môn trí tuệ nhân tạo trong kỷ nguyên chuyển đổi số các yếu tố ảnh hưởng đến doanh thu trong kinh doanh ngành mỹ phẩm và làm đẹp

Kết quả phân tích mô tảSau khi thực hiện chuỗi các câu lệnh sẽ thu được kết quả là một bảng thống kê, cung cấpthông tin về phân bố và tính biến động của các biến số dạng số trong tập dữ

TẠI THÀNH PHỐ HỒ CHÍ MINH

BÁO CÁO GIỮA KÌ

MÔN: TRÍ TUỆ NHÂN TẠO TRONG KỶ NGUYÊN CHUYỂN ĐỔI SỐ

CÁC YẾU TỐ ẢNH HƯỞNG ĐẾN DOANH THUTRONG KINH DOANH NGÀNH MỸ PHẨM VÀ LÀM ĐẸP

GIẢNG VIÊN HƯỚNG DẪN: NGUYỄN THỊ HOÀNG ANHMÃ LỚP: 132

KHÓA: 61NHÓM: 20

Thành phố Hồ Chí Minh, Tháng 6 Năm 2024

DANH SÁCH THÀNH VIÊN

MỤC LỤC

CHƯƠNG 1: TỔNG QUAN DỰ ÁN 5

1.1 Mục tiêu nghiên cứu dự án 5

1.2 Lý do chọn đề tài: 5

1.3 Dữ liệu và phương pháp nghiên cứu: 5

CHƯƠNG 2: TIẾN HÀNH PHÂN TÍCH DỮ LIỆU 7

2.1 Mô tả và làm sạch dữ liệu 7

2.1.1 Chuẩn bị dữ liệu 7

2.1.2 Phân tích mô tả 12

2.2 Phân tích dữ liệu 14

2.2.1 Mô hình Linear Regression (Hồi quy tuyến tính) 14

2.2.2 Mô hình Random Forest 15

Tóm tắt: Phân tích dữ liệu trong lĩnh vực Mỹ phẩm và Làm đẹp, bao gồm chi tiết sản

phẩm, số liệu bán hàng, nhân khẩu học khách hàng và thông tin hậu cần để đánh giá toàndiện ngành Mỹ phẩm và Làm đẹp hiện nay Trong nghiên cứu này sử dụng dữ liệu từnghiên cứu của Mozhgan Assari (tháng 4/2024) và các mô hình học máy, cùng với cáccông cụ phân tích dữ liệu, nhằm cung cấp thông tin hữu ích cho các nhà quản lý và ngườitiêu dùng trong việc đưa ra các quyết định sáng suốt và có trách nhiệm, từ xu hướng bánhàng và sở thích của khách hàng đến tối ưu hóa chuỗi cung ứng và hiệu quả tiếp thị, giúpcác doanh nghiệp phát triển và đạt được lợi thế cạnh tranh.

Abstract: Analyze data in the Cosmetics and Beauty sector, including product details,

sales figures, customer demographics and logistics information to comprehensivelyevaluate today's Cosmetics and Beauty industry In this study, data from MozhganAssari's research (April 2024) and machine learning models are used, along with dataanalysis tools, to provide useful information for managers and consumers in makinginformed and responsible decisions, from sales trends and customer preferences to supplychain optimization and marketing effectiveness, helping businesses grow and achievecompetitive advantage.

CHƯƠNG 1: TỔNG QUAN DỰ ÁN1.1 Mục tiêu nghiên cứu dự án

Nhóm nghiên cứu dự án này nhằm mục tiêu khám phá và hiểu rõ hơn về các xu hướng,mô hình và hành vi tiêu dùng, và những yếu tố ảnh hưởng trong lĩnh vực Mỹ phẩm vàLàm đẹp Sau đó, nhóm sẽ đi vào phân tích dữ liệu và các mô hình nhằm đánh giá sâuhơn Lĩnh vực này trong thời đại hiện nay.

1.2 Lý do chọn đề tài:

Lĩnh vực Mỹ phẩm và Làm đẹp là một ngành công nghiệp có sức ảnh hưởng lớn đối vớivăn hoá xã hội và kinh tế toàn cầu Xu hướng Mỹ phẩm và làm đẹp đang ngày càng thayđổi liên tục, đòi hỏi sự nghiên cứu và cập nhật liên tục để hiểu rõ hơn về những biến đổinày Ngày càng có nhiều sự quan tâm đến các vấn đề bền vững và trách nhiệm xã hộitrong ngành Mỹ phẩm và làm đẹp, làm nổi bật sự cần thiết của các nghiên cứu liên quan.Dự án nghiên cứu này không chỉ đóng góp vào việc hiểu biết sâu sắc hơn về ngành Mỹphẩm và làm đẹp mà còn cung cấp các thông tin hữu ích cho các nhà quản lý, nhà thiếtkế, và người tiêu dùng trong việc đưa ra các quyết định sáng suốt và có trách nhiệm nênnhóm đã quyết định thực hiện dự án nghiên cứu này.

1.3 Dữ liệu và phương pháp nghiên cứu:

Sau khi tìm hiểu nhóm đi vào phân tích dữ liệu và mô hình từ xu hướng bán hàng và sởthích của khách hàng đến tối ưu hóa chuỗi cung ứng và hiệu quả tiếp thị, hoạt động khámphá của nhóm nhằm mục đích tìm kiếm và phân tích những hiểu biết sâu sắc có giá trị cóthể thúc đẩy tăng trưởng kinh doanh và lợi thế cạnh tranh trong lĩnh vực này Để đạt đượccác mục tiêu đã đề ra nhóm đã sử dụng dữ liệu và các phương pháp nghiên cứu sau:Nguồn dữ liệu: Analysis of fashion and beauty dataset - Author: Mozhgan Assari - April2024.

Nghiên cứu tài liệu: Tổng hợp và phân tích các tài liệu, báo cáo, và bài viết liên quan đếnlĩnh vực Mỹ phẩm và làm đẹp, thu thập dữ liệu về hành vi và sở thích tiêu dùng.

Phân tích dữ liệu: Sử dụng các công cụ phân tích dữ liệu để xử lý và phân tích các dữ liệuthu thập được từ dữ liệu thứ cấp và các bảng dữ liệu.

CHƯƠNG 2: TIẾN HÀNH PHÂN TÍCH DỮ LIỆU2.1 Mô tả và làm sạch dữ liệu

2.1.1 Chuẩn bị dữ liệu

Trước khi phân tích dữ liệu, việc làm sạch và xử lý sơ bộ là rất cần thiết để đảm bảo độchính xác và độ tin cậy của kết quả Quá trình làm sạch và xử lý bao gồm xử lý các giá trịbị thiếu bằng cách gán giá trị hoặc xóa, loại bỏ các bản sao để đảm bảo tính thống nhất,và kiểm tra định dạng dữ liệu để đảm bảo tính tương thích cho các phép tính toán học.

Hình 2.1 Kết quả nhập và kiểm tra sơ bộ dữ liệu

Đoạn mã trên giúp nhập dữ liệu chuỗi cung ứng đã được đọc từ file CSV"supply_chain_data.csv", kiểm tra sơ bộ để nắm bắt thông tin cơ bản của dữ liệu.

Hình 2.2 Các bước làm sạch dữ liệu

Đồng thời làm sạch dữ liệu bằng cách loại bỏ các hàng trống, hàng trùng lặp và chuẩnhóa tên cột Ngoài ra, đoạn mã còn xác định số lượng giá trị bị thiếu và kiểu dữ liệu củamỗi cột, giúp hiểu rõ hơn về chất lượng dữ liệu, cũng như kiểm tra xem tất cả các "SKU"có duy nhất hay không, đảm bảo tính chính xác của dữ liệu.

Hình 2.3 Kết quả kiểm tra sơ bộ

Kiểm tra sơ bộ cho thấy tập dữ liệu bao gồm 100 quan sát với 22 biến, không có biến nàocó giá trị trống, mỗi biến được mô tả chi tiết về kiểu dữ liệu ở bảng 2.1.

STTTên biếnÝ nghĩaKiểu dữ liệu

7 Inspection results Kết quả kiểm tra object

8 Transportationmodes

Phương tiện vậnchuyển

object

17 Stock levels

Mức tồn kho (sốlượng sản phẩm

trong kho)

19 Order quantities Số lượng đơnhàng

20 Shipping times Thời gian vậnchuyển

int64

23 Manufacturing

lead time Thời gian sản xuất

Bảng 2.1 Các biến và mô tả biến

2.1.2 Phân tích mô tả

Để hiểu rõ hơn về tập dữ liệu, cần thực hiện thống kê, phân tích dữ liệu nhằm tóm tắt cácđặc điểm chính Qua đó, có cái nhìn tổng quan ban đầu về dữ liệu và nắm bắt được cáctính năng quan trọng Bằng cách tính toán các biện pháp xu hướng trung tâm như trungbình, trung vị, mode và các biện pháp biến động như độ lệch chuẩn, phạm vi cho các biếnsố, từ đó có được những hiểu biết sâu sắc về các giá trị điển hình và mức độ biến độngcủa dữ liệu.

Hình 2.4 Các bước thực hiện phân tích mô tả

Hình 2.5 Kết quả phân tích mô tả

Sau khi thực hiện chuỗi các câu lệnh sẽ thu được kết quả là một bảng thống kê, cung cấpthông tin về phân bố và tính biến động của các biến số dạng số trong tập dữ liệu như trên.Từ đó, có thể dựa vào dữ liệu này để phân tích mối quan hệ giữa các biến, cũng như đánh

giá các chiến lược kinh doanh cho phù hợp với xu hướng giá của thị trường, tinh chỉnh lạithời gian và chi phí để tối ưu hóa hiệu suất kinh doanh.

2.2 Phân tích dữ liệu

2.2.1 Mô hình Linear Regression (Hồi quy tuyến tính)

Linear Regression (hồi quy tuyến tính) là một loại thuật toán học máy có giám sát đượcdùng để tính toán mối quan hệ tuyến tính giữa biến phụ thuộc và một (hoặc nhiều) biếnđộc lập bằng cách khớp phương trình tuyến tính với dữ liệu được quan sát (GeekforGeek,2024)

Để đánh giá mức độ phù hợp của một mô hình hồi quy tuyến tính, các thước đo phổ biếnnhất là:

- MSE (Sai số bình phương trung bình): đánh giá mức trung bình của chênh lệchbình phương giữa giá trị thực tế và giá trị dự đoán cho tất cả các điểm dữ liệu Chỉsố MSE càng thấp thì mô hình có hiệu suất cao hơn trong việc thực hiện các dựđoán.

- Chỉ số R-square: cho biết mức độ biến đổi mà mô hình có thể giải thích được.R-square luôn nằm trong khoảng từ 0 đến 1 Nói chung, mô hình càng khớp với dữliệu thì số R-square càng lớn.

Sau đây là kết quả phân tích mức độ phù hợp của mô hình:

Hình 2.6 Kết quả phân tích mức độ phù hợp của mô hình Linear Regression

Có thể thấy, chỉ số MSE (Sai số bình phương trung bình) của mô hình là 16184218.25(hơn 16 triệu) là một con số lớn, chứng tỏ sai số bình phương trung bình của mô hình làcao Hơn nữa chỉ số R-square chỉ ở mức -1.01, là một kết quả không phù hợp Do đó,nhóm đã tiến hành thực hiện phân tích (Random forest).

2.2.2 Mô hình Random Forest

Random Forest (mô hình rừng cây) là một phương pháp thống kê được mô hình hóa bằngmáy nhằm mục đích phân loại, tính hồi quy và các nhiệm vụ khác bằng cách xây dựngnhiều cây quyết định (Decision tree) Random Forest có khả năng tìm ra thuộc tính nàoquan trọng hơn so với những thuộc tính khác (Phạm Minh Hải & Nguyễn NgọcQuang, 2019).

Để đánh giá mức độ phù hợp của một mô hình hồi quy tuyến tính, các thước đo phổ biếnnhất cũng là: MSE (Sai số bình phương trung bình) và chỉ số R-square.

Hình 2.7 Kết quả đánh giá hiệu suất mô hình Random Forest

Kết quả đánh giá hiệu suất cho thấy mô hình Random Forest vượt trội so với mô hình hồiquy tuyến tính trong việc dự đoán dữ liệu MSE (Sai số bình phương trung bình) của môhình Random Forest thấp hơn nhiều, chỉ 25.25, trong khi điểm số R-square đạt 0.7339,cho thấy mô hình giải thích được 73.39% biến thiên của dữ liệu Điều này trái ngược vớiđiểm số R-square âm của mô hình hồi quy tuyến tính, chứng tỏ Random Forest có khảnăng dự đoán chính xác hơn.

Do đó, nhóm quyết định sử dụng mô hình Random Forest để đo lường các yếu tố ảnhhưởng đến doanh thu trong kinh doanh ngành mỹ phẩm Và ảnh bên dưới chính là kếtquả phân tích mức độ quan trọng của các nhân tố trong việc quyết định doanh thu trongkinh doanh ngành mỹ phẩm và làm đẹp.

Hình 2.8 Kết quả đánh giá hiệu suất mô hình Random Forest

Kết quả đánh giá hiệu suất cho thấy mô hình Random Forest vượt trội so với mô hình hồiquy tuyến tính trong việc dự đoán dữ liệu MSE (Sai số bình phương trung bình) của môhình Random Forest thấp hơn nhiều, chỉ 25.25, trong khi điểm số R-square đạt 0.7339,cho thấy mô hình giải thích được 73.39% biến thiên của dữ liệu Điều này trái ngược vớiđiểm số R-square âm của mô hình hồi quy tuyến tính, chứng tỏ Random Forest có khảnăng dự đoán chính xác hơn.

Do đó, nhóm quyết định sử dụng mô hình Random Forest để đo lường các yếu tố ảnhhưởng đến doanh thu trong kinh doanh ngành mỹ phẩm Và ảnh bên dưới chính là kếtquả phân tích mức độ quan trọng của các nhân tố trong việc quyết định doanh thu trongkinh doanh ngành mỹ phẩm và làm đẹp.

Hình 2.9 Kết quả phân tích mức độ quan trọng của các nhân tố trong việc quyếtđịnh doanh thu (Xếp theo thứ tự mức độ quan trọng giảm dần)

Từ kết quả phân tích, yếu tố có tầm quan trọng nhất là Chi phí sản xuất(manufacturing_costs) tiếp theo lần lượt là Tỷ lệ lỗi (defect_rates), Mức tồn kho(stock_levels), Sản lượng sản xuất (production_volumes), Khả năng cung ứng(availability) Các yếu tố khác như Thời gian từ khi đặt hàng đến khi giao hàng(lead_time), Chi phí vận chuyển (shipping_costs), Thời gian sản xuất(manufacturing_lead_time), Chi phí (costs), và Số lượng sản phẩm bán ra(number_of_products_sold) cũng nằm trong số các yếu tố quan trọng hàng đầu.

Cũng có nhiều bài nghiên cứu đưa ra kết quả cũng như khuyến nghị tương tự Sản phẩmmỹ phẩm là những sản phẩm tiêu dùng quan trọng, thiết yếu trong cuộc sống của mỗingười Các công ty mỹ phẩm phải liên tục cải thiện sản phẩm của mình để tồn tại trongthị trường cạnh tranh cao, nơi người tiêu dùng mong đợi nhiều sự lựa chọn và hiệu quảngày càng tăng (Bom và cộng sự, 2019; Secchi và cộng sự, 2016) Sự cạnh tranh caokhuyến khích các công ty mỹ phẩm châu Âu liên tục sản xuất các sản phẩm mới và đượccải thiện hoặc thay đổi danh mục sản phẩm để đáp ứng kỳ vọng của người tiêu dùng(Manteghi, 2017; Yaramenko-Gasiuk & Lukovets, 2021) Do đó, không sớm thì muộn,quy trình sản xuất của các công ty sẽ gặp khó khăn khi kết quả kinh doanh không còn

thỏa mãn nhu cầu của người tiêu dùng Khi đó, việc cải tiến quy trình sản xuất trở nênquan trọng hơn bao giờ hết, và một trong những chiến lược chính là giảm thiểu chi phísản xuất nhằm tăng năng suất, cải thiện chất lượng sản phẩm (Afteni & Frumuşanu,2017).

Như vậy, giá sản xuất đóng vai trò then chốt trong việc cung cấp cho các công ty mỹphẩm lợi thế cạnh tranh trong thị trường đầy biến động hiện nay Các doanh nghiệp có thểcải thiện năng suất, chất lượng sản phẩm và giảm giá thành bằng cách tối ưu hóa chi phísản xuất, khiến họ có thể thu hút nhiều khách hàng hơn và tăng doanh thu Từ đó, giúpcác doanh nghiệp mỹ phẩm duy trì vị thế cạnh tranh, đáp ứng nhu cầu của khách hàngngày càng tăng và kiếm được lợi nhuận bền vững.

CHƯƠNG 3: KẾT LUẬN3.1 Kết luận

Phân tích các yếu tố ảnh hưởng đến doanh thu trong kinh doanh ngành Mỹ phẩm và Làmđẹp một cách chính xác, nhanh chóng bằng các phương pháp học máy sẽ là bước đẩyquan trọng giúp cho các doanh nghiệp tự chủ trong mọi hành động, đưa ra những quyếtđịnh đúng đắn nhằm tránh những rủi ro xấu trong kinh doanh Qua kết quả nghiên cứu,các yếu tố quan trọng mà các chủ doanh nghiệp cần xem xét khi kinh doanh trong ngànhMỹ phẩm và Làm đẹp bao gồm Chi phí sản xuất, Tỷ lệ lỗi, Mức tồn kho, Sản lượng sảnxuất, Khả năng cung ứng.

3.2 Những thành công và hạn chế3.2.1 Những hạn chế:

Một số biến độc lập như: các SKU (sku) và Đường đi (routes) trong mô hình chưa thựcsự phù hợp, đã làm tăng độ phức tạp, giảm tốc độ phân tích dữ liệu và giảm độ chính xáccủa mô hình.

Mô hình Random Forest do nhóm lựa chọn để phân tích tuy đã có những cải thiện so vớimô hình Linear Regression nhưng vẫn có thể được cải thiện hơn trong tương lai để phùhợp với các chiến lược kinh doanh và điều kiện thị trường cụ thể.

3.2.2 Những thành công:

Tuy có một số hạn chế, bài phân tích của nhóm cũng đã đưa ra những đặc trưng cơ bảncủa bộ dữ liệu thu thập được, đồng thời thử nghiệm 2 mô hình và chọn được mô hìnhhiệu quả hơn và đưa ra được mức độ quan trọng của những yếu tố ảnh hưởng đến doanhthu kinh doanh trong ngành mỹ phẩm và làm đẹp.

- Giảm tỷ lệ lỗi sản phẩm: bằng cách tập trung vào việc kiểm tra chất lượng sảnphẩm, cải tiến quy trình kiểm soát chất lượng, và đào tạo nhân viên.

- Quản lý tồn kho hiệu quả: việc quản lý tồn kho hiệu quả là cần thiết Sử dụng hệthống quản lý tồn kho tự động và dự báo nhu cầu chính xác để duy trì mức tồn khohợp lý, giảm thiểu tình trạng thiếu hụt hoặc dư thừa hàng tồn kho.

TÀI LIỆU THAM KHẢO

1 Afteni, C., & Frumuşanu, G (2017) A review on optimization of manufacturing

process performance International Journal of Modeling and Optimization, 7(3),

2 BBom, S., Jorge, J., Ribeiro, H M., & Marto, J (2019) A step forward on

sustainability in the cosmetics industry: A review Journal of Cleaner Production,

225, 270–290.

3 GeekforGeek (2024) “Linear Regression in Machine learning”.

4 Hải, P M., & Quang, N N (2019) Khái niệm về phương pháp random foresttrong cuộc cách mạng machine learning và định hướng ứng dụng trong lĩnh vực

viễn thám Tạp chí Khoa học Đo đạc và Bản đồ, (39), 15-19.

5 Manteghi, M (2017) European cosmetics industry: Main aspects and regulation.

SSRN Electronic Journal.

6 Secchi, M., Castellani, V., Collina, E., Mirabella, N., & Sala, S (2016) Assessingeco-innovations in green chemistry: Life Cycle Assessment (LCA) of a cosmetic

product with a biobased ingredient Journal of Cleaner Production, 129, 269– 281.

7 Yaramenko-Gasiuk, O., & Lukovets, T (2021) Some geographical aspects of

world’s perfume and cosmetic industry In International Scientific and Practical

Conference Geography and local history (pp 179–187) Oslo Interconf.