượng, tốc độ tăng trưởng liệu tăng lên cách chóng mặt Các ứng dụng sử dụng phổ biến lĩnh vực Internet, tài chính, ngân hàng, hàng khơng, quân sự, y tế - sức khỏe ngày phần lớn xử lý thời gian thực thông qua hệ thống Big Data Đơn cử, mạng xã hội, đơi thơng báo cách vài giây (tweet, status….) cũ không người dùng quan tâm Người dùng thường loại bỏ tin nhắn cũ ý đến cập nhật gần Sự chuyển động liệu tức thời (real time), tốc độ cập nhật thông tin giảm xuống đơn vị hàng mili giây Variety: tăng lên tính đa dạng liệu Dữ liệu không dạng có cấu trúc, mà cịn bao gờm nhiều kiểu liệu phi cấu trúc (như video, hình ảnh, liệu cảm biến, giọng nói, blog, ) Big Data cho phép phân tích liên kết đa dạng chủng loại liệu với ví dụ bình luận, đăng nhóm người dùng Facebook với thơng tin video chia sẻ từ kênh xã hội khác YouTube, Twitter Veracity: tính xác thực liệu Với xu hướng “Social” ngày gia tăng mạnh mẽ tính tương tác chia sẻ người dùng di động làm cho khả xác định độ tin cậy tính xác liệu ngày khó khăn Bài tốn phân tích loại bỏ liệu thiếu xác gây nhiễu tính chất quan trọng Big data Value: Giá trị thông tin mang tính chất quan trọng xu hướng công nghệ Big Data Thật vậy, doanh nghiệp phải hoạch định giá trị thơng tin hữu ích Big Data cách phù hợp nhằm giải cho vấn đề, toán mà doanh nghiệp gặp phải mơ hình hoạt động kinh doanh Có thể nói việc doanh nghiệp cần làm trước bắt tay vào thực hiện Big Data phải xác định tính chất “Value” 1.2 Phân loại Dữ liệu đến từ nhiều nguồn thuộc định dạng khác nên chúng đa dạng Chính vậy, việc phân loại liệu có nhiều cách Và cách thể hiện khác biệt loại liệu phân loại dựa vào cấu trúc chúng: Dữ liệu có cấu trúc Dữ liệu phi cấu trúc Dữ liệu có cấu trúc thông tin thể hiện cột hàng có tiêu đề, dễ dàng đặt hàng xử lý cơng cụ tìm kiếm liệu Chúng ta xem chúng tủ hờ sơ tổ chức hồn hảo, liệu xác định, dán nhãn dễ dàng truy cập Dữ liệu phi cấu trúc thông tin khơng tổ chức thơng qua mơ hình lược đồ liệu xác định trước Bảng 1.1 So sánh Dữ liệu cấu trúc Dữ liệu phi cấu trúc Dữ liệu có cấu trúc Dữ liệu phi cấu trúc Ví dụ - Ngày tháng - SĐT, Số thẻ tín dụng - Tên khách hàng, địa - Tên sản phẩm, số lượng - Các thông tin giao dịch - Các file văn (text), file PDF - Báo cáo - Tin nhắn, Email - File Audio, Video, ảnh - Các nội dung truyền thông mạng xã hội Đặc trưng - Mơ hình liệu xác định trước (thường có dạng văn bản) - Dễ tìm kiếm - Khơng có mơ hình liệu xác định trước - Có thể dạng văn bản, hình ảnh, video, âm định dạng khác - Khó tìm kiếm Ứng dụng - Kiểm sốt hàng tồn kho - Hệ thống CRM, ERP - Hệ thống đặt vé máy bay - Xử lý văn - Phần mềm trình chiếu - Email - Các cơng cụ hiển thị chỉnh sửa truyền thông Được tạo Con người máy móc Con người máy móc (Nguồn: Internet) 1.3 Các giả định Big Data N = All Nếu thu thập thông tin dựa mẫu nhỏ, chí kết thu thập “một cách khoa học” thơng tin không đáng tin cậy (phương sai cao mẫu lặp lại), khơng mang tính đại diện khơng đủ sức mạnh mặt thống kê (tức là, suy luận hợp lý bị hạn chế) Một số nhà nghiên cứu cho Big Data khắc phục hạn chế sẵn sàng cung cấp kiểm tra thơng số dân số tương đối rẻ, tương đối đại diện, bổ sung liên tục dễ dàng chép Tuy nhiên, lưu ý quan trọng liên quan đến giả định này: Big Data loại trừ người không sử dụng internet công nghệ xử lý thông tin kỹ thuật số Việc tham gia vào tảng trực tuyến, cho dù thương mại hay khơng, có khác biệt đáng kể theo vị trí địa lý, tuổi tác, giới tính, chủng tộc yếu tố xã hội học khác (www.statista.com) Today = Tomorrow Bởi di động có mặt khắp nơi, sống kỹ thuật số động nhiều so với sống thực Người tiêu dùng liên tục chuyển đổi, thử từ bỏ hiện diện kỹ thuật số họ Các dấu vết hành vi trở thành đối tượng điều tra Ban đầu, Facebook giới hạn thành viên cho người dùng ngành giáo dục; đó, cần đăng ký tài khoản email edu Khi Facebook mở rộng, mở cho người dùng phi giáo dục Online behavior = Offline behavior Người tiêu dùng hiện mơ hình hành vi giống trực tuyến ngoại tuyến không? Điều phức tạp nhà tiếp thị phải tìm hiểu cách người tiêu dùng biểu hiện hai mơ hình hành vi mua hàng sản phẩm cụ thể Behavior of all today = Behavior of all tomorrow Giả định tổng hợp ba giả định nói Big Data phản ánh số hóa khơng hồn hảo sống trực tuyến ngoại tuyến người Các mô hình mơ tả hành vi người tiêu dùng thay đổi để giải thích cho ảnh hưởng cơng nghệ internet Những giả định giúp kiểm soát thơng tin có từ việc phân tích Big Data Nhiều nhà tiếp thị tin tất người tiêu dùng họ có mặt trực tuyến 13 -Phân tích dự đốn ưu tiên phẩm - Phân tích dự khách hàng tiềm đốn để cung cấp sản phẩm - Phân tích động cộng đờng phù hợp cho thị trường (Nguồn: Fan, Leu & Zheo, 2015) Theo đó, dựa thơng tin cần cho lược P khác với việc ứng dụng thuật toán thống kê khoa học máy tính cho dự đốn tương lai với xác suất cao Đặc biệt, phân tích dự đốn dựa liệu áp dụng rộng rãi nghiên cứu Marketing Trong đó, có dạng phân tích phổ biến sau Phân tích dự đốn hành vi khách hàng Đưa mơ hình tương quan hành vi khách hàng, từ dự đốn xu hướng mua hàng tương lai Phân tích dự đốn ưu tiên khách hàng tiềm Ở đây, thông điệp truyền thơng tối ưu hóa cho nhóm khách hàng tiềm năng, đưa call-to-action xác cho họ Phân tích dự đốn để cung cấp sản phẩm phù hợp cho thị trường Trong trường hợp này, trực quan hóa liệu giúp nhóm tiếp thị đưa định đắn sản phẩm dịch vụ nên phân phối thị trường Phân tích dự đốn để nhắm mục tiêu khách hàng Các mơ hình sử dụng để xác định nhóm khách hàng có giá trị cao nhất, từ cung cấp cho họ ưu đãi phù hợp trước thời điểm họ định mua hàng 2.4.1 Phân tích kết hợp (Association analysis) Phân tích kết hợp kỹ thuật cho phép tìm thấy mẫu sưu tập liệu lớn Phân tích kết hợp giúp tạo thơng tin có giá trị cách khám phá mối quan hệ có liên quan biến khác sở liệu quy mơ lớn Việc giải thích mối quan hệ mẫu khơng dễ dàng số lượng mẫu thường lớn mối quan hệ tìm thường vơ nghĩa Tuy nhiên phương pháp phân tích giúp giảm thiểu yếu tố “nhiễu” liệu nhiều Các chuỗi cửa hàng bán lẻ siêu thị thường sử dụng phân tích kết hợp để tạo hồ sơ hành vi mua sắm chung khách hàng Dựa đó, người quản lý cửa hàng có 14 thể đề chiến lược xếp sản phẩm theo trình tự cụ thể nhằm tăng trưởng doanh số 2.4.2 Phân tích gộp nhóm (Clustering analysis) Phân tích gộp nhóm hay phân tích cụm kỹ thuật để mơ tả liệu tìm mẫu chung Qua đó, tập liệu phân thành nhiều nhóm khác nhau, nhóm điểm liệu hay quan sát giống nhau, nhóm có khác biệt Kỹ thuật phân cụm ứng dụng nhiều tiếp thị nơi mà kỹ thuật sử dụng để khám phá nhóm khách hàng có nhu cầu tương tự, để từ xây dựng chiến lược tiếp thị cho sản phẩm dịch vụ nhắm vào nhóm khách hàng mục tiêu hiệu 2.4.3 Phương pháp phân loại (Classification analysis) Phương pháp phân loại phương pháp khoa học liệu áp dụng nhiều tiếng Trong phương pháp này, dự đoán quan sát (dữ liệu mới) thu thập thuộc loại Điều thực hiện cách phân tích quan sát danh mục lịch sử biết Các mơ hình khác sử dụng để phân loại liệu mô hình biết đến nhiều “cây định” (decision tree), thường sử dụng với tập liệu lớn Cây định trình mà nhiều câu hỏi có khơng trả lời để xác định danh mục mà liệu thuộc Phương pháp phân loại thường sử dụng kết hợp với phương pháp hồi quy để cải thiện hiệu suất dự đốn mơ hình thống kê Một ví dụ cách phân loại sử dụng chăm sóc sức khỏe, nơi liệu lịch sử bệnh nhân sử dụng để phân tích triệu chứng nhằm xác định (phân loại) tình trạng bệnh nhân mắc phải Điều sử dụng để dự đoán ung thư xác định nhóm nguy cao 2.4.4 Mơ hình chủ đề (Topic modelling) Mơ hình chủ đề mơ hình để phân tích liệu Big Data đầu vào thành loại chủ đề khác Mơ hình chủ đề gờm có mơ hình có giám sát khơng giám sát 15 Trong mơ hình chủ đề có giám sát, người dùng định số đặc điểm cho trước chủ đề để hệ thống lọc theo đặc điểm Cịn mơ hình khơng giám sát thơng tin văn từ Big Data thu thập tự động tự phân chia chủ đề thơng minh Theo mặc định, Mơ hình chủ đề tự động loại bỏ từ dừng từ tần số cao xuất hiện hầu hết tài liệu chúng thường khơng giúp xác định ranh giới chủ đề Như vậy, chiến lược Product marketing, mơ hình chủ đề vận dụng để phân tích Big Data văn Từ phân loại sản phẩm theo chủ đề khác Nhờ đó, doanh nghiệp biết đến loại sản phẩm mà khách hàng quan tâm để từ đề chiến lược sản phẩm phù hợp 2.4.5 Lọc tương tác (Collaborative filtering) Hay gọi lọc tương tác, sử dụng tương tác qua lại hành vi mua sắm khách hàng để tìm sở thích khách hàng sản phẩm Hầu hết hành vi sở thích người có đặc điểm chung nhóm lại thành nhóm tương đờng Một phụ nữ A đến siêu thị mua dầu ăn thường mua thêm nước tương nước mắm Hành vi lặp lại 100 lượt mua sắm 90 lần khả cao phụ nữ B mua dầu ăn mua thêm nước tương nước mắm Từ khuyến nghị sản phẩm cho khách hàng dựa hành vi khách hàng khác liên quan 2.4.6 Phân tích hồi quy (regression analysis) Phân tích hời quy kỹ thuật thống kê dùng để ước lượng phương trình phù hợp với tập hợp kết quan sát biến phụ thuộc biến độc lập.Trong marketing, phân tích hời quy sử dụng phổ biến Trong chiến lược Promotion, phân tích hời quy sử dụng để nghiên cứu nhu cầu người tiêu dùng thay đổi theo biến độc lập khác Trong chiến lược Price, người ta thực hiện cơng trình nghiên cứu yếu tố ảnh hưởng đến giá sản phẩm họ Khi giá biến phụ thuộc số yếu tố lượng hàng lại, nhu cầu sản phẩm, đối thủ cạnh tranh… tác động đến giá 16 biến độc lập Thơng qua đó, nhà quản trị Marketing biết mức giá phù hợp cho sản phẩm dịch vụ mà điều chỉnh để tối ưu giá Trong chiến lược Place, người ta tiến hành phân tích yếu tố kênh bán hàng có ảnh hưởng đến hấp dẫn mua hàng người tiêu dùng Big Data cần thu thập cho biến độc lập cách bày trí, âm nhạc, nhân viên… Từ đó, người ta thực hiện cơng tác cải tiến, hồn thiện kênh bán hàng 17 CHƯƠNG 3: ỨNG DỤNG CỦA BIG DATA TRONG NGHIÊN CỨU MARKETING CỦA AMAZON Amazon công ty thương mại điện tử lớn hàng đầu giới Công ty vận dụng tối ưu ng̀n tài ngun liệu khổng lờ mà thu thập để đem lại lợi cạnh tranh Cụ thể, tính đến năm 2005, Amazon sở hữu sở liệu Linux lớn giới với dung lượng 7.8TB, 18.5TB 24.7TB Theo nghiên cứu IDC, nhờ Big Data, năm 2013 Amazon đạt doanh thu tới 74 tỷ USD Bằng việc sử dụng liệu lớn mà Amazon ngày tiến xa đường thấu hiểu khách hàng đem đến trải nghiệm mua hàng tuyệt vời cho người dùng Amazon vận dụng cơng nghệ Big Data vào số dự án bật 3.1 Hệ thống giới thiệu cá nhân 3.1.1 Nguồn thông tin cần thu thập Để phát triển hệ thống giới thiệu cá nhân mình, Amazon thu thập thơng tin trực tiếp từ người dùng sản phẩm mà khách hàng mua, thêm vào trước đây, danh mục mong đợi, loại sản phẩm xem xét đánh giá hay sản phẩm tìm kiếm nhiều 3.1.2 Cách xử lý nguồn thơng tin Phân tích đường (path analytics): Amazon lấy liệu từ q trình di chuyển thao tác trang thương mại điện tử để xác định xem điểm đích loại sản phẩm cuối mà khách hàng thực cần làm Lấy ví dụ, khách hàng di chuyển qua shop bán ngành hàng thêm nhiều sản phẩm vào giỏ hàng chưa thực hiện thao tác đặt hàng Như vậy, Amazon phân tích đích đến cuối khách hàng sản phẩm giỏ hàng Từ gợi ý sản phẩm tương tự cho khách hàng Phân tích văn (text analytics): việc thu thập từ khóa tìm kiếm khách hàng thời điểm gần nhau, Amazon hiểu nhu cầu hiện khách hàng Phân tích văn việc phân tích cấu trúc từ khóa giải mã ý nghĩa để chuyển hóa thành thơng tin phục vụ cho việc phân tích chuyên sâu, xác định sản phẩm mà khách hàng muốn mua Kỹ thuật phân tích giải mã phổ biến sử 18 dụng kỹ thuật NLP (Natural Language Processing) Kỹ thuật phân tích chia làm cấp độ phân tích từ đến chun sâu Có thể ví dụ từ khóa tìm kiếm đơn giản là: “Áo sơ mi tay ngắn nữ giá rẻ” Nếu sử dụng kỹ thuật NLP phân tích sau: + Lexical analytics: kiểm tra thuộc tính riêng biệt từ khóa tìm kiếm chủ ngữ, vị ngữ, bổ ngữ Như từ khóa ta phân tích chủ ngữ “Áo sơ mi”, khuyết động từ vị ngữ xem cụm từ phía sau “tay ngắn nữ giá rẻ” bổ nghĩa cho chủ ngữ + Syntactic analytics: bước phân tích kết hợp từ ngữ với ngữ cảnh để giải nghĩa Trong từ khóa thiếu nhiều thành phần câu khơng có câu cảm thán nên khơng cần bước phân tích + Semantic analytics: phân tích ý nghĩa xảy ra, phân tích từ tối nghĩa, phát hiện ngụ ý sử dụng từ người dùng để phân tích giải nghĩa Để ý thấy cụm từ “giá rẻ” từ khóa Có thể hiểu khách hàng ưu tiên chọn sản phẩm giảm giá + Discourse – level analytics: cắt nghĩa câu văn để hiểu nhu cầu người tìm kiếm Trong cụm từ ta phân tích loại sản phẩm mà khách hàng tìm kiếm áo, chất liệu sơ mi, kiểu dáng tay ngắn, đối tượng sử dụng nữ Cuối cùng, sau phân tích giải mã từ khóa tìm kiếm khách hàng, Amazon hiểu khách hàng cần để từ đưa gợi ý sản phẩm kiểu dáng, màu sắc tương ứng Điều góp phần dẫn dắt khách hàng tìm sản phẩm phù hợp với 3.1.3 Vận dụng thông tin xử lý Các thông tin xử lý giúp cho Amazon hình dung rõ chân dung khách hàng Biết nhu cầu thực khách hàng thời điểm để cá nhân hóa trải nghiệm mua hàng khách hàng Mỗi khách hàng có mong muốn khác sản phẩm Do đó, Amazon áp dụng hàng loạt cơng nghệ phân tích Big Data để đưa lời gợi ý sản phẩm phù hợp đến người dùng Thơng qua việc tối ưu hóa trải nghiệm mua hàng này, Amazon “móc túi” khách hàng 19 khơng Hệ thống giới thiệu cá nhân đem lại nguồn doanh thu khổng lờ cho Amazon Nó giúp tạo khoảng 35% doanh thu bán hàng năm công ty 3.2 Mô hình giao hàng dự đốn 3.2.1 Nguồn thơng tin cần thu thập Để hồn thành mơ hình này, Amazon cần phải có Big Data từ khóa khách hàng tìm kiếm, sản phẩm giỏ hàng, shop ghé qua, đơn hàng đặt gần đây, đơn hàng đặt vào thời điểm khứ Ngồi cịn có đặc điểm khác nhân khẩu, địa lý, trị khu vực 3.2.2 Cách xử lý nguồn thơng tin Phân tích dự báo (Predictive analytics): kết hợp thông tin thu từ Big Data mua hàng khách hàng lịch sử rời tiến hành phân tích dự báo cho tương lai Theo Eckerson, phân tích báo kiểu Amazon mơ hình thuộc loại mơ hình học có giám sát (giám sát liệu lịch sử để dự báo cho tương lai) sử dụng phương pháp phân loại (classification) Bằng phương pháp này, Amazon phân chia đối tượng khách hàng theo khu vực địa lý, nơi gần kho hàng Amazon Sau phân chia vây, Amazon tiến hành phân tích sâu nhu cầu khách hàng dự báo mặt hàng mà khách hàng mua khu vực 3.2.3 Vận dụng thơng tin xử lý Sau có liệu khách hàng khu vực nhờ phương pháp phân tích dự báo, Amazon tiến hành nhập mặt hàng vào kho để thuận tiện giao hàng cho khách hàng Khi khách hàng khu vực đặt hàng, công ty sẵn sàng hàng để giao cho khách hàng kho hàng Amazon gần Bằng cách này, công ty đảm bảo tối thiểu hóa thời gian giao hàng cho khách hàng Như vậy, Amazon tiết kiệm chi phí vận chuyển mà cịn tạo thiện cảm sâu sắc thời gian giao hàng siêu nhanh 3.3 Tối ưu giá 3.3.1 Nguồn thơng tin cần thu thập 20 Để thực hiện tối ưu giá, Amazon tiến hành thu thập kho liệu khổng lồ hoạt động khách hàng web, chiến lược đối thủ, sẵn có sản phẩm, mức độ ưa thích sản phẩm, lịch sử đơn hàng, lợi nhuận kỳ vọng Các nguồn thông tin phải cập nhật liên tục để Amazon tối ưu hóa giá liên tục Thơng thường giá sản phẩm Amazon cập nhật liên tục 10 phút liệu Big Data cập nhật gần liên tục 3.3.2 Cách xử lý nguồn thơng tin Amazon thực hiện phân tích dự báo theo mơ hình học khơng giám sát Khác với mơ hình học giám sát lấy liệu q khứ để dự báo tương lai số đối tượng mơ hình khơng dùng liệu lịch sử mà lấy liệu cập nhật Mơ hình giúp tìm mối liên hệ yếu tố quan sát Sử dụng kỹ thuật phân tích hời quy đa biến, cho Amazon biết mối tương quan giá sản phẩm với yếu tố cịn lại Ở đây, cơng ty thực hiện số phân tích hời quy với biến giá biến phụ thuộc biến chiến lược đối thủ, mức độ sẵn có sản phẩm, mức độ ưa thích biến độc lập Như vậy, Amazon xác định mức giá hợp lý biến độc lập thay đổi cập nhật 3.3.3 Vận dụng thông tin xử lý Sau xác định mức giá hợp lý thời điểm nhờ vào kỹ thuật dự báo, Amazon tiến hành cập nhật thường xuyên mức giá trang thương mại điện tử Cơng ty ln ln phải giữ mức giá hấp dẫn khách hàng Nhờ vậy, Amazon ngày thu hút nhiều đơn hàng hơn, giúp doanh thu tăng trung bình 25% năm Đối với sản phẩm bán chạy, công ty cung cấp nhiều dịch vụ giảm giá để kích cầu Từ kiếm lợi nhuận từ số lượng nhiều Đối với sản phẩm bán chậm, Amazon thực hiện sách giá nhỉnh đối thủ để thu nhiều lợi nhuận sản phẩm bán 3.4 Dịch vụ khách hàng Alexa 3.4.1 Nguồn thông tin cần thu thập 21 Amazon sử dụng liệu phong phú thu thập từ việc khách hàng tương tác với trợ lý ảo Alexa Các liệu lưu thành ghi sau sử dụng cho mục đích phân tích, cải thiện 3.4.2 Cách xử lý nguồn thông tin Hệ thống LVCSR (Large-vocabulary Continuous Speech Recognition): gờm tiến trình lập bảng mục tìm kiếm Các đoạn ghi âm Alexa với khách hàng Amazon thực hiện phiên âm thành nội dung nhờ công nghệ nhận diện giọng nói tự động (ASR) Cơng nghệ so sánh từ phiên âm đoạn ghi với từ từ điển Cuối cùng, hệ thống xuất file bảng cho phép tìm kiếm thơng tin từ ngữ nói ghi âm Phonetic-based systems: ngược lại với hệ thống LVCSR, hệ thống tiến hành dịch tồn lời nói chuỗi hội thoại thành đơn vị âm Sau đó, tìm kiếm đơn vị âm có từ dịch 3.4.3 Vận dụng thông tin xử lý Amazon chuyển hóa liệu ghi từ dịch vụ chăm sóc khách hàng Alexa thành đơn vị âm tìm kiếm Trải qua bước phân tích xử lý khác nhau, Amazon hiểu mong muốn khách hàng Từ đó, cơng ty cải thiện chất lượng trải nghiệm mua sắm khách hàng, giải phàn nàn cho khách hàng Đờng thời góp phần cải tiến cho hai trợ lý ảo Alexa ngày thông minh Bảng 3.1 Tóm tắt ứng dụng Big Data nghiên cứu Marketing Amazon Dự án Hệ thống giới thiệu cá nhân Mơ hình giao hàng Ng̀n thơng tin cần thu thập - Các sản phẩm mà khách hàng mua - Các thêm vào giỏ hàng - Các sản phẩm tìm kiếm nhiều - Phân tích đường (path analytics) - Phân tích văn (text analytics): Lexical analytics, Syntactic analytics, Semantic analytics, Discourse – level analytics - Các từ khóa khách hàng tìm kiếm - Phân tích dự báo (Predictive analytics): mô Cách xử lý thông tin Vận dụng thông tin xử lý - Biết nhu cầu thực khách hàng - Đưa lời gợi ý sản phẩm - Dự báo nhu cầu khách hàng theo 22 dự đoán - Sản phẩm giỏ hàng - Các đơn hàng đặt vào thời điểm khứ - Các đặc điểm khác nhân khẩu, địa lý, trị khu vực - Các hoạt động khách hàng web - Chiến lược đối thủ - Sự sẵn có sản Tối ưu giá phẩm - Mức độ ưa thích sản phẩm - Lịch sử đơn hàng - Lợi nhuận kỳ vọng - Các ghi khách hàng tương tác với trợ lý ảo Alexa Dịch vụ khách hàng Alexa hình học có giám sát khu vực - Sử dụng phương pháp phân - Dự trữ giao hàng loại (classification) từ kho hàng Amazon gần - Phân tích dự báo theo mơ hình học khơng giám sát - Phân tích hời quy - Cập nhật thường xuyên mức giá - Thực hiện chiến lược giá cho loại sản phẩm khác - Hệ thống LVCSR (Largevocabulary Continuous Speech Recognition) - Phonetic-based systems - Hiểu mong muốn khách hàng - Giải phàn nàn khách hàng - Cải thiện chất lượng trải nghiệm mua sắm - Cải tiến cho trợ lý ảo Alexa (Nguồn: Nhóm nghiên cứu tự tổng hợp) 23 CHƯƠNG 4: NHỮNG CƠ HỘI VIỆC LÀM MỞ RA ĐỐI VỚI MẢNG DATA LĨNH VỰC MARKETING Chuyên viên phân tích liệu (Data Analyst) công việc có nhu cầu tuyển dụng cao thời điểm hiện Khơng khó để nhận thấy vai trị họ hầu hết ngành nghề, tổ chức doanh nghiệp Đặc biệt lĩnh vực Marketing cụ thể: 4.1 Marketing Insight and Analysis (1000 - 3000 USD) ● Mơ tả cơng việc: + Đảm nhận việc phân tích diễn giải liệu, đảm bảo mức độ xác, kịp thời hữu ích liệu trình bày + Cung cấp đề xuất dựa thơng tin chi tiết theo hướng liệu, hành động với mục tiêu rõ ràng cải thiện hiệu suất kinh doanh + Tiến hành đánh giá định kỳ hệ thống lưu trữ liệu sở liệu, thực hiện nhiều thử nghiệm phân tích kết trước đưa giải pháp tìm cách nâng cao giải pháp quản lý liệu 4.2 Chuyên viên phân tích số Marketing (1000 - 2500 USD) ● Mô tả công việc: + Phát triển hệ thống thống kê, thu thập số Marketing + Tự động hóa hệ thống thống kê, thu nhập số Marketing + Xây dựng hệ thống báo cáo số tổng hợp phận khối Marketing + Xây dựng hệ thống cảnh báo số cho phận + Phân tích liệu số đưa phương án đề xuất khắc phục + Phối hợp chặt chẽ với nhóm marketing, sản phẩm, công nghệ để phát triển thúc đẩy dự án 4.3 Social Data Analysis (700 - 2000 USD) ● Mô tả công việc: 24 + Thực hiện nghiên cứu social media cách biên soạn, phân tích, diễn giải liệu nghiên cứu, làm báo cáo thuyết trình báo cáo + Đưa kết luận, đề xuất hành động cách ngắn gọn, phù hợp với trường hợp khách hàng dựa vào liệu nghiên cứu + Sử dụng công cụ để thực hiện quy trình nghiên cứu giao: Thu thập liệu, xử lý liệu, phân tích kết nghiên cứu, trực quan hoá liệu soạn thảo báo cáo 25 KẾT LUẬN Có thể nói liệu vốn quý doanh nghiệp đặc biệt bối cảnh cách mạng công nghiệp lần thứ tư bùng nổ hiện Dữ liệu có khắp nơi, thời thời điểm thu thập nhiều liệu có lợi Qua ứng dụng từ việc phân tích liệu trình bày bài, có lẽ lúc doanh nghiệp cần có nhìn nhận đắn tầm quan trọng Big Data có động thái chuyển đổi để khai thác chúng cho q trình định kinh doanh nói chung Marketing nói riêng 26 TÀI LIỆU THAM KHẢO  Để hiểu tầm quan trọng liệu biết cách sử dụng loại biểu đồ để biểu diễn liệu Tham khảo thêm sách Data Visualization - Cơ minh họa liệu thiết kế biểu đồ Link:  Để hiểu sâu thuật ngữ Big Data cách để bắt đầu sử dụng chúng Tham khảo thêm: Bài viết Big Data - Data Visualization and Quantitative Research Apps,Vaidas Lukošius and Michael R Hyman (2018) Link Sách The Big Data-Driven Business: How to Use Big Data to Win Customers Beat competitors and Boots profits, Russell Glass and Sean Callahan (2015) Link Sách Big Data in Marketing, Danii Ty Kheev (2018) Link Luận văn Tools and Methods for Big Data Analysis (2016) Link Bài viết Big Data in Market Research: Why More Data Does Not Automatically Mean Better Information, Volker Bosch (2016), GfK Marketing Intelligence Review, Vol 8, No (November) Link Website phương pháp phân tích liệu, Big Data ứng dụng ngành khác nhau… , Big Data Uni,  Để biết nhiều cách Big Data ứng dụng kinh doanh Tham khảo thêm: Sách Big Data ứng dụng kinh doanh, Lê Hoành Sử (2017), NXB ĐHQG TP.HCM (hiện có Thư viện trung tâm ĐHQG TP.HCM) Dữ liệu lớn: Cách thức khai thác hội từ liệu?, Nguyễn Anh Duy & Nguyễn Phúc Quỳnh Như (2019), Tạp chí Phát triển Hội nhập Trường Đại học Tài – Marketing TP.HCM Link  Một số tài liệu tham khảo khác L W Zhang (2015), Modeling and Analysis in Marine Big Data: Advances and Challenges, Walter (2018), Amazon and Big Data Phạm Việt Anh (2019), Nghiên cứu số vấn đề Big Data ứng dụng phân tích kinh doanh, Đại học Cơng nghệ thơng tin Truyền thông Các ứng dụng Data Science ngành Marketing, Nguyễn Anh Duy & Nguyễn Phúc Quỳnh Như (2019) Dữ liệu lớn: Cách thức khai thác hội từ liệu? Trường hợp Amazon Tạp chí Phát triển Hội nhập Trường Đại học Tài – Marketing TP.HCM Walter (2018) Amazon and Big Data Rob van Dijk, Advanced Data Analysis Techniques Applied to People Analytics, Federico Pascual (2019), Topic Modeling: An Introduction, ... chưa có bùng nổ tiến khoa học kỹ thuật hiện 9 Bảng 2.1 So sánh nguyên cứu Marketing truyền thống nghiên cứu Marketing sử dụng Big Data Tiêu chí Nghiên cứu Marketing truyền thống Nghiên cứu Marketing. .. nguyên cứu Marketing truyền thống nghiên cứu Marketing sử dụng Big Data Bảng 2.2 5Ps and Big Data Analytics 12 Bảng 3.1 Tóm tắt ứng dụng Big Data nghiên cứu Marketing. .. CHƯƠNG 2: BIG DATA TRONG NGHIÊN CỨU MARKETING 2.1 Khái niệm nghiên cứu Marketing Theo Philip Kotler (2003) ? ?Nghiên cứu marketing xác định cách có hệ thống tư liệu cần thiết tình marketing đặt