tadaQYGFWSVNCBADNBCJNAGHCMA SDMHAGDS CAHQUN KFHUIRABCKZAIRJSFVMJJGSFDJFSDGDFSGJDFSGJDFSGHFDSGHDFSHJFBNFDSNBNBNCVBNVXCBNVCXNBXBNCVXBNCVXNBCVXNBVCXBNXCVNBVCXNCVXVCXNBCVNXCVNBVXNBVXCNBCVXNBCVXNBCVXNBCVXNCVXNXCVNVCXNBCVXNMXCV
ĐẠI HỌC QUỐC GIA TP.HCM TRƯỜNG ĐẠI HỌC KINH TẾ - LUẬT CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự – Hạnh phúc TP Hồ Chí Minh, ngày 10 tháng 10 năm 2022 THUYẾT MINH ĐỀ TÀI NGHIÊN CỨU KHOA HỌC SINH VIÊN NĂM 2022 A THÔNG TIN CHUNG Tên đề tài: Phân khúc khách hàng dựa mơ hình RFMV giá trị lâu dài khách hàng - Ứng dụng công ty Adventureworks Cycles Loại hình nghiên cứu: ☐ Nghiên cứu ☑ Nghiên cứu ứng dụng ☐ Nghiên cứu triển khai Lĩnh vực nghiên cứu: TT TÊN LĨNH VỰC Lĩnh vực Giáo dục CHUYÊN NGÀNH - Giáo dục học - Quản lý giáo dục - Tâm lý giáo dục - Giáo dục thể chất Lĩnh vực Kinh tế - Tài - ngân hàng - chứng khoán - kế toán kiểm toán, bảo hiểm - tín dụng - Thương mại - quản trị kinh doanh du lịch marketing - Kinh tế học - kinh tế phát triển - kinh tế trị Lĩnh vực Pháp lý - Luật Dân - Luật Hình - Luật Kinh tế - Luật Hành - Luật Quốc tế Lĩnh vực Cơng - Tốn tin nghệ thông tin - Công nghệ thông tin Thời gian thực hiện: tháng Người hướng dẫn: Học hàm, học vị, họ tên: Mẫu SV-01_Thuyết minh đăng ký đề tài Tiến sĩ Hồ Trung Thành Chọn ☐ ☐ ☐ ☐ ☐ ☑ ☐ ☐ ☐ ☐ ☐ ☐ ☐ ☑ Khoa/Bộ môn/Trung tâm: Hệ thống thông tin Điện thoại: Email: thanhht@uel.edu.vn Sinh viên thực đề tài STT Họ tên MSSV Lớp Khóa La Thế Anh K214060389 K21406T K21 Nguyễn Quốc Việt K214061752 K21406T K21 Nguyễn Thúy Vy K214061753 K21406T K21 Khoa Hệ thống thông tin Hệ thống thông tin Hệ thống thơng tin Nhiệm vụ anhlt21406@st Nhóm uel.edu.vn trưởng vietnq21406@st Thành uel.edu.vn viên vynt21406@st.u Thành el.edu.vn viên Email B MÔ TẢ NGHIÊN CỨU B1 Tổng quan tình hình nghiên cứu trong, ngồi nước Ngày nay, cơng ty có xu hướng tìm hiểu rõ liệu khách hàng mặt Việc phát điểm tương đồng khác biệt khách hàng, dự đoán hành vi họ, đề xuất lựa chọn hội tốt cho khách hàng trở nên quan trọng gắn kết khách hàng công ty (Dogan Cộng sự, 2018) Việc phân khúc khách hàng tốt quan trọng cơng ty bán lẻ Những nhóm khách hàng có nhu cầu, mong muốn hành vi tương tự giúp công ty hiểu rõ mục tiêu thị trường Nhiều nhà bán lẻ trực tuyến quy mô nhỏ người tham gia vào lĩnh vực bán lẻ trực tuyến muốn khai thác liệu lấy người tiêu dùng làm trung tâm doanh nghiệp họ mặt kỹ thuật cịn yếu thiếu kiến thức chun mơn cần thiết (Chen Cộng sự, 2012) Trong nghiên cứu tác giả Cheng Chen (2019) khẳng định, khai thác liệu kỹ thuật mạnh mẽ giúp công ty khai thác mẫu xu hướng liệu khách hàng họ, sau thúc đẩy cải thiện mối quan hệ với khách hàng Nó công cụ tiếng dành cho quản lý quan hệ khách hàng (CRM) Dữ liệu xếp không giúp nâng cao doanh số lợi nhuận doanh nghiệp mà trang bị kiến thức việc dự đoán hành vi mua hàng người tiêu dùng mơ hình liên quan (Anitha Patil, 2019) Phân khúc khách hàng vấn đề CRM hiệu quả, phương pháp số phân khúc ảnh hưởng đến kết ứng dụng (Chen & cộng sự, 2008) Phân khúc khách hàng trình phân chia khách hàng thành nhiều nhóm nhỏ Mẫu SV-01_Thuyết minh đăng ký đề tài dựa nét tương đồng đặc tính nhu cầu sở thích, tính cách, độ tuổi, Trong kinh doanh, khách hàng nhóm người sở hữu nhu cầu, mong muốn khác hàng hóa/dịch vụ cần đáp ứng Doanh nghiệp muốn giải tối đa nhu cầu cần phải khoanh vùng đối tượng khách hàng mà muốn hướng đến Để xác định xác nhất, doanh nghiệp thực phân khúc khách hàng Dựa kết thu được, doanh nghiệp tiến hành chọn nhóm khách hàng mục tiêu cho sản phẩm, dịch vụ Các mơ hình phân khúc khách hàng đề xuất, phổ biến mơ hình phân cụm (Clustering), mơ hình CLV (Giá trị lâu dài khách hàng Customer Lifetime Value) đặc biệt mơ hình RFM (Recency – Frequency – Monetary, Lần truy cập gần – Tần suất – Tiền tệ) đánh giá cao áp dụng rộng rãi nhiều lĩnh vực, đặc biệt tiếp thị bán lẻ trực tiếp Giá trị lâu dài khách hàng viết tắt Customer Lifetime Value, CLV, khái niệm cốt yếu tiếp thị mối quan hệ doanh nghiệp khách hàng Hiện nay, CLV ngày đề cập đến báo khoa học kinh doanh Việc xác định nhiều khách hàng gắn kết lâu dài với mục đích cải thiện chiến lược tiếp thị dẫn đến cơng ty có lợi nhuận cao Sử dụng CLV, cơng ty có khả phân biệt khách hàng có khả sinh lợi khơng sinh lợi, từ dẫn đến việc định có hiệu Hầu hết nhà nghiên cứu chấp nhận khái niệm “Giá trị trọn đời khách hàng” từ năm 1980 Tính tốn CLV phù hợp thúc đẩy cơng ty phân loại khách hàng dựa xếp hạng CLV, từ ta xác định chiến lược tiếp thị khác cho phân khúc (Hiziroglu & Sengul, 2012) Khách hàng tài sản có giá trị lâu dài doanh nghiệp phải có khả đo lường phân khúc quản lý giá trị họ Trong nghiên cứu Jo-Ting Cộng (2010) chứng minh rằng, cách áp dụng mơ hình RFM, người đưa định xác định cách hiệu khách hàng có giá trị sau phát triển chiến lược tiếp thị hiệu Trong hình bên dưới, phương pháp RFM biết đến tóm tắt lại giao dịch khách hàng ba yếu tố, bao gồm: Recency xem lần cuối gần mà khách hàng mua hàng (khoảng cách ngày tiến hành áp dụng phương pháp ngày gần khách hàng mua hàng); Frequency tần suất mua hàng khách hàng hay khách hàng mua hàng lần; Monetary tổng lượng tiền mà khách hàng chi tiêu cho toàn hoạt động mua sắm Qua giá trị này, doanh nghiệp phân tích giá trị khách hàng, Mẫu SV-01_Thuyết minh đăng ký đề tài phân khách hàng thành nhóm riêng, đưa chiến lược marketing chăm sóc phù hợp cho đối tượng khách hàng Ví dụ Chiến dịch phân khúc khách hàng dựa vào mơ hình RFM (Bates, 2020) Tìm hiểu mơ hình RFM, có nhiều nghiên cứu liên quan Anitha & Patil (2019) thực nghiên cứu mơ hình RFM kết hợp triển khai ngun tắc phân đoạn tập liệu cách sử dụng thuật toán phân cụm K-Means, loạt cụm tập liệu xác nhận dựa việc tính tốn hệ số Silhouette Do đó, kết thu liên quan đến giao dịch bán hàng so sánh với thông số khác Lần truy cập bán hàng, Tần suất bán hàng Khối lượng bán hàng hay nghiên cứu Cheng Chen (2009) kết hợp giá trị định lượng thuộc tính RFM thuật tốn K-Means vào lý thuyết tập hợp thơ (lý thuyết RS & thuật toán LEM2) để khai thác quy tắc phân loại nhằm giúp doanh nghiệp thúc đẩy CRM xuất sắc Sarvari Cộng (2016) cho rằng, cụm khách hàng nâng cao tốt quy trình phân đoạn dựa phân tích RFM kèm theo liệu nhân học Các giá trị/ điểm RFM có trọng số (WRFM) RFM khơng có trọng số áp dụng có khơng có yếu tố nhân học sử dụng để tổng hợp loại số lượng cụm khác Thuật toán Apriori sử dụng để trích xuất quy tắc kết hợp, phân tích hiệu suất kịch thực dựa quy tắc trích xuất Số lượng quy tắc, thời gian trôi qua độ xác dự đốn sử dụng để đánh giá tình khác Từ kết mà mơ hình RFM mang lại cho phép người làm marketing nhắm mục tiêu nhóm khách hàng cụ thể với thông tin liên lạc phù hợp nhiều với hành vi cụ thể họ – tạo tỷ lệ phản hồi cao nhiều, cộng với trung thành giá trị lâu dài khách hàng tăng lên Mẫu SV-01_Thuyết minh đăng ký đề tài Ngoài ra, nghiên cứu Chen & cộng (2012) thực kết hợp thuật toán phân cụm K-Means quy nạp định, đồng thời xác định rõ ràng đặc điểm người tiêu dùng phân khúc hay khai thác liệu đưa phương pháp phân khúc khách hàng hình thành dựa Giá trị lâu dài khách hàng (CLV) (Chen & Zhu, 2008) Theo đó, loạt khuyến nghị cung cấp thêm cho doanh nghiệp tiếp thị lấy người tiêu dùng làm trung tâm Dựa phân tích giá trị khách hàng (CLV), nghiên cứu Aggarwal & Yadav (2020) đưa mơ hình RFM kết hợp sử dụng kỹ thuật Fuzzy AHP, sau chia tập liệu xếp hạng cụm sở giá trị CLV, giúp nhà tiếp thị đưa định bán hàng tiếp thị sử dụng giá trị CLV Peker & Cộng (2017) đề xuất mơ hình RFM gọi LRFMP (Độ dài, Lần truy cập gần đây, Tần suất, Tiền tệ Định kỳ) để phân loại khách hàng ngành bán lẻ tạp hóa để xác định phân khúc khách hàng khác ngành dựa mơ hình đề xuất Từ đó, cung cấp cho nhà nghiên cứu nhà thực hành hướng dẫn có hệ thống để xác định hiệu hồ sơ khách hàng khác nhau, cung cấp cho cơng ty tạp hóa hiểu biết hữu ích hồ sơ khách hàng khác hỗ trợ người định phát triển mối quan hệ khách hàng hiệu chiến lược tiếp thị độc đáo, tiếp tục phân bổ nguồn lực cách hiệu Đặc biệt, nghiên cứu Namvar & cộng (2010) xây dựng phương pháp phân khúc khách hàng dựa liệu RFM, nhân học giá trị vòng đời khách hàng (LTV) Phương pháp áp dụng cho tập liệu từ ngân hàng Iran, dẫn đến số biện pháp đề xuất quản lý hữu ích Một số kỹ thuật khác nghiên cứu phân nhóm phân loại dựa kỹ thuật tính tự động phân tán (AFE) để phân khúc khách hàng, sử dụng đàn ong nhân tạo (ABC) để chọn tính có giá trị liệu đầu vào sau RFM cung cấp phân tích liệu Các phương pháp phân nhóm K-Means, Wald Fuzzy C-Means (FCM) xử lý để phân cụm ví dụ nhóm biến thể (Aggarwal Yadav, 2020), (Christy Cộng 2021) Cuối cùng, phương pháp phân loại định mờ cải tiến phân loại liệu mục tiêu tạo quy tắc định để giải thích tình chi tiết (Lee & cộng sự, 2021) Hay phân cụm khách hàng dựa mô hình RFM phát triển, cụ thể RFMV, cách thêm số loại sản phẩm khác (V) Do đó, CRISP-DM thuật tốn K-mean sử dụng để phân cụm (Qadaki Moghaddam & cộng sự, 2017) Mẫu SV-01_Thuyết minh đăng ký đề tài Tuy nhiên, qua nghiên cứu số hạn chế công cụ khai thác liệu, chẳng hạn mạng Nơ-ron có thời gian đào tạo lâu thuật tốn di truyền phương pháp tính tốn thô bạo, tồn hai bước quan trọng tốn thời gian tồn q trình khai thác liệu chuẩn bị liệu, giải thích đánh giá mơ hình Hầu hết nghiên cứu phân khúc khách hàng công nghệ khai thác liệu đơn lẻ từ quan điểm đặc biệt, thay từ khn khổ có hệ thống Lee & cộng (2021) cho rằng, số tính thiết kế không liên quan, dư thừa, không cần thiết hiệu cho việc phân khúc khách hàng Ngoài ra, nghiên cứu trước đây, mơ hình RFM phân tích tổng thể gồm tất sản phẩm sau đưa kết phân khúc khách hàng chung Điều khơng đảm bảo xác cho phân khúc khách hàng sản phẩm công ty đa dạng, chẳng hạn nhóm phân khúc VIP trọng loại sản phẩm công ty lại đẩy mạnh tất sản phẩm vào phân khúc tiềm lúc chiến lược Marketing không mang lại hiệu cao Qua phân tích nghiên cứu trên, phân khúc khách hàng mối quan tâm nhiều doanh nghiệp (đặc biệt doanh nghiệp bán lẻ) Trong đó, mơ hình RFM đánh giá cao hỗ trợ phân khúc khách hàng (Namvar Cộng sự, 2010) Bên cạnh biến giá trị mơ hình RFM giá trị lâu dài khách hàng chiến lược tiếp thị sản phẩm cụ thể yếu tố tác động mạnh mẽ đến định khách hàng Nhưng nghiên cứu chưa sâu vào phân tích đồng thời ba yếu tố Nhận thấy vấn đề, nhóm chúng em thực nghiên cứu đề tài “Phân khúc khách hàng dựa mơ hình RFMV giá trị lâu dài khách hàng - Ứng dụng công ty Adventureworks Cycles” B2 Ý tưởng khoa học, tính cấp thiết tính B2.1 Ý tưởng khoa học Để thực “Phân khúc khách hàng dựa mơ hình RFMV giá trị lâu dài khách hàng - Ứng dụng cơng ty Adventureworks Cycles”, nhóm chúng em thực giai đoạn Giai đoạn thu thập liệu tiến hành phân loại sản phẩm loại thành nhóm (Category), nhóm gắn với biến V (Variety) Tác dụng biến V đa dạng sản phẩm công ty Adventureworks Cycles số lượng biến V tạo thành Thực chất, thủ thuật gắn nhãn để có nhìn cụ thể vào loại sản phẩm Sau tập liệu biến V, thực phân tích liệu để tìm giá trị RFM Score CLV (Giá trị lâu dài khách Mẫu SV-01_Thuyết minh đăng ký đề tài hàng) Từ hai giá trị tìm được, nhóm chúng em tiến hành phân cụm khách hàng cho sản phẩm (V) Kết đạt đề tài phân khúc khách hàng loại sản phẩm công ty Adventureworks Cycles, dựa vào kết này, doanh nghiệp biết nên đẩy mạng tiếp thị sản phẩm nhóm phân khúc khách hàng nào, từ dễ dàng xây dựng chiến lược Marketing hiệu B2.2 Tính cấp thiết Trong nhiều nghiên cứu trước đó, mơ hình RFM (Recency - Frequency - Monetary, Lần truy cập gần – Tần suất – Tiền tệ) mơ hình nhiều doanh nghiệp quan tâm sử dụng q trình phát triển Có thể thấy rằng, kết mang lại từ việc áp dụng mơ hình hữu ích thiết thực, giúp doanh nghiệp phân cụm khách hàng có nhu cầu, tài Đó kết quan trọng giúp doanh nghiệp tiếp cận gần xác nhu cầu khách hàng cụm, cải thiện chiến lược kinh doanh góp phần vào phát triển lâu dài doanh nghiệp Tuy nhiên, vấn đề nghiên cứu sử dụng mơ hình RFM đơn kết có nhiều điểm hạn chế định Cụ thể khâu xử lý liệu, giải thích, phân tích đánh giá mơ hình, việc sử dụng mơ hình RFM đơn khiến tốn nhiều thời gian, ảnh hưởng đến tiến độ nghiên cứu Kết phân khúc khách hàng mà mơ hình RFM đưa chưa thật tối ưu cịn tồn nhiều yếu tố tác động bên phân khúc mà mơ hình chưa khai thác Đồng thời, có nghiên cứu sử dụng tính dư thừa không cần thiết không hiệu trình phân khúc khách hàng Đặc biệt, doanh nghiệp bán lẻ đa dạng nhiều mặt hàng phân khúc khách hàng cho loại sản phẩm mối quan tâm hàng đầu, mơ hình RFM trước chưa đề cập đến vấn đề B2.3 Tính Trong nghiên cứu sử dụng mơ hình RFMV, mơ hình phát triển từ mơ hình RFM nghiên cứu trước kết hợp phân tích sản phẩm (V –Sự đa dạng) thay phân tích tổng thể tồn sản phẩm cơng ty Đồng thời, nghiên cứu ứng dụng giá trị lâu dài khách hàng (CLV) để hỗ trợ cho trình đưa phân khúc khách hàng Với kết hợp này, việc phân tích, đánh giá phân chia nhóm khách hàng trở nên hiệu quả, nhanh chóng hơn, giúp cho doanh nghiệp nắm bắt xu hướng tiêu dùng nhóm khách hàng sản phẩm công ty Mẫu SV-01_Thuyết minh đăng ký đề tài B3 Kết nghiên cứu sơ khởi Tổng quan chung quy trình xây dựng mơ hình RFM, bao gồm bước sau: B4 Tài liệu tham khảo [1] Cheng, C H., & Chen, Y S (2009) Classifying the segmentation of customer value via RFM model and RS theory Expert systems with applications, 36(3), 4176-4184 [2] Chen, D., Sain, S L., & Guo, K (2012) Data mining for the online retail industry: A case study of RFM model-based customer segmentation using data mining Journal of Database Marketing & Customer Strategy Management, 19(3), 197-208 [3] Jo-Ting, W., Shih-Yen, L., & Hsin-Hung, W (2010) A review of the application of RFM model African Journal of Business Management, 4(19), 4199-4206 [4] Namvar, M., Gholamian, M R., & KhakAbi, S (2010, January) A two phase clustering method for intelligent customer segmentation In 2010 International Conference on Intelligent Systems, Modeling and Simulation (pp 215-219) IEEE [5] Dogan, O., Ayỗin, E., & Bulut, Z A (2018) Customer segmentation by using RFM model and clustering methods: a case study in retail industry International Journal of Contemporary Economics and Administrative Sciences, 8(1), 1-19 [6] Anitha, P., & Patil, M M (2019) RFM model for customer purchase behavior using K-Means algorithm Journal of King Saud University-Computer and Information Sciences [7] Sarvari, P A., Ustundag, A., & Takci, H (2016) Performance evaluation of different customer segmentation approaches based on RFM and demographics analysis Kybernetes Mẫu SV-01_Thuyết minh đăng ký đề tài [8] Peker, S., Kocyigit, A., & Eren, P E (2017) LRFMP model for customer segmentation in the grocery retail industry: a case study Marketing Intelligence & Planning [9] Chen, Y., Fu, C., & Zhu, H (2008, October) A data mining approach to customer segments based on customer value In 2008 Fifth International Conference on Fuzzy Systems and Knowledge Discovery (Vol 4, pp 513-517) IEEE [10] Lee, Z J., Lee, C Y., Chang, L Y., & Sano, N (2021) Clustering and classification based on distributed automatic feature engineering for customer segmentation Symmetry, 13(9), 1557 [11] Bates, G (2020, January 15) How to Build an RFM Model for Customer Segmentation CloudKettle Retrieved October 6, 2022, from https://www.cloudkettle.com/blog/how-to-build-an-rfm-model-for-customersegmentation/ [12] Hiziroglu, A., & Sengul, S (2012) Investigating two customer lifetime value models from segmentation perspective Procedia-Social and Behavioral Sciences, 62, 766774 [13] Aggarwal, A G., & Yadav, S (2020, June) Customer segmentation using fuzzy-AHP and RFM models In 2020 8th International Conference on Reliability, Infocom Technologies and Optimization (Trends and Future Directions)(ICRITO) (pp 77-80) IEEE [14] Christy, A J., Umamakeswari, A., Priyatharsini, L., & Neyaa, A (2021) RFM ranking–An effective approach to customer segmentation Journal of King Saud University-Computer and Information Sciences, 33(10), 1251-1257 [15] Namvar, M., Gholamian, M R., & KhakAbi, S (2010, January) A two-phase clustering method for intelligent customer segmentation In 2010 International Conference on Intelligent Systems, Modeling, and Simulation (pp 215-219) IEEE B5 Kế hoạch phương pháp nghiên cứu B5.1 Mục tiêu Nghiên cứu thực hướng tới mục tiêu chung phân chia khách hàng thành nhóm khác mà nhóm, khách hàng có xu hướng Mẫu SV-01_Thuyết minh đăng ký đề tài hành vi mua sắm tương tự từ nguồn liệu thu thập trực tiếp từ hành vi mua sắm trước khách hàng Khi tìm phương pháp hiệu nhất, nhanh chóng nhất, việc phân chia nhóm khách hàng trở nên dễ dàng, thuận lợi với nguồn liệu phân tích xác Đó sở giúp doanh nghiệp có nhìn cụ thể nhu cầu khách hàng, cải thiện chất lượng sản phẩm dịch vụ, mang đến cho khách hàng trải nghiệm tối quan trọng giúp doanh nghiệp phát triển lâu dài B5.2 Nội dung Mục tiêu nội dung Ứng dụng quy trình khai phá liệu nhằm rút trích thơng tin có ích từ tập liệu bán hàng công ty bán lẻ hàng tiêu dùng nhằm đưa hàm ý kinh doanh hỗ trợ chiến lược trì khách hàng Xử lý liệu xuất từ hệ thống CRM công ty Adventureworks Cycles để tiến hành xử lý để lấy biến độc lập cần thiết cho việc xây dựng mơ hình RFM Tạo điều kiện trau dồi kỹ phân tích liệu ngơn ngữ lập trình Python Dùng RFM, kỹ thuật phân cụm K-Means phân cụm theo thứ bậc để phân khúc khách hàng theo biến xử lý gán nhãn liệu Từ đó, dễ dàng nhận diện khách hàng chăm sóc khách hàng tốt Kiểm định chất lượng cụm với số Silhouette xác định phân khúc khách hàng dựa vào giá trị lâu dài khách hàng đo lường Recency, Frequency Monetary Nghiên cứu loại sản phẩm thay thực phân tích tổng thể nghiên cứu trước Mỗi loại sản phẩm công ty Adventureworks Cycles gán vào biến V (Variety) – biến nhãn dán Kết mơ hình điểm RFM Score cho biến V để đưa phân khúc khách hàng cho loại sản phẩm Đối tượng phạm vi nghiên cứu Đối tượng nghiên cứu: Sử dụng với mơ hình RFMV việc phân tích hành vi khách hàng giá trị lâu dài khách hàng Mơ hình khai phá liệu K-means, giải thuật phân cụm, từ phân khúc khách hàng thông qua liệu từ hệ thống công ty Adventureworks Cycles Mẫu SV-01_Thuyết minh đăng ký đề tài Phạm vi nghiên cứu: Nghiên cứu sử dụng sở liệu nội công ty Adventureworks Cycles liệu chi nhánh công ty đặt bang số nước cung cấp Dữ liệu cho nghiên cứu liệu lấy từ kênh bán hàng trực tiếp cửa hàng online từ năm 2014 đến năm 2018 Vì tiêu chí thơng tin mật nên thơng tin khách hàng giấu kín Phát báo cáo kỳ vọng thực tế thời gian tới việc phân cụm khách hàng ngành bán lẻ công ty Adventureworks Cycles Phương pháp Phương pháp định lượng: Thu thập liệu giao dịch từ công ty Adventureworks Cycles, làm liệu, tích hợp áp dụng phương pháp thống kê, học máy để phân tích liệu nhằm khám phá giá trị tiềm ẩn Những giá trị tiềm ẩn liệu phân khúc khách hàng, tỷ lệ churn xu hướng phân tích từ có thảo luận hàm ý kinh doanh Phương pháp định tính dựa liệu định lượng: Phân loại sản phẩm dựa vào cột giá trị “Caterogy” tập liệu, tổng hợp số liệu, tính tốn biến Recency (ngày), Frequency (số) Monetary (tổng cộng) sản phẩm Lúc liệu phân tích bị rối hỗn độn nên cần quy trình chấm điểm biến giá trị theo khoảng từ 1-5 Nhóm giá trị thuộc 20% liệu cao nhận điểm thế, 20% nhận điểm 4, 20% giá trị thấp nhận điểm Sau giai đoạn này, xuất biến giá trị mới: R Score, F Score M Score Ghép ba giá trị biến ta giá trị REM Cell, tính giá trị trung bình biến RFM Cell ta biến giá trị cuối RFM Score Công ty Adventureworks Cycles kinh doanh mặt hàng chính, chúng em thực gắn nhãn biến V để phân loại với Components (V1), Accessories (V2), Clothing (V3) Bikes (V4) Tiếp đến, thực phân tích điểm RFM biến V riêng biệt Sau chuyển đổi qua RFM, liệu áp dụng kết phân tích số cụm thơng qua số PBM mở (Fuzzy PBM index) Kết dùng để tính CLV kết hợp với FAHP Cuối cụm CLV xếp hạng từ thấp đến cao để phân tích nhà quản trị đưa chiến lược phù hợp để phát triển cho công ty Adventureworks Cycles Mẫu SV-01_Thuyết minh đăng ký đề tài Cơng thức tính giá trị lâu dài khách hàng (CLV) Dựa vào giá trị RFM Score CLV, sử dụng kỹ thuật phân cụm K-Means tiến hành gắn nhãn cho khách hàng với 10 nhãn Từ đó, dễ dàng để phân cụm khách hàng để đưa chiến lược Marketing phù hợp Tuy nhiên, phân khúc khách hàng cho loại sản phẩm Mô hình RFMV thực phân tích đa dạng sản phẩm công ty qua tất biến V Kết thu từ biến V phân cụm khách hàng tiềm cho loại sản phẩm để đưa chiến lượng marketing phù hợp, tăng nguồn doanh thu cho doanh nghiệp Phương pháp, quy trình nghiên cứu thực nghiệm B6 Sản phẩm đề tài 01 báo Hội nghị sinh viên cấp trường Ngày 10 tháng 10 năm 2022 Ngày 10 tháng 10 năm 2022 Nhóm trưởng nhóm nghiên cứu Lãnh đạo Đơn vị La Thế Anh (Họ tên, chữ ký) Ngày 10 tháng 10 năm 2022 Người hướng dẫn (Họ tên, chữ ký) Mẫu SV-01_Thuyết minh đăng ký đề tài