Môn phương pháp nghiên cứu liên ngànhđề tài rfm – giải pháp hiệu quả để phân cụm kháchhàng trong lĩnh vực bán lẻ

Triển khai học máy RFM sẽ đòi hỏi một nguồn đầu tư lớn cho cơ sở vật chất, cơ sở hạ tầng về thiết bị, thu thập dữ liệu khách hàng,….Nếu như được đầu tư đúng mức thì công ty chỉ cần thiết

UNIVERSITY OF ECONOMICS AND LAW FACULTY OF INFORMATION SYSTEMS

BÁO CÁO ĐỒ ÁN CUỐI KỲ MÔN PHƯƠNG PHÁP NGHIÊN CỨU LIÊN NGÀNH

ĐỀ TÀI RFM – GIẢI PHÁP HIỆU QUẢ ĐỂ PHÂN CỤM KHÁCH

HÀNG TRONG LĨNH VỰC BÁN LẺ

GVHD: Ph.D TS Hồ Trung Thành Nhóm 4 :

Thành viên

(Thang điểm 10) NHIỆM VỤ

Lời cảm ơn

Lời đầu tiên, nhóm chúng em xin gửi lời cảm ơn chân thành đến thầy Hồ TrungThành - giảng viên khoa Hệ thống thông tin trường Đại học Kinh tế - Luật đã tận tâmdạy bảo chúng em trong suốt kì học vừa qua Thời gian qua là một khoảng thời giankhông dài nhưng cũng chẳng phải ngắn, chúng em đã được tiếp cận với nhiều kiếnthức bổ ích cũng như các kỹ năng liên quan đến RFM, K-means và cả những kỹ năngthực hành excel vô cùng bổ ích Tích lũy những kiến thức được thầy truyền đạt lại,

nhóm chúng em xin được trình bày đến thầy báo cáo đồ án cuối kỳ “RFM– giải pháp hiệu quả để phân cụm khách hàng trong lĩnh vực bán lẻ”

Mặc dù, cả nhóm chúng em đã nỗ lực tìm hiểu thêm về các kiến thức liên quan

và cả các kỹ năng cần thiết để thực hiện đồ án nhưng chúng em cũng không thể hoàntoàn tránh khỏi những thiếu sót trong quá trình làm việc Vì vậy, nhóm em rất mongnhận được những lời nhận xét và ý kiến từ thầy để có thể sửa đổi, bổ sung, nâng cao

kỹ năng làm việc và kiến thức của chúng em, để phục vụ tốt hơn cho các công tác saunày Nhóm em xin gửi lời cảm ơn đến thầy, chúc thầy và gia đình luôn có thật nhiềusức khoẻ

Lời cam kết

Nhóm chúng em xin cam đoan đồ án “RFM– giải pháp hiệu quả để phâncụm khách hàng trong lĩnh vực bán lẻ” do chính nhóm chúng em thực hiệndưới sự hướng dẫn của thầy Hồ Trung Thành và có tham khảo các nguồn tàiliệu có liên quan để phục vụ cho mục đích nghiên cứu Nhóm chúng em xinchắc chắn rằng toàn bộ nội dung bài báo cáo là trung thực, duy nhất và không

hề tồn tại sự gian lận Đồng thời, toàn bộ các số liệu, thông tin có trong bài báocáo đều là kết quả của quá trình thực hành Nếu có xuất hiện bất kỳ vấn đề giandối, sai lệch, nhóm chúng em xin chịu mọi trách nhiệm

Too long to read on your phone? Save

to read later on your computer

Save to a Studylist

Mục lục Danh mục bảng biểu

Danh mục hình ảnh và đồ thị

Bảng thuật ngữ viết tắt

Sơ đồ Gantt

Tổng quan đồ án

1.4 Khoảng trống nghiên cứu và những điểm mới của nhóm 13

2.2.2 Tầm quan trọng của việc phân khúc khách hàng 16

2.5.3 Các loại phân tích Cohort 23

Danh mục bảng biểu

Danh mục hình ảnh và đồ thị

Bảng thuật ngữ viết tắt

– Frequency – Monetary

Recency Thời gian của lần cuối gần nhất mà khách hàng đã mua

hàng

Frequency Tần suất mua hàng của khách hàng

Monetary Tổng lượng tiền mà khách hàng đã chi tiêu cho toàn bộ

hoạt động mua sắm

K-means Một trong những thuật toán được sử dụng trong lĩnh vực

Machine Learning thuộc mô hình Học không giám sát.Machine Learning Phương pháp học máy

Cluster Cụm hay nhóm, gồm các điểm dữ liệu trong phân tích cụm.Outlier Dữ liệu ngoại lai

Bounce rate Tỉ lệ người dùng rời website khi vừa truy cập thay vì

tiếp tục xem các trang khác thuộc một website.Retention rate Tỉ lệ người dùng quay lại sử dụng sản phẩm trong

một khoảng thời gian nhất định sau lần đầu sử dụng

Sơ đồ Gantt

Tuy nhiên, việc phân cụm khách hàng đòi hỏi một khối lượng lớn nguồnlực thì mới có thể thực hiện một cách đầy đủ và chính xác nhất để có thể trìnhbày một cách chi tiết về cụm khách để công ty có những phán đoán kịp thời và

ra quyết định cho chiến lược kinh doanh của mình

Việc áp dụng học máy vào trong phân khúc khách hàng giúp ta tiết kiệmđáng kể nguồn lực của công ty Ngoài ra có thể kể đến độ chính xác và trựcquan từ mô hình RFM mang lại Nếu như so với việc thực hiện RFM một cáchthủ công từ bàn tay con người thì chắc chắn sẽ xảy ra những sai sót phần nàoảnh hưởng đến quyết định của công ty Triển khai học máy RFM sẽ đòi hỏi mộtnguồn đầu tư lớn cho cơ sở vật chất, cơ sở hạ tầng về thiết bị, thu thập dữ liệukhách hàng,….Nếu như được đầu tư đúng mức thì công ty chỉ cần thiết lậpnhững bước ban đầu cho công cụ này sau đó thì lợi ích mà nó mang đến hoàntoàn lớn hơn so với phần mà họ đã đầu tư

Mục tiêu nghiên cứu

- Mục tiêu ngắn hạn:

+ Phân cụm từng tệp khách hàng nhằm có các chính sách bán hàng phùhợp, lọc ra các khách hàng chuyên biệt mang tính biệt lập như có số lầnmua hàng ít tuy nhiên số lượng hàng và giá trị hàng hóa tương đối lớnhay các khách hàng có nguy cơ rời bỏ khỏi công ty sẽ được loại bỏ ngay

từ bước đầu trong xử lí dữ liệu

+ Thể hiện rõ ràng từng tệp khách hàng qua sơ đồ giúp cho công ty dễdàng đưa ra quyết định và chính sách bán hàng phù hợp với từng tệpkhách hàng cụ thể từ đó tối đa hóa doanh thu

- Mục tiêu dài hạn:

+ Áp dụng học máy vào trong phân tích dữ liệu đối với khách hàng trongngành bán lẻ Từ đó, có thể tiết kiệm nguồn lực phục vụ cho việc phântích trong lâu dài

+ Tạo ra lợi thế cạnh tranh một cách rõ ràng nhằm vượt qua đối thủ và cónhiều chính sách thu hút lượng lớn khách hàng trên thị trường ngànhhàng bán lẻ

Đối tượng và phạm vị nghiên cứu

Đối tượng: tệp dữ liệu khách hàng của công ty Adventureworks Cyclesvới nhiều dữ liệu mua hàng

Phạm vi nghiên cứu: Phạm vi nghiên cứu là địa bàn các nước lớn như

Mỹ, Canada, Đức, Pháp,….được thu thập dữ liệu và nghiên cứu trong vòng 2tháng

Phương pháp nghiên cứu

Bước đầu tiên, nhóm tiến hành xử lý dữ liệu thông qua giải pháp EDAbằng ngôn ngữ Python, được biết đến chính là ngôn ngữ ở hữu lượng lớn cáckhối cơ sở dữ liệu, phục vụ hiệu quả cho các chương trình mang tính thươngmại Thông qua phương pháp này giúp nhóm loại bỏ được các dữ liệu rỗnggiúp cho quá trình phân cụm khách hàng trở nên nhanh chóng, xóa bỏ đượcnhiều dữ liệu ngoại lệ có giá trị quá thấp hoặc quá cao gây ảnh hưởng đến quátrình phân cụm Mặt khác, các dữ liệu này sẽ được phân thành một cụm riêngbiệt để dễ dàng quyết định hơn

Sau khi các dữ liệu được lọc sạch sẽ được đưa vào và thể hiện lên trênbiểu đồ thông qua thư viện matplotlib trong ngôn ngữ Python sau đó phươngpháp Elbow được áp dụng nhằm xác định số lượng K-Cluster cụ thể để có thểcho chính xác số lượng cụm mà nhóm quyết định

Việc thể hiện và áp dụng số cụm sẽ được so sánh giữa từng đại lượngbao gồm giữa Frequency, Monetary, và Recency sau đó được trực quan hóaliên trên biểu đồ 3D và cuối cùng sử dụng Silhouette nhằm xác định độ chínhxác về việc phân cụm tệp khách hàng thành nhiều tệp riêng biệt

Phương pháp nghiên cứu định lượng: thu thập thông tin từ các nguồn tưliệu khác nhau nhằm xây dựng các mô hình lý thuyết hay thực nghiệm ban đầucủa nhóm Bên cạnh đó điều tra thực nghiệm có hệ thống các hiện tượng quansát được qua số liệu thống kê nhóm thu thập được

Phương pháp nghiên cứu định tính: Sau khi phân tích kết quả nghiêncứu, nhóm sẽ tiến hành diễn giải phân tích sau khi có được kết quả cuối cùng,nhóm sẽ nghiên cứu và xem xét lại những thành quả thực tiễn trong quá khứ đểrút ra tóm lại bổ ích cho thực tiễn và khoa học

Ý nghĩa thực tiễn của nghiên cứu:

Nghiên cứu tập trung phân tích hành vi mua hàng của người tiêu dùng từ đótìm ra những tệp khách hàng có cùng đặc điểm hành vi, tính cách, thói quen muahàng, qua đó đề xuất các chiến lược marketing phù hợp với từng phân khúc kháchhàng khác nhau Tạo được nhiều cơ hội phát triển nông nghiệp Việt Nam và nền tảngthương mại bán lẻ trực tuyến phát triển bền vững

Nghiên cứu đưa ra các đề xuất thông qua việc thử nghiệm các mô hình trên bacông cụ phổ biến dành cho các công ty trong lĩnh vực kinh doanh nói chung và cáclĩnh vực liên quan Từ đó, các công ty sẽ có thể chọn cho cho mình mô hình hiệu quả,

tối ưu nhưng vẫn có thể tiết kiệm chi phí sao cho phù hợp với tình hình công ty Hơnnữa, các công ty sẽ có thêm nhiều cái nhìn bao quát hơn về khách hàng và thị trườngcủa họ để thúc đẩy các quá trình cải thiện hoạt động và hiệu suất sản phẩm dịch vụcủa các công ty để cạnh tranh hiệu quả hơn trên thị trường.

Keyword: Phân khúc khách hàng, RFM, học máy, Phân cụm K-means, Cohort Kết cấu đồ án:

Đồ án được kết cấu gồm 5 chương như sau:

Chương 1: Tổng quan về tình hình nghiên cứu

Chương 2: Cơ sở lý luận

2.1 Hành vi khách hàng

2.2 Phân khúc khách hàng

2.3 Mô hình RFM

2.4 Tổng quan về K-mean clustering

2.5 Cohort analysis - Phân tích theo nhóm

Chương 3: Chuẩn bị dữ liệu

Chương 4: Mô tả bài toán

4.1 Mô hình RFM trên excel

4.2 Mô hình RFM trên python

4.3 Mô hình RFM trên K-means

Chương 5: Phân tích thảo luận và đề xuất

Chương 1: Tổng quan về tình hình nghiên cứu

1.1 Tổng quan tình hình nghiên cứu

Trong lĩnh vực tiếp thị, quảng bá thương hiệu, sản phẩm đến người tiêudùng hay đề xuất giải pháp cho các công ty, việc phân loại khách hàng mụctiêu luôn là một vấn đề quan trọng và cần được đầu tư phát triển Phân tích dữliệu lớn đóng một vai trò quan trọng trong việc ra quyết định bán lẻ, đặc biệtkhi dữ liệu liên quan đến hành vi của khách hàng Phân tích hành vi khách hànggiúp chủ công ty thực hiện các quyết định quan trọng ảnh hưởng đến các khíacạnh khác nhau của cửa hàng bán lẻ, nơi hành vi không chỉ giới hạn ở hành vimua hàng của khách hàng (Mussadiq Abdul Rahim và cộng sự, 2021) Phân cụm khách hàng (customer segmentation) là quá trình phân chiakhách hàng dựa trên các đặc điểm chung như hành vi, thói quen mua sắm và sửdụng dịch vụ của họ,… để các công ty, công ty có thể tiếp thị cho từng nhómkhách hàng một cách hiệu quả và phù hợp hơn Với các đặc điểm của nhómkhách hàng, thì việc phân cụm theo điểm chi tiêu và thu nhập cho công ty thấy

rõ ràng hơn cụm khách hàng mục tiêu, và theo thuật toán K-Means thì việcphân thành 2 cụm khách hàng là tối ưu (Phạm Kiên Trung và cộng sự, 2020)

Để đạt mục tiêu trên, có nhiều phương pháp đã được tiến hành trênnhiều lĩnh vực khác nhau để tiến hành phân cụm các khách hàng mục tiêu.Trong lĩnh vực dịch vụ viễn thông và dịch vụ tài chính, nghiên cứu của ArneFloh và cộng sự (2013) đã dựa trên mô hình về khái niệm đa chiều để đánh giácác điểm không đồng nhất ở chính khách hàng đã ủng hộ mạnh mẽ lập luậnrằng ảnh hưởng giá trị cảm nhận là ý định về mặt môi trường, nhưng các tácđộng đó cũng khác nhau về mức độ tùy thuộc vào phân khúc người tiêu dùng(Arne Floh và cộng sự, 2013) Trong lĩnh vực bảo hiểm, (Wafa Qadadeh vàSherief Abdallah, 2018) đã sử dụng 2 kỹ thuật khai thác dữ liệu là phân cụm K-Means và kỹ thuật SOM (dựa trên ANN) Thông qua phân tích cụm và trựcquan hóa dữ liệu đa chiều có thể biết được đặc điểm tính cách khách hàng trongCRM, từ đó có thể thiết kế một kế hoạch marketing riêng cho từng loại kháchhàng của công ty Còn trong lĩnh vực kinh doanh mỹ phẩm, Sari Hartini vàcộng sự (2020) đã thu được mô hình phân tích hồ sơ và phân khúc khách hànghiệu quả sử dụng thuật toán phân nhóm và phân loại cho kết quả rằng mô hìnhthuật toán có thể cung cấp giải pháp cho những nhu cầu này là mô hình thuậttoán K-Means + Na¨ıve Bayes, với giá trị chính xác cao là 65, 87% Ở ViệtNam, trong lĩnh vực bán lẻ, Nguyễn Phúc Sơn và cộng sự (2021) đã tập hợp dữliệu giao dịch bán lẻ từ một chuỗi siêu thị ở Thành phố Hồ Chí Minh, ViệtNam để thiết kế mô hình phân đoạn mới dựa trên sự kết hợp của mạng nơ-ronsâu và kỹ thuật phân cụm xác suất tự giám sát Mô hình mới linh hoạt hơn vàthích ứng hơn với sự đa dạng của bộ dữ liệu khách hàng so với các thuật toánheuristic hiện tại trong CRM Trong lĩnh vực du lịch và khách sạn, ArkadiuszT.Tomczyk và cộng sự (2022) đã thông qua WTP (so sánh về mức chi tiêu củakhách hàng sẵn lòng chi tiêu) đi sâu về lĩnh vực cá nhân hóa cho chính kháchhàng đồng thời kết hợp với CeoP để tìm ra mức phân khúc phù hợp cho những

gì khách hàng chi tiêu và thứ họ nhận lại được từ đó đề xuất kiểu khách hàng

để hỗ trợ chiến lược phân khúc và định giá

Các nghiên cứu trước đây đã triển khai mô hình hành vi mua hàng dựatrên hành vi thể chất của một đối tượng Hiện nay, có nhiều phương pháp giúpcông ty thực hiện việc phân cụm khách hàng mục tiêu dựa trên những hiểu biết

về hành vi (behavior), thói quen (habits), sở thích (preferences) của khách hàngtiềm năng như KMeans, Mean-Shift, Density-Based Spatial, Expectation-Maximization, Agglomerative Hierarchical Clustering (Chen et al., 2012).RFM là một trong những phương pháp phân tích được sử dụng rộng rãinhất để phân tích khách hàng thông qua phân khúc và lập hồ sơ khách hàng(Sari Hartini và cộng sự (2020) Mô hình RFM cho hành vi mua hàng củakhách hàng sử dụng thuật toán K-Means đã áp dụng trí tuệ kinh doanh trongviệc xác định khách hàng tiềm năng bằng cách cung cấp dữ liệu phù hợp và kịpthời cho các đơn vị kinh doanh trong ngành Bán lẻ Một loạt các cụm tập dữliệu được xác nhận dựa trên việc tính toán Hệ số Silhouette Do đó, kết quả thuđược liên quan đến giao dịch bán hàng được so sánh với các thông số khácnhau như lần truy cập bán hàng, tần suất bán hàng và khối lượng bán hàng (P.Anitha, Malini và M.Patil, 2019) Mô hình RFM và các kỹ thuật lập mô hình

dữ liệu được dùng để phát hiện các mẫu hành vi của khách hàng Mỗi giao dịchđược phân bổ cho khách hàng là một phần trong hành vi của một người và làmột ví dụ của vectơ đặc điểm, nó được mô hình hóa dựa trên một tập hợp cácgiao dịch để tạo thành hành vi mua lại Phân tích thực nghiệm cho thấy támgiao dịch là đủ để phân loại khách hàng với độ chính xác cao (Mussadiq AbdulRahim và cộng sự, 2021) Bên cạnh đó, mô hình dữ liệu RFM sử dụng phươngpháp Elbow với chỉ số kiểm định Silhouette để tối ưu số cụm khách hàng, hệ sốchuẩn (Z- score) và Quy tắc kiểm chứng (Empirical Rule) được áp dụng để xửliệu các dữ liệu bất thường (Outlier) và phương pháp Cohort để phân tích tỷ lệduy trì khách hàng kết hợp biểu đồ nhiệt trên phân phối ma trận Mô hình nàydựa trên dữ liệu giao dịch với những tham số đặc trưng và cấu trúc tương đồng

có thể tìm thấy trên các hóa đơn bán hàng trong bất kỳ cửa hàng tại các nướctrên thế giới cũng như tại Việt Nam và áp dụng phương pháp học máy khônggiám sát để phân tích phân khúc khách hàng và tìm ra những giá trị thật sự(insight) có khả năng tác động, ảnh hưởng tới hành vi và quyết định mua hàngcủa khách hàng (Hồ Trung Thành và Nguyễn Đăng Sơn, 2021)

Ngoài mô hình RFM truyền thống, nhiều nhóm tác giả đã phát triểnnhiều mô hình RFM sáng tạo kết hợp với nhiều kỹ thuật khác nhau để giảiquyết các điểm yếu của mô hình truyền thống Một mô hình mới liên kết môhình RFM với giá trị lâu dài của khách hàng (CLV) sử dụng đường cong giá trịđẳng cấp để tính toán phân khúc khách hàng, nhóm các cá nhân lại với nhau,những người có hành vi mua sắm khác nhau nhưng có giá trị tương đươngtrong tương lai (Peter S Fader và cộng sự, 2005) Tính chu kỳ của nhu cầu sảnphẩm ở mô hình truyền thống chưa có thể được ước tính dựa trên hành vi muacủa mỗi khách hàng, khiến cho khó đề xuất sản phẩm vào đúng thời điểm phùhợp với yêu cầu mua Để đối phó với tính chu kỳ của sản phẩm, mô hìnhTRFM có tính đến tính chất sản phẩm và tính chu kỳ mua hàng Phương phápnày kết hợp đặc tính sản phẩm và chu kỳ mua hàng để đo lường lòng trungthành của khách hàng và phân tích hành vi mua hàng của khách hàng (Li-Hua

Li và cộng sự, 2006) Ngoài ra, còn có mô hình kết hợp giá trị định lượng của

các thuộc tính RFM và thuật toán K-mean vào lý thuyết tập hợp thô (lý thuyếtRS), để trích xuất các quy tắc ý nghĩa và nó có thể cải thiện một cách hiệu quảmạng nơ-ron có thời gian đào tạo lâu và thuật toán di truyền trong CRM.(Ching-Hsue Cheng và You-Shyang Chen, 2009) Phân tích dữ liệu mua hàngcủa khách hàng trong lĩnh vực thương mại điện tử bằng 3 thuật toán phân cụm:K-means Clustering, Fuzzy C-means Clustering và Hierarchical Clusteringđược xây dựng trên ngôn ngữ lập trình R để hiểu rõ về hành vi và phân khúckhách hàng dựa trên mô hình RFM Chỉ số Dunn chỉ ra rằng mô hình phân cấphoạt động tốt hơn so với mô hình K-means và mô hình Fuzzy C-means về mặttạo ra một cụm tốt (Oluwasurefunmi Idowu và cộng sự, 2019) Mô hình RFMtrên mỗi sản phẩm (RFM/P) được đề xuất để ước tính giá trị của khách hàngtrên mỗi sản phẩm trước tiên và sau đó tổng hợp chúng lại để thu được giá trịtổng thể của khách hàng Ngoài ra, khi có những thay đổi trong hành vi muahàng của khách hàng liên quan đến lần truy cập gần đây trên mỗi sản phẩm vàtần suất trên mỗi sản phẩm, thông thường, độ chính xác của dự đoán RFM/Pđược nhận thấy là tốt hơn so với RFM truyền thống (Rodrigo Heldta và cộng

vô cùng khốc liệt

1.4 Khoảng trống nghiên cứu và những điểm mới của nhóm

Tổng quan các công trình trong nước và trên thế giới chỉ ra rằngphân khúc khách hàng bằng mô hình RFM không phải là điều mới Tuy nhiên,nhóm tác giả nhận thấy có một số khoảng trống sau:

Thứ nhất, các hệ thống quản lý khách hàng ngày càng được tự

động hóa Tuy nhiên, hệ thống chủ yếu là ghi nhận dữ liệu giao dịch và thựchiện những thống kê định kỳ theo phương pháp truyền thống dẫn đến kết quảchưa đảm bảo được tính khách quan, chính xác và khó phân tích được hành vimua sắm của khách hàng để có cơ sở xây dựng chiến lược tiếp cận khách hàng

và bán hàng hiệu quả hơn

Thứ hai, mô hình đề xuất không xem xét đến sự cạnh tranh trên

thị trường Hơn nữa, mô hình phân tách được đề xuất giả định sự độc lập giữacác loại sản phẩm Đây có thể là một vấn đề không nhỏ tùy thuộc vào một sốtrường hợp

Đây là một nghiên cứu mới để đi sâu vào phân tích dữ liệu chomột công ty cụ thể Adventureworks Cycles với mục đích phân khúc kháchhàng thông qua mô hình RFM và phương pháp học máy, từ đó đề xuất giảipháp hiệu quả cho chiến lược kinh doanh hiệu quả Bên cạnh đó, nghiên cứucòn áp dụng thêm phương pháp học máy phân cụm K-means để tự động gomcụm nhóm khách hàng có cùng đặc điểm Phương pháp học máy này sẽ tiếtkiệm thời gian và chính xác hơn so với việc tính toán mô hình RFM truyềnthống sử dụng excel hoặc python không dùng học máy

Tổng kết lại, nhóm tác giả cho rằng có một khoảng trống trongnghiên cứu về mô hình phân tích dữ liệu phân khúc khách hàng Đây chính là

căn cứ quan trọng để nhóm tác giả lựa chọn đề tài của nghiên cứu: “RFM – GIẢI PHÁP HIỆU QUẢ ĐỂ PHÂN CỤM KHÁCH HÀNG TRONG LĨNH VỰC BÁN LẺ”

Chương 2: Cơ sở lý luận

2.1 Hành vi khách hàng

2.1.1 Khái niệm hành vi khách hàng

Hành vi khách hàng bao gồm những tâm lý của khách hàng như suy nghĩ, cảmnhận, các phản ứng đối với sản phẩm, dịch vụ và toàn bộ những hoạt động của kháchhàng trong quá trình tiêu dùng như quyết định mua sắm, sử dụng hay ngừng sử dụngsản phẩm Quá trình này chủ yếu liên quan đến sự biến đổi của các yếu tố tâm lý,động lực và hành vi

Nghiên cứu hành vi khách hàng là việc phân tích hành vi khách hàng sẽ dựa trênsuy nghĩ, hành động, cảm nhận và thói quen mua hàng đã có Những thói quen này cóthể được thay đổi nhờ sự tương tác qua lại của các yếu tố gây nên sự tò mò, kích thích

và nhận thức của con người

2.1.2 Vai trò của việc nghiên cứu hành vi khách hàng

- Định vị thương hiệu theo hướng “cá nhân hóa”: giúp công ty đánh thẳng vàonhu cầu của khách hàng, kích thích họ mua hàng

- Lên mục tiêu và kế hoạch kinh doanh khả thi: từ việc thu thập dữ liệu về doanhthu, thời gian, tần suất mua hàng, đưa ra dự đoán về khách hàng tiềm năng cóthể tiếp cần để đề ra các chiến lược kinh doanh hiệu quả

- Tối ưu chiến lược Marketing: dựa trên phân tích diễn biến nhân thức, tâm lýcủa khách hàng về các sản phẩm, đề ra những giải pháp cải tiến, thay đổi chiếnlược truyền thông, marketing sao cho phù hợp và tối ưu

- Tăng mức độ trung thành của khách hàng đối với thương hiệu: từ việc thỏamãn các nhu cầu của khách hàng biến họ thành đối tượng trung thành với cácsản phẩm của thương hiệu

- Tăng vị thế cạnh tranh với đối thủ: với hiểu biết về hành vi khách hàng giúpcông ty tạo ra sản phẩm khác biệt thỏa mãn hoặc vượt trên mong muốn củakhách hàng, đồng thời đề ra chiến lược kinh doanh, Marketing hiệu quả

2.1.3 Tại sao cần nghiên cứu hành vi khách hàng?

- Xác định đúng khách hàng tiềm năng: đây là một hoạt động quan trọng, quyếtđịnh tính hiệu quả các chiến lược và hoạt động kinh doanh của công ty Để đạtđược điều đó, cần phải xác định được nhu cầu, hành vi, tính cách của kháchhàng sao cho phù hợp với các sản phẩm và mục tiêu của công ty

- Cá nhân hóa trải nghiệm của khách hàng: bằng việc sử dụng những dữ liệu thuthập được, công ty đề ra các chiến lược nhắm đến các đối tượng khách hàng cụthể Từ nghiên cứu hành vi khách hàng, công ty dễ dàng phân nhóm kháchhàng dựa trên hành vi, nhu cầu và sở thích phù hợp để nâng cao trải nghiệmcủa từng nhóm đối tượng

- Dự báo doanh thu và xu hướng mua sắm

- Cảnh báo rủi ro kinh doanh

- Tối ưu hóa các chiến dịch

- Giữ chân khách hàng hiệu quả

2.1.4 Phân loại về hành vi khách hàng.

Các hành vi của khách hàng có thể chia thành 2 nhóm:

- Nhóm hành vi có thể quan sát được: các hành vi liên quan đến số lượng, thờigian, địa điểm, xu hướng tiền kiếm, số tiền…

- Nhóm hành vi không thể quan sát được: cách khách hàng sử dụng sản phẩm,chia sẻ, đánh giá về sản phẩm…

2.1.5 Các yếu tố ảnh hưởng đến hành vi khách hàng

Hành vi tiêu dùng chịu ảnh của cả yếu tố bên trong và bên ngoài:

- Yếu tố văn hóa:

+ Nền văn hóa: là yếu tố quan trọng cần được phân tích trong mọi chiếndịch thâm nhập thị trường chưa được xác định.Việc biết được những đặctrưng của từng nền văn hóa và lựa chọn phù hợp với mục tiêu của công

ty giúp truyền tải đúng thông điệp của chiến dịch hiệu quả hơn.+ Văn hóa cộng đồng: việc xác định những nhóm văn hóa giúp công typhân nhóm khách hàng và cá nhân hóa tốt hơn

- Yếu tố xã hội: cộng đồng, mạng xã hội, tầng lớp xã hội, gia đình, địa vị…

- Yếu tố cá nhân: tuổi tác, giới tính, nghề nghiệp, tính cách, phong cách sống…

- Yếu tố tâm lý: Động cơ, nhận thức, lĩnh hội, niềm tin, thái độ…

2.2 Phân khúc khách hàng

2.2.1 Khái niệm phân khúc khách hàng

Phân khúc khách hàng là nhóm các đối tượng khách hàng được phân chia theotừng đặc điểm cụ thể Từng phân khúc khách hàng khác nhau sẽ có những đặc điểm,hành vi mua hàng khác nhau, ảnh hưởng đến chiến lược kinh doanh của công ty Tùyvào phân khúc khách hàng khác nhau, công ty nên chuẩn bị nội dung, thông điệp, mộtchiến lược tiếp thị, bán hàng phù hợp với phân khúc, đối tượng khách hàng mục tiêu

sẽ mang đến hiệu quả vượt trội trong hoạt động kinh doanh của công ty

2.2.2 Tầm quan trọng của việc phân khúc khách hàng

Phân khúc khách hàng giúp bạn dễ dàng hơn trong quá trình cá nhân hóa cáchoạt động tiếp thị sau này

+ Xác định khách hàng mục tiêu: giúp bạn khoanh vùng được đối tượng phùhợp, tập trung vào nhóm các đối tượng này và tiết kiệm tối đa chi phí cho các hoạtđộng tiếp thị

+ Điều chỉnh thông điệp để tiếp cận nhanh chóng hơn với nhóm khách hàng mụctiêu: các nội dung khi đã xác định được mục tiêu, bám sát vào nhóm đối tượng này sẽrút ngắn thời gian thực hiện chiến dịch, đồng thời mang lại hiệu quả cao nhất cho toàn

bộ chiến dịch

+ Đáp ứng một nhu cầu cụ thể từ đó giúp gia tăng tỷ lệ chuyển đổi: việc xác địnhchính xác mong muốn của một khách hàng tiềm năng sẽ gia tăng cơ hội biến họ thànhkhách hàng thực sự của công ty

+ Xây dựng mối quan hệ bền chặt và có được sự trung thành từ khách hàng.+ Mở rộng tệp khách hàng tiềm năng của bạn để đẩy nhanh chu kỳ bán hàng

2.2.3 Các phân khúc khách hàng phổ biến

Các công ty thường nhóm đối tượng khách hàng theo các yếu tố như nhân khẩuhọc, hành vi, thu nhập và vị trí của họ trong hành trình mua hàng Chiến lược được sửdụng để phân khúc khách hàng sẽ phụ thuộc vào sản phẩm hoặc dịch vụ mà công tycung cấp

họ mua hàng

và lý do tạisao họ chọn

phẩm hoặcdịch vụ đó

Chiến lượckinh doanhnày giúpđiều chỉnhcác nộidung vàthông điệpcủa mìnhdựa trên vị

khách hàngtrong hànhtrình muahàng của họ

Tương tác với những khách hàng với mức độ tương tác thấp bằng chiến dịch được xây dựng và thiết

kế riêng cho

họ, chẳng hạn sử dụng các ưu đãi, khuyến mãi

và quà tặng

Tối ưu hóa một nội dung cụ thể cho từng loại thiết bị

Các công ty

có thể phânnhóm kháchhàng theohành vi của

họ và từ đó

có thể đưa rachiến lượctiếp thị phùhợp

Giúp hướngđến từngngười muavới từngnhu cầukhác nhau

và đưa racâu trả lờiphù hợp chocác câu hỏicủa họ

Không bỏqua các phânkhúc kháchhàng tiềmnăng

Giúp ngườidùng dễdàng nhấnvào mộtcuộc khảosát hoặctương tácvới mộthình ảnh, từ

điểm giả định: Phân

đo lường

nhiều nguồnlực và thờigian củacông ty để

có thể phântích chínhxác hànhtrình muahàng củangười tiêudùng Đồngthời đội ngũnhân sự cầnđầu tư vào

kế hoạchtruyềnthông saocho phù hợpnhất

chương trình

khuyến mạiquá thườngxuyên thì sẽtạo cảm giácnhàm cháncho kháchhàng

nguồn lựclớn để liêntục cập nhậtnhững thayđổi mới củatừng thiếtbị

=> Có thể sử dụng hai hoặc nhiều phương thức cùng một lúc để mở rộng phạm vi củamình Một ví dụ cụ thể là gửi một thông báo email cho khách hàng tại Hà Nội (nhânkhẩu học), người mua các sản phẩm từ bạn một cách thường xuyên (hành vi)

2.3 Tổng quan về mô hình RFM

2.3.1 Khái niệm mô hình RFM

RFM (Recency-Frequency-Monetary): là một kỹ thuật phân tích được

sử dụng để xác định lượng khách nào là khách hàng tốt nhất bằng cách kiểm tramức độ gần đây thông qua các số liệu như khách hàng đã mua, tần suất họ mua

và số tiền khách hàng chi tiêu

Trong đó:

● R(Recency): lần tương tác, giao dịch, mua hàng gần nhất Thời gian đãtrôi qua bao lâu kể từ lần tương tác hoặc giao dịch cuối cùng của kháchhàng với công ty? Các tương tác không chỉ ngoài việc mua hàng, lượttruy cập cuối cùng vào trang web hoặc sử dụng ứng dụng dành cho thiết

bị di động Trong hầu hết các trường hợp, khách hàng tương tác hoặcgiao dịch với công ty càng gần với hiện tại thì khả năng khách hàng đó

sẽ phản hồi với các thông tin từ công ty trong tương lai càng cao Côngthức tính: thời gian kể từ lúc khách hàng tương tác cuối cùng với công ty(ngày, tuần, tháng)

● F(Frequency): tần suất khách hàng giao dịch hay tương tác với công ty.Tần suất một khách hàng đã giao dịch hoặc tương tác với công ty trongmột khoảng thời gian cụ thể như thế nào? Những khách hàng có sựtương tác thường xuyên thông thường sẽ gắn bó hơn và trung thành hơnnhững khách hàng có tần suất thấp hơn Công thức tính: tổng số lần giaodịch, tương tác của khách hàng

● M(Monetary): số tiền mà khách hàng đã chi tiêu cho các giao dịch vớicông ty trong khoảng thời gian cụ thể Những khách hàng chi tiêu nhiềuthường mang lại nhiều giá trị kinh doanh cho công ty hơn những kháchhàng chi tiêu ít Công thức tính: tổng số tiền đã chi tiêu hay trung bình

số tiền khách hàng đã chi tiêu cho mỗi lần giao dịch

2.3.2 Vai trò

Thông qua các tiêu chí, mô hình RFM giúp công ty xác định:

● Khách hàng tốt nhất và tiềm năng nhất của công ty

● Khách hàng có khả năng rời dịch vụ

● Khách hàng mang lại giá trị kinh doanh nhất

● Khách hàng trung thành với công ty

● Khách hàng sẽ tương tác, phản hồi trở lại với những chiến dịchmarketing, quảng cáo của công ty

● Nhóm khách hàng có khả năng sẽ mua sản phẩm mới

● RFE - Recency, Frequency, Engagement(mức độ cam kết) là phiên bản mở rộng của phân tích RFD nhằm xác định mức độ gắn bó của khách hàng đối với một nền tảng web, app Trường Engagement (mức độ cam kết) được xác định thông qua thời lượng truy cập, số trang trên mỗi lượt truy cập và các chiều dữ liệu khác tương tự Mô hình RFE có thể được sử dụng để phân tích hành vi khách hàng theo các nhóm người xem/người đọc/người lướt web

● RFM-I - Recency, Frequency, Monetary Value – Interactions (Giá trị tiền tệ - Tương tác) là một phiên bản khác của RFM để đánh giá chi phí tương tác marketing trong tiếp cận khách hàng.

● RFMTC - Recency, Frequency, Monetary Value, Time (Thời gian), Churn rate (Tỷ lệ rời bỏ) là một mô hình RFM mở rộng được đề xuất bởi I-Cheng và cộng sự (2009) Mô hình sử dụng chuỗi Bernoulli trong lý thuyết xác suất nhằm dự báo xác suất mua hàng tại những chiến dịch marketing tiếp theo

2.3.4 Ưu điểm và nhược điểm của RFM

● Ưu điểm:

○ Có thể áp dụng cho nhiều loại hình kinh doanh khác nhau

○ Có thể giảm chi phí tiếp thị bằng cách giúp nhắm mục tiêuđúng khách hàng

○ Dữ liệu có thể là một nguồn tốt cho các chương trìnhkhách hàng thân thiết

○ Có thể được kết hợp với các công cụ phân tích khác đểhiểu rõ hơn

○ Giúp xác định khách hàng tốt nhất của công ty

Phân cụm K-means là một thuật toán Học máy không giám sát thực hiệnnhiệm vụ phân cụm Trong phương pháp này, các quan sát 'n' được nhóm thànhcác cụm 'K' dựa trên khoảng cách Thuật toán cố gắng giảm thiểu phương saitrong cụm (để các quan sát tương tự rơi vào cùng một cụm)

Phân cụm K-Means yêu cầu tất cả các biến phải liên tục vì nó sử dụngthước đo khoảng cách và thông số kỹ thuật trước đó về số lượng cụm (K)

2.4.2 Các bước cơ bản của thuật toán

Khởi tạo k phần tử trung tâm một cách ngẫu nhiên (mỗi phần tử trungtâm đại diện cho một nhóm)

Thực hiện các bước cơ bản sau cho đến khi tất cả các đối tượng đượcphân loại và không còn còn sự thay đổi của các đối tượng đến các nhóm:

1 Chọn ngẫu nhiên K tâm (centroid) cho K cụm (cluster) Mỗi cụm được đạidiện bằng các tâm của cụm.

2 Tính khoảng cách giữa các đối tượng (objects) đến K tâm (thường dùngkhoảng cách Euclidean)

3 Nhóm các đối tượng vào nhóm gần nhất

4 Xác định lại tâm mới cho các nhóm

5 Thực hiện lại bước 2 cho đến khi không có sự thay đổi nhóm nào của các đốitượng

2.4.3 Đánh giá thuật toán K-Means

- K-means là có độ phức

tạp tính toán O(tkn)

- K-means phân tích phân

cụm đơn giản nên có thể áp dụng

đối với tập dữ liệu lớn

- K-means không khắc phụcđược nhiễu và giá trị k phải đượccho bởi người dùng

- Chỉ thích hợp áp dụng với

dữ liệu có thuộc tính số và khám racác cụm có dạng hình cầu

2.4.4 Ứng dụng trong kinh doanh

Thuật toán phân cụm K -means được sử dụng để tìm các nhóm chưa được gắnnhãn rõ ràng trong dữ liệu Điều này có thể được sử dụng để xác nhận các giả địnhkinh doanh về loại nhóm tồn tại hoặc để xác định các nhóm chưa biết trong tập dữ liệu

phức tạp Khi thuật toán đã được chạy và các nhóm được xác định, bất kỳ dữ liệu mớinào cũng có thể dễ dàng được gán cho đúng nhóm.

Đây là một thuật toán linh hoạt có thể được sử dụng cho bất kỳ loại nhóm nào.Một số ví dụ về các trường hợp sử dụng là:

Ngoài ra, việc theo dõi xem điểm dữ liệu được theo dõi có chuyển đổi giữa các nhómtheo thời gian hay không có thể được sử dụng để phát hiện những thay đổi có ý nghĩatrong dữ liệu

2.5 Cohort analysis - Phân tích theo nhóm

2.5.1 Khái niệm

Cohort analysis (phân tích theo nhóm) là dạng phân tích hành vi khách hàng, lấy dữ liệu từ tập hợp con như kinh doanh dịch vụ theo mô hình SaaS, game, các nền tảng thương mại điện tử hay từng nhóm khách hàng thành các tệp liên quan với nhau, thay vì theo dõi dữ liệu theo từng đơn vị đơn lẻ Các nhóm này thường mang đặc điểm chung về thời gian hoặc quy mô

Các công ty sử dụng phân tích đoàn hệ để phân tích hành vi của khách hàng trong suốt vòng đời của từng khách hàng Trong trường hợp không có phân tíchtheo nhóm, các công ty có thể gặp khó khăn trong việc hiểu vòng đời mà mỗi khách hàng trải qua trong một khung thời gian nhất định Các công ty sử dụng phân tích theo nhóm để hiểu xu hướng và mô hình của khách hàng theo thời gian và để điều chỉnh việc cung cấp sản phẩm và dịch vụ của họ cho các nhóm

đã xác định

Phân tích Cohort có thể giúp công ty theo dõi được hiệu suất sản phẩm (product performance), so sánh các tệp khách hàng theo thời gian, đánh giá hiệu suất để tìm xem chiến dịch nào hiệu quả chiến dịch nào không Đây là mộtcông cụ giá trị cho các chiến dịch marketing nhắm đến một số đối tượng khách hàng nhất định, giúp việc điều chỉnh thông điệp và hoạt động phù hợp cho khách hàng trở nên khả thi

2.5.2 Lý do chọn phương pháp phân tích Cohort

Kết quả phân tích Cohort:

1.Nắm bắt được bounce rate, retention rate theo thời gian của từng nhóm user

2.Đối với lượt truy cập trang web, có thể nắm bắt được tần suất truy cập của user cũng như thời gian user lưu lại trang web, sau bao nhiêu lâu thì user quay lại trang web của bạn, đánh giá được customer lifetime để tối ưu hóa conversion funnel

3.Thông qua những kết quả này bạn có thể chỉ số hóa mức độ tham gia của ngườidùng, từ đó làm nền tảng xây dựng các chiến dịch target marketing phù hợp.Tóm lại, so với những chỉ số chung chung khác, kết quả phân tích Cohort sẽ có được insight tổng quan về pattern của từng tập hợp người dùng, từ

đó dễ dàng thiết kế các chiến dịch target marketing cũng như các kênh quảng

bá phù hợp với đặc tính, thói quen, hành vi của khách hàng, ngoài ra kết quả phân tích Cohort còn có thể giúp sản phẩm thuyết phục hơn trước các nhà đầu tư

2.5.3 Các loại phân tích Cohort

P

Phân

loại

Acquisition cohorts Nhóm tổ hợp chuyểnđổi

Behavioral cohorts Nhóm tổ hợp vềhành vi

Đ

Đặc

điểm

Nhóm Cohort này phân chia người dùng dựa

trên thời điểm họ có được

hoặc đăng ký một sản

phẩm

Một cách để trực quan hóa thông tin này là

vẽ biểu đồ đường cong tỷ lệ

giữ chân, cho thấy tỷ lệ giữ

chân của các nhóm này

theo thời gian

Nhóm tổ hợp hành

vi người dùng dựa trên các hoạt động mà họ thực hiện trong ứng dụng trongmột khoảng thời gian nhấtđịnh

Ưu điểm xác định rất tốt xu hướng và thời

điểm

có thể xác định mức độ giữ chân người dùng và cũng xác định các yếu tố chính thúc đẩy sự tăng trưởng, mức độ tương tác và doanh thu cho ứng dụng.N

Như

ợc

điểm

khó để đưa ra những thông tin chi tiết hữu ích

như để hiểu lý do tại sao họ

rời đi

2.5.4 Các loại nhóm Cohort để phân tích

- Nhóm được phân loại dựa vào thời gian

Gồm các khách hàng đã đăng ký sử dụng sản phẩm hoặc dịch vụ của công ty trong khoảng thời gian nhất định (có thể tính theo tuần, tháng hay quý phụ thuộc vào vòng đời sản phẩm của mỗi công ty).

Phân tích, phân loại nhóm khách hàng dựa trên thời gian giúp giảm tỷ lệ Churn

- Phân loại dựa trên phân khúc khách hàng

Là dạng phân loại dựa trên các khách hàng đã mua 1 sản phẩm cụ thể hoặc đã trả khoản tiền nhất định cho dịch vụ nào đó Thông thường, phân nhóm khách hàng theo phân khúc như này để hiểu rõ nhu cầu khác nhau của nhóm đối tượng, từ đó đưa ra chiến dịch giới thiệu các sản phẩm – dịch vụ phù hợp cho từng phân khúc

- Phân nhóm dựa trên kích thước nhóm

Những khách hàng đã mua sản phẩm hay sử dụng dịch vụ của bạn có thể gom lại thành một nhóm Nhóm này đối tượng chủ yếu là công ty nhỏ mới thành lập, công ty tầm trung hay công ty lớn dạng tập đoàn,…

Với cách phân loại này, dễ dàng khảo sát và so sánh sức mua hàng dựa trên số lượng sản phẩm đã bán ra Trong từng danh mục hàng hoá, có thể xem xét coi đâu là sản phẩm khách hàng quan tâm và mua nhiều nhất để có các chương trình đẩy mạnh việc bán hàng

Ở mô hình kinh doanh SaaS, những công ty nhỏ hay mới khởi nghiệp thường

có tỷ lệ churn cao hơn các công ty lớn Bởi vì công ty nhỏ, mới mở thường có kinh phí thấp nên ban đầu cần phải thử nghiệm sản phẩm dịch vụ giá rẻ để chọn

ra sản phẩm mũi nhọn cho mình Các công ty lớn có nguồn vốn ổn hơn nên sẽ

có xu hướng gắn bó với một sản phẩm trong thời gian dài

2.5.5 Các ứng dụng của phân tích Cohort

- Khi triển khai một dự án phát triển mới cần đo đạc hiệu quả của dự án

so với thông thường

- Khi triển khai các campaign/chiến dịch cần phân tích hiệu quả

- Khi hệ thống có rất nhiều khách hàng vào hàng tháng mà lưu lượng hàng tháng không giống đều nhau (đang tăng trưởng/đang giảm tốc)

- Cần phân tích được các mốc về sự gắn kết của khách hàng: sử dụng, sử dụng thường xuyên, gia hạn,…

- Tổng quát hóa: các hệ thống có đầu vào biến thiên và quá trình diễn ra theo 1 chu kỳ thời gian dài (tuần/tháng/quý,…) như các dự án phát

triển/campaign/tăng trưởng/giảm tốc

Chương 3: Chuẩn bị dữ liệu 3.1 Mô tả về dữ liệu

3.1.1 Dữ liệu nghiên cứu

Nghiên cứu thực hiện trên dữ liệu AdventureWorks Sales Đây là dữ liệu bánhàng của công ty Adventure Works Cycles trong lĩnh vực sản xuất và kinh doanh xeđạp Tập dữ liệu chứa 121.253 giao dịch trong khoảng thời gian từ 7/2017 đến 6/2020

3.1.2 Mô tả các dữ liệu trong tập dữ liệu

Tập dữ liệu bao gồm dữ liệu về các đơn hàng (Sales Order_data), vị trí kháchhàng (Sales Territory_data), thông tin các giao dịch bán hàng (Sales_data), bán lại(Reseller_data), thời gian giao dịch (Date_data), thông tin khách hàng(Customer_data) và dữ liệu sản phẩm (Product_data)

Sales Order_data:

Dữ liệu worksheet Sales Order_data

Các đối tác kênh bán hàng trong dữ liệu gồm 2 loại: bán thông qua các kênh bánlại và bán hàng trực tuyến

Dữ liệu không có giá trị rỗng

Các thông tin trong dữ liệu:

Tên cột Kiểu dữ liệu Mô tả

đơn hàng

tương từng sản phẩm

Sales Territory_data:

Dữ liệu worksheet Sales Territory_data

Thông tin về vị trí khách hàng được chia thành 4 nhóm: Bắc Mĩ, châu Âu, TháiBình Dương và tại trụ sở chính của công ty Trong đó có 6 nước: Mĩ, Canada, Pháp,Đức, Úc và Vương quốc Anh Về phân vùng gồm có 10 vùng: Tây Bắc, Đông Bắc,trung tâm, Tây Nam, Đông Nam nước Mỹ, Canada, Pháp, Đức, Úc, Vương quốc Anh

và tại trụ sở chính công ty

Các thông tin trong dữ liệu:

SalesTerritoryKey int64 Mã tương ứng từng vùng lãnh thổ

Region object Tên các vùng mà công ty hoạt động

Dữ liệu worksheet Sales_data

Dữ liệu về thông tin các giao dịch Nghiên cứu sẽ tập trung các thuộc tính:Customer Key, Order Date Key, SalesOrderLineKey, Sales Amount

Mô tả về thông tin các cột quan trọng:

Reseller_data:

Dữ liệu worksheet Reseller_data

Dữ liệu về các bên bán lại

Date_data:

Dữ liệu trong worksheet Date_data

Dữ liệu về thời gian giao dịch

Product_data

Dữ liệu trong worksheet Product_data

Thông tin về các sản phẩm: mã sản phẩm, tên sản phẩm, mẫu mã, màu sắc,

Mô tả thông tin các cột quan trọng:

Customer_data:

Dữ liệu trong worksheet Customer_data

Dữ liệu về thông tin khách hàng bao gồm: mã khách hàng, tên khách hàng và vịtrí cụ thể của khách hàng

Mô tả thông tin các cột quan trọng

Product_data

- Customer Key: mã định danh tương ứng với mỗi khách hàng

- Order Date Key: cung cấp thông tin về ngày mua hàng của khách hàng - thuộctính này dùng để tính giá trị Recency

- SalesOrderLineKey: mã tương ứng mỗi dòng trong đơn đơn hàng - thuộc tínhnày kết hợp với dữ liệu từ cột Sales Order dùng để tính giá trị Frequency

- Sales Amount số tiền khách hàng đã mua sản phẩm - thuộc tính này để tính giátrị Monetary

Các dữ liệu nằm trong 2 worksheet Sales Order_data và Sales_data Vì vậy, cầnphải nối dữ liệu các thuộc tính trên theo SalesOrderLineKey