slide thuyết trình đề tài nghiên cứu thông tin chuyến bay trong vận chuyển hàng không và du lịch

BÀI TOÁNDự báo giá vé máy bay nhằm để hãng hàng không điều chỉnh giá vé thích hợp và khách hàng điều chỉnh hành vi tiêu dùngSử dụng các thuật toán phân cụm để định hình và hiểu rõ hơn hà

KHDL –

G05

ĐỀ TÀI: NGHIÊN CỨU THÔNG TIN CHUYẾN BAY TRONG VẬN CHUYỂN HÀNG KHÔNG VÀ DU LỊCH

DANH SÁCH THÀNH VIÊN

THÀNH

TRƯƠNG THIÊN BẢO 312210230819 Tiểu luận, bổ sung hoàn

chỉnh dữ liệu, Phân tích dữ liệu, giải bài toán, phương pháp phân cụm, dự doán kết quả, làm slides.

100%

NGUYỄN VĂN TÚ 31221025423 Xử lý dữ liệu thô ,Phân tích

giải bài toán, đưa ra kiến nghị giải pháp, phương pháp phân cụm, tiểu luận, slides

100%

PHAN THỊ HOÀI THƯƠNG 31221026956 Tìm Mẫu, Tiền Xử lý dữ liệu,

phân tích bài toán, phương pháp phân lớp, dự đoán số liệu, tiêu luận, làm slides

100%

NGUYỄN HOÀNG VÂN 31221024163 Tìm Mẫu, Xử Lý Dữ liệu thô,

phân tích , phương pháp phân lớp, đưa kiến nghị dự đoán, slides, tiểu luận

100%

NỘI DUNG THUYẾT

Mô tả cấu trúc của bộ dữ

liệu về FLIGHT

Mô tả dữ liệu sau rút gọn

• Sử dụng công cụ Feature Statistics để mô tả thống

kê các biến này với những giá trị như Mean, Median, Dispersion, Min, Max, của

8932 kết quả khảo sát

● AveragePrice: biến phụ thuộc.

● priceType có giá trị là “Cao” : giá vé cao hơn

so với giá trị trung bình

● priceType có giá trị là “Thấp”: giá vé thấp

hơn so với giá trị trung bình

MÔ TẢ DỮ LIỆU

Bởi vì

 FlightType, Price, Time, Distance ảnh

hưởng trực tiếp và gián tiếp theo chiều hướng tỉ lệ thuận với priceType

 Year, Month ảnh hưởng priceType

theo chiều hướng tháng cao điểm hoặc thấp điểm của mùa bay thì sẽ ảnh hưởng tới Price và priceType tăng hoặc giảm Mỗi năm sẽ bị ảnh hưởng theo biến động của nền kinh tế - xã hội

PHÂN TÍCH 0

2

Sử dụng các thuật toán phân cụm để định hình

và hiểu rõ hơn hành vi đặt vé của các nhóm khách hàng

MÔ TẢ BÀI TOÁN

1 Các hãng hàng không cần lên kế hoạch cũng như các nghiệp vụ phân tích và dự báo để tính toán hợp lí các chi phí như chi phí bay của từng loại vé như thế nào để khách hàng tin tưởng đồng hành và sử dụng dịch vụ với

chất lượng và chi phí phù hợp ?

XÂY DỰNG MÔ

HÌNH

KẾT QUẢ VÀ ĐÁNH GIÁ

Kết quả đánh giá bài toán 1 theo SVM

+ T = 0,0% < LR = 2,6% < SVM = 8,3%

→ Vậy nên chọn phương pháp T và LR để thực hiện Test & Core

- Dựa vào Test & Core

+ AUC của T = NN = 1.000

→ Vậy 2 phương pháp trên đều có thể thích hợp thực hiện dự báo

dự báo là cao >< giá vé thấp vì lỗ vốn

Giá thấp hơn >< tiềm năng lợi

nhuận

KẾT QUẢ VÀ ĐÁNH GIÁ

Kết quả đánh giá bài toán 1 và quyết định chọn

phương pháp nghiên cứu

KẾT QUẢ VÀ ĐÁNH GIÁ

Đường cong ROC

Quan sát bảng kết quá trên

ta thấy đường màu cam của mô hình Tree là mô hình tiệm cận với điểm (0;1) nhất

Còn đường màu xanh dương của mô hình SVM và đường màu xanh lá của mô hình Logistic Regression xa điểm (0:1) nên bị đánh giá thấp hơn

→ Vậy phương pháp Tree là phương pháp phù hợp nhất

KẾT QUẢ VÀ ĐÁNH GIÁ

Kết quả nghiên cứu bài toán 1

KẾT QUẢ VÀ ĐÁNH GIÁ

Kết quả đánh giá bài toán 1 theo Tree

Phân tích:

• (Time) ≤ 0,72 có giá vé thấp 100% → nên

tăng giá

• (Time) ≥ 0,72 có tỉ lệ tăng đến 21% ( 73,2%)

→ nên giảm giá

• Giá vé không được hơn 1166,1 BRL → Xét 2 TH:

 Tăng giá hạng vé 1 (firstClass) do tỷ

lệ dự báo chắc chắn thấp 100% → lợi nhuận cao hơn

 Hạ giá hạng vé 2,3 (economic, premium) do tỷ lệ dự báo giá cao đến 71,2% → lợi nhuận cao, duy trì lâu → cạnh tranh → mất khách hàng

KIẾN NGHỊ

• Khách hàng có xu hướng đi bằng phương tiện hàng không

nhiều hơn → tạo chương trình thưởng và ưu đãi dành riêng

cho khách hàng thân thiết → thúc đẩy hành khách quen thuộc

của bạn tiếp tục lựa chọn hãng của bạn khi đi lại

• Xem xét giá vé của các đối thủ cạnh tranh trong cùng tuyến

đường và cùng phân đoạn thị trường → điều chỉnh giá → cân

nhắc liệu nên cạnh tranh bằng giá thấp hơn / giá tương đương

/giá cao hơn

• Khách hàng sẵn sàng chi trả với mức giá cao → tạo ra các giá

trị và trải nghiệm đáng giá , duy trì một dịch vụ xuất sắc để

có thể cạnh tranh được với các đối thủ

MÔ TẢ BÀI TOÁN 2

Các hãng hàng không cần làm gì để giúp cải thiện dịch

vụ, tối ưu hóa quy trình đặt vé và tạo ra chiến lược tiếp

thị chính xác hơn cho từng nhóm khách hàng?

1

Hierarchical Clustering

2 K-Means

Phân cụm

al Clustering

CHẠY MÔ HÌNH VÀ KẾT QUẢ

Thực hiện phân cụm bằng bộ

dữ liệu phân lớp để dự báo xu hướng đặt vé máy bay của các nhóm khách hàng trong tương lai -> dùng meta để loại

bỏ thuộc tính “priceType” để không ảnh hưởng tới kết quả

Hierarchical

Clustering

 Do số lượng dự liệu lên đến 8932 kết quả khảo sát -> Dùng Data Sampler để lấy ngẫu nhiên dữ liệu để khảo sát để có thể làm việc hiệu quả hơn -> tránh mất thời gian tiến hành và khai thác

 Để tiến hành Hierarchical Clustering -> Cần tính khoảng cách ước tính (sử dụng Euclidean (normalized)) -> với cách tính khoảng cách Complete-link (khoảng cách lớn nhất) Cho kết quả chạy từ 2 đến 5 cụm.

Hộp thoại Hierarchical Clustering để chia dữ liệu thành các cụm từ 2 tới 5

 Sau khi chia dữ liệu lần lượt thành 2, 3, 4, 5 cùng thì ta dùng Silhouette Plot

để xem kết quả công cụ

từ đó lựa chọn phương

án tối ưu Khi đó

Silhouette Plot sẽ được tính khoảng cách theo công thức Euclidean Tìm group chọn cluster ta có kết quả phân cụm lần lượt như sau:

Silhouette score của cụm càng lớn thì độ tương đồng của từng điểm trong cum càng cao thì kết quả

phân cụm đó càng tốt Vì thế sau khi thử phân cụm bố dữ liệu thành 2, 3, 4 và 5 cụm thì kết quả khi chia

dữ liệu thành hai cụm là tốt nhất

=> Qua những giá trị này, có thể nói cách phân cụm chưa thật sự đáng tin cậy, sát với thực tế và cần thêm các chuyên gia có kinh nghiệm, chuyên môn để đánh giá lại

K-Means

Tiến hành phân cụm với thuật toán k-means ta

có :

+ Silhouette index 0,5: sát thực tế.

+ 0,25 Silhouette index 0,5: cần đánh giá lại (kinh nghiệm của chuyên gia) + Silhouette index 0,25: không tin tưởng và cluster, tìm phương pháp đánh giá khác Theo kết quả chạy từ 2 đến 5 cụm có những kết quả sau:

+ Phân thành 2 cụm: Score=0.282, cụm 1, 2 có sự phân tách.

+ Phân thành 3 cụm: Score=0.251, cụm 1, 2, 3 có sự phân tách.

+ Phân thành 4 cụm: Score=0.224, nhóm 1, 2, 3, 4 có sự phân tách.

+ Phân thành 5 cụm: Score=0.229, nhóm 1, 2, 3, 4, 5 có sự phân tách.

Kết quả được phân ra các giá trị sau :

Vì vậy đối với bộ dữ liệu của nhóm thì phân cụm theo phương pháp k-Means là tốt nhất

Kết quả lựa chọn phương pháp phân cụm :

Kết quả phân cụm bằng k-Means

Phân càng nhiều nhóm chỉ số score càng thấp, và sự phân tách trong các nhóm càng nhiều Vì vậy, nhóm đã quyết định chọn phương án phân bộ dữ liệu thành hai nhóm:

Bảng Silhouette Plot cho 2 phân cụm phân hoạch

Chuỗi thao tác thực hiện phân cụm và phân tích cụm

Bảng thống kê mô tả cụm 1

Bảng thống kê mô tả cụm 2

Biểu đồ Bar Plot so sánh giá trị distance giữa 2 cụm

Biểu đồ Box Plot so sánh giá trị distance giữa 2 cụm

NHẬN XÉT

Qua 2 biểu đồ trên ta có thể nhận thấy rằng, với

nhóm khách hàng cụm 1, với chặng bay ngắn hơn,

người ta sẽ lựa chọn đa dạng các loại vé nhưng có

nghiêng về về loại vé 3 là economy

Đây là một dạng vé máy có mức giá tiết kiệm

Còn với nhóm khách hàng cụm 2 ta thấy :

Với chặng bay dài hơn người ta thường lựa

chọn loại vé 1 và 2, lần lượt là loại firstClass

và premium, đây là những hàng vé có mức giá

khá cao.

KIẾN NGHỊ

+ Với nhóm khách hàng cụm 1 (chặng bay ngắn hơn), nên tiếp tục tối ưu hóa giá vé economy để thu hút họ Cân nhắc cung cấp các ưu đãi giảm giá cho vé economy trên các chặng bay ngắn

+ Dựa trên sự hiểu biết về hành vi lựa chọn loại vé của các nhóm khách hàng, tạo chiến dịch tiếp thị đặc trưng cho từng nhóm

+ Chú ý những ngành hàng không và du lịch là nhũng ngành

có tính cạnh tranh cao và thị trường thay đổi nhanh chóng

Do đó, việc duy trì sự linh hoạt và thích nghi là rất quan

trọng để thành công

+ Đối với nhóm khách hàng cụm 2 (chặng bay dài), tiếp tục cung cấp các dịch vụ và tiện ích cao cấp cho hành khách như firstClass và

premium

THANKS FOR WATCHING

NHÓM G05 – KHOA HỌC DỮ

LIỆU