dự án kết thúc học phần xu hướng nghề nghiệp trong ngành khoa học dữ liệu

Danh muc bang Bang: Mô tả về những thuộc tính Attribute của dữ liệu Hình 1: Hình 2: Hình 3: Hình 4: Hình §: Hình 6: Hình 7: Hinh 8: Hinh 9: Hinh 10: Hinh 11: Hinh 12: Hinh 13: Hinh 14: H

BỘ GIÁO DỤC VÀ ĐÀO TẠO

ĐẠI HỌC KINH TẾ TP HÒ CHI MINH

UEH

UNIVERSITY

DU AN KET THUC HOC PHAN

Môn học: Khoa học dữ liệu

TP Hồ Chí Minh, ngày 8 tháng 12 năm 2023

Danh muc bang

Bang: Mô tả về những thuộc tính (Attribute) của dữ liệu

Hình 1: Hình 2: Hình 3: Hình 4: Hình §: Hình 6: Hình 7: Hinh 8: Hinh 9: Hinh 10: Hinh 11: Hinh 12: Hinh 13: Hinh 14: Hinh 15: Hinh 16: Hinh 17: Hinh 18: Hinh 19: Hinh 20: Hinh 21: Hinh 22: Hinh 23: Hinh 24:

Danh muc hinh anh

Xây dựng mô hình phân lớp ĐMnh giM mồ hình phân lớp QuM trình phan lớp dữ liầP QuM trình phân cụm dữ liệu

Phân cụm dữ liệu bằng phương phMp K-means CMc bước phân cụm bằng phương phMp K-means Quy trình lọc trường không cần thiết

Thông tin dữ liệu trong bảng Rank

Quy trình tMch dữ liéu ngau nhién voi Data Sampler XMc dinh trudng 1a bién phu thudc voi Select column M6 hinh chubn bi dữ liéP

QuM trinh thyc hid Phan tMch di liaP Xây dựng mô hình phân lớp dữ liêtP

Kết quả đMnh giM mô hình bằng phương phMp K-fold Kết quả ma trận nhằm lẫn của phương phMp Tree

Kết quả ma trận nhằm lẫn của phương phMp Logistic Regression Kết quả ma trận nhằm lẫn của phương phMp SVM

Kết quả ma trận nhằm lẫn của phương phMp Neural Network

Mô hình dự bMo khMch hàng tiềm năng Kết quả dự bMo

Mô hình phân cụm theo k-Means Kết quả k-Means

Kết quả chỉ số Silhouette của cMc mẫu quan sMt khi phân thành 2 cụm Kết quả 2 mẫu quan sMt có chỉ số Silhouette cao nhất của từng cụm

Danh mục biểu đồ

Biểu đồ 1: Biểu đồ thể hiện phân loại khMch hàng

Biểu đồ 2: Biếu đồ thể hiện giới tính khMch hàng

Biểu đồ 3: Biểu đồ thể hiện số lượng hàng mua

Biểu đồ 4: Biểu đồ thể hiện phương thức thanh toMn

Biểu đồ 5: Biếu đồ thể hiện vị trí cMc chỉ nhMnh siêu thị

Biểu đồ 6: Biểu đồ thể hiện xếp hạng đMnh giM trải nghiệm mua sắm của khMch hàng (thang điềm 10)

Biểu đồ 7: Biểu đồ thể hiện phân loại sản phbm Biểu đồ 8: Phân cụm vị trí siêu thị theo loại khMch hàng Biểu đồ 9: Phân cụm hình thức thanh toMn theo loại khMch hàng Biểu đồ 10: Phân cụm phân loại mặt hàng theo loại khMch hàng Biểu đồ 11: Phân cụm giới tính khMch hàng theo loại khMch hàng

Lời mé dau

Khoa học dữ liệu là một lĩnh vực mới mẻ và đầy tiềm năng trong thời đại công nghệ 4.0 Khoa học dữ liệu không chỉ giúp chúng ta hiểu được những xu hướng, mẫu và quy luật ân sau những dữ liệu không lồ, mà còn giúp chúng ta tạo ra những giải pháp sáng tạo và hiệu quả cho các bài toán thực tế trong nhiều lĩnh vực khác nhau, như y té, giao duc, kinh tế, kinh doanh, an rinh, Trong số các lĩnh vực có thể áp dụng Khoa học dữ liệu, ngành kinh doanh bán lẻ là một trong những ngành có nhu cầu và tiềm năng cao Ngành kinh doanh bán lẻ phải đối mặt với nhiều thách thức, như cạnh tranh gay gắt, thị trường biến động, khách hàng đa dạng, Để tồn tại và phát triển, các doanh nghiệp trong ngành kinh doanh bán lẻ cần phải nắm bắt được nhu cầu và hành vi của khách hàng, cũng như tối ưu hóa các chiến lược kinh doanh, như giá cả, sản phẩm, quảng cáo, khuyên mãi

Trong khuôn khô của đề án kết thúc môn Khoa học dữ liệu, chúng em quan tâm đến việc áp

dụng Khoa học dữ liệu đề giải quyết một bài toán cụ thê trong ngành kinh doanh bán lẻ, đó là bài

toán dự đoán khách hàng tiềm năng cho siêu thị Đây là một bài toán quan trọng và thực tế, vì nó có thê giúp siêu thị tăng doanh thu, giảm chỉ phí, nâng cao chất lượng dịch vụ và khách hàng Bằng cách dự đoán được những khách hàng có khả năng mua hàng cao, siêu thị có thê tập trung vào việc chăm sóc và tăng cường mối quan hệ với họ, cũng như đưa ra các chương trình khuyến mãi và ưu đãi phù hợp Điều này sẽ giúp siêu thị tăng sự hài lòng và trung thành của khách hàng,

cũng như thu hút được nhiều khách hàng mới.

Chương 1 Tông quan

1.1 Giới thiệu khoa học dữ liệu 1.1.1 Khoa học dữ liệu là gì ?

Khoa học đữ liệu ( Data Science ) là một lĩnh vực liên ngành về các quá trình và các hệ thong rút trích tri thức hoặc hiểu biết từ dữ liệu ở các dạng khác nhau, kế ở dạng cấu trúc hay phi cầu

trúc

1.1.2 Nhiệm vụ của khoa học dữ liệu:

_ Thu thập : Thu thập dữ liệu, nhập đữ liệu, tiếp nhận tín hiệu, trích xuất đữ liệu

_ Giải thích, trình bày những kết quả đó cho các bên liên quan đến chuyên hóa các kết qua

thành hành động

1.1.3 Thành phần của khoa học dữ liệu: _ Bao gồm 2 phân chính :

+ Data là thành phần đầu tiên của cụm data science, néu thiéu no thi tat cả các quá trình tiếp

theo đều không thê thực hiện được Việc đầu tiên phải làm sau khi có đữ liệu là làm sạch dữ liệu và biến đôi dữ liệu, nó chiếm đến 80% tổng thời gian thực hiện phân tích

+ Science da co dữ liệu rồi, cần phải phân tích, trích rút có quy luật có ích và sử dụng chúng một cách có hiệu quả Ở đây, một số lĩnh vực sẽ giúp ích chúng ta như thống kê máy học, học

sâu, tối ưu

1.1.4 Những lĩnh vực của khoa học dữ liệu:

_ Khai thác dữ liệu ( Data mining ): là quá trình tìm kiêm, phân loại và phân tích đữ liệu lớn đề

tìm ra các mô hình và quy luật ân

_ Thống kê ( Statistic ): Sử dụng các phương pháp thông kê đề thu nhập, phân tích, diễn giải va

1.1.5 Ứng dụng của khoa học dữ liệu:

_ Lĩnh vực Y té: Khoa học dữ liệu giúp xây dựng hệ thống trợ lý chăm sóc sức khỏe ảo, nghiên cứu về gen và di truyền, điều chế thuốc

Lĩnh vực Tài chính - Ngân hàng: Khoa học dữ liệu giúp phân tích rủi ro, dự đoán xu hướng thị trường và tối ưu hóa hoạt động ngân hang

_ Lĩnh vực Giao thông vận tải: Khoa học dữ liệu giúp tối ưu hóa lộ trình và dự đoán lưu lượng giao thông

_ Lĩnh vực Thương mại điện tử và dịch vụ số: Khoa học dữ liệu giúp nâng cao trải nghiệm

người dùng và tôi ưu hóa hoạt động kinh doanh

_ Lĩnh vực sản xuất: Khoa học dữ liệu giúp tối ưu hóa quy trình sản xuất và dự đoán nhu câu Lĩnh vực quảng cáo: Khoa học dữ liệu giúp tối ưu hóa quảng cáo và tiếp thị

1.1.6 Quy trình của khoa học dữ liệu: Thu thập, nắm bắt dữ liệu ( Capture data ) _ Quản trị dữ liệu ( Manage data ).

_ Phân tích và khám phá ( Exploratory ) _ Phân tích sau cung ( Final analysis ) _ Bao cao ( Reporting )

1.1.7 Xu hướng nghề nghiệp trong ngành khoa học dữ liệu:

_ Kỹ sư phát triển ứng dụng AI: Làm việc với các công nghệ trí tuệ nhân tạo đề phát triển các ứng dụng thông minh

_ Kỹ sư đữ liệu: Xây dựng và quản lý cơ sở dữ liệu, đảm bảo dữ liệu được lưu trữ một cách an

toàn và hiệu quả

_ Chuyên viên phân tích kinh doanh: Sử dụng dữ liệu để đưa ra các quyết định kinh doanh _ Chuyên viên phân tích và phát triển đữ liệu: Làm việc với dữ liệu đề tạo ra các giái pháp mới

và cải tiễn các quy trình hiện tại

_ Chuyên gia nghiên cứu cấp cao về trí tuệ nhân tạo: Nghiên cứu và phát triển các công nghệ trí

tuệ nhân tạo mới

1.2 Giới thiệu về đồ Mn 1.2.1 Lý do chọn đề tài:

Trong thời đại công nghệ 4.0, Khoa học dữ liệu là một lĩnh vực hấp dẫn và có nhiều ứng dụng

trong các ngành nghè khác nhau Tôi chọn đề tài “ Xây dựng mô hình dự đoán khách hàng tiềm năng cho siêu thị” cho đề án kết thúc môn Khoa học đữ liệu vì chúng em muốn khai thác và phát triển tiềm năng của mình trong lĩnh vực này Chúng cm cũng mong muôn đóng gop cho sw phát triển của ngành kinh doanh bán lẻ, đặc biệt là siêu thị, bằng cách áp dụng các kỹ thuật phân tích dữ liệu và học máy để giải quyết các bài toán thực tế

Chúng em nghĩ rằng việc xây dựng một mô hình dự đoán khách hàng tiềm năng cho siêu thị là một đề tài có ý nghĩa và thách thức Một mặt, đề tài này có thê mang lại nhiều lợi ích cho doanh nghiệp, như tăng doanh thu, giảm chi phí, nâng cao chất lượng dịch vụ và khách hàng Bằng cách dự đoán được những khách hàng có khả năng mua hàng cao, siêu thị có thê tập trung vào việc chăm sóc và tăng cường môi quan hệ với họ, cũng như đưa ra các chương trình khuyến mãi và ưu đãi phù hợp Điều này sẽ giúp siêu thị tăng sự hài lòng và trung thành của

khách hàng, cũng như thu hút được nhiều khách hàng mới Mặt khác, đề tài này cũng đòi hỏi

tôi phải nằm vững các kiến thức và kỹ năng cơ bản về Khoa học dữ liệu, như thu thập, xử lý,

khám phá, mô hình hóa và trình bày dữ liệu Tôi cũng phải tìm hiểu và áp dụng các phương pháp học máy phù hợp đề xây dựng mô hình dự đoán, cũng như đánh giá và cải thiện hiệu quả của mô hình

Chúng em mong muốn qua đề án này, chúng em có thể học hỏi và cải thiện được năng lực nghiên cứu và làm việc của mình trong lĩnh vực Khoa học dữ liệu Tôi cũng hy vọng rằng đề án

của tôi có thê đem lại những giá trị thiết thực cho ngành kinh doanh bán lẻ nói chung và siêu

thị nói riêng

1.2.2 Mục tiêu nghiên cứu:

_ Tập dữ liệu du lịch cung cấp thông tin chỉ tiết về các khách hàng có lựa chọn khác nhau và một số khách hàng tiềm năng có thẻ thành viên

_ Lựa chọn mô hình phân lớp phù hợp cho bộ dữ liệu _ Phân tích các thông tin có trong bộ dữ liệu:

https://www.kaggle.com/datasets/aungpyaeap/supermarket-sales _ Ứng dụng công cụ Orange vào việc xử lý thông tin

_ Đưa ra biêu đồ, công cụ thống kê phù hợp cho từng thông tin _ Đánh giá, phân tích bộ dữ liệu.

_ Đưa ra kết luận

_ Các chính sách phù hợp cho siêu thị

1.2.3 Đối tượng nghiên cứu:

Tất cả lượt khách hàng đã mua sắm, đến từ những quốc gia khác nhau bao gồm cả đàn ông, phụ

nữ, hay trẻ em với những độ tuổi khác nhau sẽ cho ra các so sánh khác nhau Bộ dữ liệu được

thu thập trên web kagsøle đường lmk:

https://www.kaggle.com/datasets/aungpyaeap/supermarket-sales 1.2.4 Phương phMp thực hiện:

1.2.4.1 Phương phMp phân lớp dữ liệu 1.2.4.1.1 Định nghĩa phân lớp dữ liêtP

Phân lớp dữ liệu là quá trình phân một đối tượng dữ liệu vào một hay nhiều lớp (loại) đã cho

trước nhờ một mô hình phân lớp Mô hình này được xây dựng dựa trên một tập dữ liệu đã được

gán nhãn trước đó (thuộc về lớp nào) Quá trình gán nhãn (thuộc lớp nào) cho đối tượng dữ liệu

chính là quả trình phân lớp dữ liệu 1.2.4.1.2 QuM trình phân lớp dữ liãP

Quá trình phân lớp dữ liệu gồm 2 bước chính:

- Bước l: Xây dựng mô hình (hay con gọi là giai doan "hoc" hode "hu''n luyén")

* Dir liéu đầu vào: là dữ liệu mẫu đã được gán nhãn và tiền xử lý

« _ Các thuật toán phân lớp: cây quyết định, hàm số toán học, tập luật

‹« - Kết quả của bước này là mô hình phân lớp đã được huấn luyện (trình phân lớp)

Classification algorithm

/

Classifier (model)

if age <31

or Car Type =Sports

then Risk = High

Hình 1: Xây dựng mô hình phân lớp

- Bước 2: Sứ dụng mô hình, chia thành 2 bước nhỏ:

« - Bước 2.1: Đánh giá mô hình (kiểm tra tính đúng đắn của mô hình)

Classifier (model)

Thuộc tính bị “lờ” đi

Hình 2: ĐMnh giM mô hình phân lớp ¢ Bude 2.2: Phan lớp dữ liệu mới

Classifier (model) New data

Hình 3: QuM trinh phan lop dit liaP 1.2.4.2 Phương phMp phân cụm dữ liệu

a) Định nghĩa về phân cụm dữ liệu:

Mỗi đối tượng thuộc duy nhất I cụm, các phần tử trong cụm có sự tương tự nhau và mỗi cụm

qua gom cum — | quả gom cụm

Hình 4: QuM trình phân cụm đữ liệu

Thuật toán điển hình: K-means, K-medoids, Fuzzy C-means b) Thuat toMn K-means:

File Silhouette Plot

Save Data

Hình 5: Phân cụm dữ liệu bằng phương phMp K-means

Thuật toán K-means thuộc nhóm thuật toán phân cụm dựa trên phân hoạch

Tư tưởng chính: Ta xem một đôi tượng trong tập dữ liệu là một điểm trong không gian d chiều (với d là số lượng thuộc tính của đối tượng):

® Bước sô Ï: Chọn k điểm bất kỳ làm các trung tâm ban đầu của k cụm

® Bước số 2: Phân mỗi điểm dữ liệu vào cụm có trung tâm gần nó nhất Nếu các điểm dữ liệu ở từng cụm vừa được phân chia không thay đối so với kết quả của lần phân chia trước nó thì ta

dừng thuật toán

e Bước số 3: Cập nhật lại trung tâm cho từng cụm bằng cách lấy trung bình cộng của tất cả các

điểm dữ liệu đã được gán vào cụm đó sau khi phân chia ở bước 2

® Bước số 4: Quay lại bước 2

« - Dữ liệu: dữ liệu đầu vào

- - Dữ liệu thử nghiệm: dữ liệu riêng biệt đề thử nghiệm « - Người học: thuật toán học tập

Đầu ra: Kết quả đánh giá: kết quả của các thuật toán phân loại thử nghiệm b Confusion Matrix:

Các Confusion Matrix cho biết số / tỷ lệ các trường hợp giữa các lớp dự đoán và thực tế Việc lựa chọn các phan tử trong ma trận cung cấp các trường hợp tương ứng vào tín hiệu đầu ra Bằng cách này, người ta có thể quan sát những trường hợp cụ thê bị phân loại sai và làm thế nào

Đầu vào: Kết quả đánh giá: kết quả của các thuật toán phân loại thử nghiệm Đầu ra:

«Ö - Dữ liệu được chọn: tập hợp dữ liệu được chọn từ ma trận nhằm lẫn

- - Dữ liệu: với thông tin bố sung về việc liệu một thê hiện dữ liệu đã được chọn chưa

Chương 2: Quy trình thực hiện và kết quả

2.1 Mô tả nguồn dữ liệu và cầu trúc của dữ liệu

Bộ dữ liệu có tên là “Supermarket sales” được lấy từ Kaggle Đây là dữ liệu về doanh số bán hàng của một công ty siêu thị được ghi nhận trong vòng 3 tháng tại 3 chỉ nhánh khác nhau

Với mục tiêu nghiên cứu được đề ra ở trên, bộ dữ liệu này sẽ hữu dụng trong việc phân lớp và

phân cụm các khách hàng tiềm năng.

Dữ liệu gồm: L7 cột thuộc tính và 1001 hàng (đối tượng) được thu thập tại thời điểm

khách hàng mua hàng tại siêu thị

Customer type Loai khach hang Gém Member va Normal Gender Giới tính khách hàng Gồm Male và Female

Product line Phân loại mặt hàng Chuỗi ký tự Unit price Đơn giá (tính bằng đôla) | Số thập phân

Quantity Số lượng sản phẩm Số thập phân

Total Tổng hóa đơn đã bao gồm | Số thập phân thuê

Ewallet

Gross margin Tỷ lệ lợi nhuận gộp Số thập phân

Bộ dữ liệu không chứa dữ liệu bị thiếu, đề xác định các trường nảo là có thông tin cho các xử lý về sau, với mục tiêu phân lớp và phân cụm loại khách hàng, nhóm sẽ dùng Rank để xem các giá trị info.gain của các trường nhằm loại bỏ di các trường không có giá trị

Dùng Select Column đề chọn Customer Type là target, sau đó găn vào Rank đề hiện thị các giá

tri

ee

Hình 7: Quy trình lọc trường không cần thiết

Scoring Methods # Info gain Gain ratio Gini

Hinh 8: Thong tin di liéu trong bang Rank

Ảnh trên cho thấy, trường Gross margin percentage (Tỷ lệ lợi nhuận gộp) không có giá trị trong tập dữ liệu, nhóm sẽ loại trường này bằng Select Column để tiếp tục các bước xử lý tiếp theo

2.2.2 Phân tMch dữ liệu

Tiếp đến, đề tách dữ liệu làm 2 phần, một phần đề xây dựng mô hình và một phan data dé dy

báo, nhóm đã sử dụng chức năng Data Sample trong Orange đề thực hiện tách ngâu nhiên dữ

hiéu lam 2 file néng: 70% dữ liệu gốc duoc tach va luu thanh file “Sale Data” va 30% dt liệu goc duoc tach thanh file “Forecast data”

Reduced Data —» ats Sasa ss nae

Data Data Data ESö = \ Sample -› Data FA

te cà 2 b + FA Sale da le data

Sampling Type 5 ` So Fixed proportion of data:

_) Bootstrap

Options

) Replicable (deterministic) sampling

(_) Stratify sample (when possible)

Sample Data ? B | 3100 G 700|

Hình 9: Quy trình tMch dữ liệu ngẫu nhiên với Data Sampler

2.3 XMc định biến độc lập và biến phụ thuộc

Như phần mục tiêu đã đề ra, đê phân lớp và phân cụm dự đoán tập khách hàng tiềm năng, nhóm sẽ sử dụng trường Customer Type là biễn phụ thuộc Các biến còn lại sẽ là biến độc lập giúp xác định và dự báo tập khách hàng tiềm năng.

Ignored (1)

gross margin percentage

| Ignore new variables by default

= ? B | 3) 1000|- B 1000) 14

Features (14)

Product line Time Unit price Quantity Rating Gender

Date

City Branch

Target (1)

Customer type Metas (1)

Mỗi cột dữ liệu tương ứng cho I thuộc tính của đối tượng

Các thuộc tính được xem xét và đánh giá sự phân bỗ bằng lược đỗ dé xác định mức ảnh hưởng của thuộc tính đến kết quả của việc xây dựng mô hình dự đoán khách hàng tiềm năng cho doanh nghiệp siêu thị trên

2.4.2 Tiến hành phân tích dữ liệu

Dữ liệu 1

m™ Member @ Normal

Biểu đồ 1 Biểu đồ thể hiện phân loại khMch hàng

Nhận xét:

Từ biêu đô trên ta thấy không có sự chênh lệch quá lớn giữa khách hàng thành viên và

khách hàng thường cụ thê khách hàng thành viên chiêm 50 1% trong khi khách hàng thường

chiêm 49.9% và chỉ chênh lệch 0.2%

Có thê nói rằng, dù khách hàng không thành viên hay thành viên cũng không ảnh hưởng đến sô lượng khách hàng đến mua sắm, điều này chỉ ra những chiến lược bán hàng của siêu thị vấn chưa có sự hấp dẫn đối với khách hàng thành viên Do đó muốn tăng thêm sự hải lòng của khách hàng, gia tăng số lượng khách hàng đăng ký thành viên thi siêu thị cần đưa ra nhiều hơn những voucher ưu đãi, khuyến mãi hấp dẫn hay các chương trình tri ân khách hàng là thành

viên Siêu thị cần đưa ra nhiều hơn những lợi ích thiết thực hơn nhằm khuyến khích khách hàng thường trở thành khách hàng thành viên của siêu thị

Dữ liệu 2

255

230 225 mw Member gw Norma!

Biéu do 2: Biéu do thé hién gidi tinh khMch hang

mãi đề chỉ tiêu hợp lý và thông minh hơn và có thê là khách h àng tiềm năng hơn

Dữ liệu 3

5O 40

10

x 1 2 3 4 5 6 7 8 9 10 mMember 57 43 as 61 48 42 51 41 51 63 mNormail 55 48 46 48 54 56 51 ¬ 41 56

Biểu đồ 3: Biểu đồ thể hiện số lượng hàng mua

Nhận xét:

Co thé thay, không có sự khác biệt lớn về số lượng khách hàng thành viên hay không

thành viên trong việc mua nhiều hàng nhất (10 sản phẩm) hay mua ít hàng nhất (1 sản phẩm) bởi vì vào từng thời điêm và nhu cầu mua sắm của mỗi người là khác nhau

Dữ liệu 4

2oo 180 160 140

oa = 100

40 20 Oo

Cash Credit card Ewallet

Đối với phương thức thanh toán bằng tiền mặt: Không có sự chênh lệch đáng kê và gần như ngang băng nhau

Đối với phương thức thanh toán bằng thẻ tín dụng: Có sự chênh lệch rõ rang, khach hàng thành viên có thói quen dùng thẻ tín dụng đề thanh toán chiêm 55,3% trong tong so khach hàng thanh toán băng thẻ tín dụng và khách hàng thường thi chỉ chiêm 44,79%

Đối với phương thức thanh toán bằng ví điện tử: Cũng có sự chênh lệch giữa khách hàng thành viên và không thành viên Tuy nhiên, trái với 2 phương thức thanh toán trên thì ở phương thức này số khách hàng thường chiêm 53,3% trên tông số khách hàng thanh toán qua ví điện tử có tý lệ lớn hơn khách hàng thành viên (46,73%)

=>Công nghệ phát triên, thanh toán không còn chỉ dùng mỗi tiền mặt mà đã phát triển thêm nhiêu phương thức khác hiện đại hơn Người tiêu dùng có thê dê dàng lựa chọn phương thức

thanh toán tiện lợi, hữu dụng cũng như mang lại nhiều lợi ích hơn cho mình

Ở thành phô Mandalay, khách hàng thành viên (49,7%) ít hơn khách hàng thường

(50,3%) Tỷ lệ không có sự chênh lệch quá lớn

Ở thành phô Yangon, khách hành thường (50,9%) cũng chiếm tỉ lệ cao hơn khách hàng thường (49,1%) là 1,8%

Trong khi đó, ở thủ đô Naypyidaw lại có sô lượng khách hàng là thành viên chiếm 51,5% trên tong số khách hàng ở đó và nhiều hơn 3% so với khách hàng thường (48,5%).

=> Từ các thông số trên cho thấy ảnh hưởng rõ rệt của vị trí các chỉ nhánh siêu thị đôi với phân loại khách hàng Ở thủ đô thì lượng khách đăng ký thành viên nhiều hơn hăn so với lượng khách thường có thể do nhu cầu mua sắm, sinh hoạt ở thủ đô cao hơn so với các vùng lân cận vì vậy việc đăng ký thành viên sẽ góp phần mang lại nhiều lợi ích và thuận tiện hơn cho khách hàng

Dữ liệu 6

Xếp hạng

60

dudi4.5 dưới5 dưới5.5 dưới6 dưới65 dưới? dưới75 dưới8 dưới85 dưới9 dưới96 “⁄"*

RMember 45 Á( 42 41 36 46 43 40 40 48 31 49 RNormal 40 28 40 39 56 46 45 44 37 38 42

phải cải thiện chất lượng dịch vụ, tạo ấn tượng mạnh cho khách hàng ngay từ thời điểm ban

đầu họ tiếp cận đến siêu thị

Tuy nhiên sự chênh lệch này rat nhỏ và có sự thay đôi liên tục không có định Qua các thông số trên biểu đồ thi ta thấy việc xếp, hạng đánh giá mua sắm của khách hàng còn Phụ thuộc vào nhiều yếu tố khác nhau như: số lượng hàng mua, loại sản phẩm mua, đơn giá

Từ các thông sô trên thì ta nhận thay rang khach hang thanh vién tap trung nhiéu nhất ở thang điểm từ 9.5 trở lên trong bảng xếp hạng đánh giá trải nghiệm mua săm tông thê Qua đó có thé thay rang hau hết các khách hàng thành viên đều cảm thay hai long với những trải

nghiệm tuyệt vời khi mua sắm tại siêu thị

20

@ Normal 0

Tuy nhiên, ở những mặt hàng về điện tử,thời trang, sức khỏe, làm đẹp thì lượng khách hàng thường lại chiếm tỷ lệ nhiều hơn khách hàng thành viên Doanh nghiệp nên cân nhắc thêm một số chiến lược ưu đãi, cải thiện sản phẩm đề gia tăng số lượng khách hàng thành viên hơn

=>Qua đó,doanh nghiệp có thê tập trung vào việc tối ưu hóa chiến lược tiếp thi va sản phẩm trong các lĩnh vực có mức độ tiềm năng cao, đồng thời xem xét cải thiện trong những lĩnh vực có mức độ tiềm năng thấp Điều nay co thé giúp tăng doanh số bán và tăng cường mối quan hệ với khách hàng

2.4.3 Kết luận bài toMn 1