Bài tiểu luận môn lập trình python cho phân tích dữ liệu Đề tài ứng dụng python trong phân tích dữ liệu các chiến dịch tiếp thị ngân hàng

NGAN HANG NHA NU‘OC VIET NAM BO GIAO DUC VA DAO TAO TRUONG DAI HOC NGAN HANG THANH PHO HO CHi MINH KHOA KHOA HOC DU’ LIEU TRONG KINH DOANH BÀI TIỂU LUẠN MON: LAP TRINH PYTHON CHO PHA

NGAN HANG NHA NU‘OC VIET NAM BO GIAO DUC VA DAO TAO

TRUONG DAI HOC NGAN HANG THANH PHO HO CHi MINH KHOA KHOA HOC DU’ LIEU TRONG KINH DOANH

BÀI TIỂU LUẠN MON: LAP TRINH PYTHON CHO PHAN TICH DU’ LIEU

Đề tài: Ứng dụng Python trong phân tích dữ liệu các chiến dịch tiếp thị ngân hàng

Nhóm sinh viên thực hiện:

Họ và tên: Phan Văn Khải MSSV: 050610220227

Họ và tên: Trương Trần Kỳ Phương MSSV:050610220475

Họ và tên: Nguyễn Thị Vân Thương MSSV: 050610220607

Họ và tên: Nguyễn Anh Dũng MSSV: 050609211tíótí

Họ và tên: Đặng Trọng Khải MSSV: 050610220226

Lớp: DAT70tí_2321_10_L14 Giảng viên: ThS Trần Doãn Hiếu

Tp Hồ Chí Minh ngày 1ó tháng 04 năm 2024

1 5 Ÿ | 050610220475 | Phan tich du lieu, lam 100ti

Phương python , chinh tiểu luận

2 Phan Van Khai 050610220227 | ec dt lieu, lam python, | ;ooy

viết tiểu luận

3 Nguyễn Thị Vân 050610220607 Phân tích dữ liệu, viết 1004

4 Nguyễn Anh Dũng | 050609211868 an ten au ied, Nie 85ti

tiểu luận

CHƯƠNG 2: DU? LIEU VA NOI DUNG ccccsccssecsecssecoecsseesesssecseecseceessessesssessessseesesssesaentees 10

2.1 NSUON BOC ce ceeccsscscesscessccssecesssessscesscessscssecesscessecesscessuessesesssesssessecesssesstecseeees 10

2.2 XUN ASU ce eccecccseeccseccsseccssecssucccsuecsssecsseccssecessscssuccssucsssucssucsssuccsssesssesssecesseesees 10

2.3 Đặc điểm L.QQL HQ HH HH HH TH TH HH ngưng Hưct 10

2.4 Mô tả dữ liệu bằng các công cụ trực quan hóa - 25 sec secsxesesersez 11

CHƯƠNG 3: CÔNG CỤ 2: 21 2212212211111221111122TE11122T1TE.TTEEE.EEE.EEEErrre 13

Kha ha 13

EU À0 9i 14 B.4 Thư Viện Panndas - - 30101061 101101 1111111114014 0 0000 0 3 RE 15

CHUNG 4: KET QUA VA THAO LUAN cccecsecsseccuesseccoessecsucssecssessucsecsucetsatsarsucecesesanseeevess 16

4.1.1 Phân tích thống kê cho biến tuổi (Age) - /- 2à S.n Sn SH cay 1ó 4.1.2 Phân tích thông kê cho biến trình độ học vấn (Education) - 17 4.1.3 Phân tích thống kê cho biến số cuộc gọi thực hiện (Campaign) 19 4.1.4 Phân tích thống kê cho biến khoản vay cá nhân (Loan) 20 4.1.5 Phân tích thống kê cho biến vỡ nợ (Default) - -5s< + << c<ss< se 22 4.1.ó Phân tích thống kê cho biến tình trạng hôn nhân (Marital) - 23 4.1.7 Phân tích thống kê cho biến số dư trung bình hàng năm ( Balance ) 25

4.2 Phân tích sự tương quan giữa các biến . - o2 + c2 s ng ve, 2ó

4.2.1 Sự tương quan giữa biến “ Giáo dục” và “Số dư tài khoản” - 2ó

4.2.2 Sự tương quan giữa biến “Tình trạng hôn nhân” và “Khoản vay” 4.2.3 Sự tương quan giữa biến “Balance”, “Loan” và “Default”

CHƯƠNG 5: KẾT LUẠN 22 E119 1 111919111 1 191515101 11H11 ng HH Tưng cà TAI LIEU THAM KHAO

DANH MỤC HÌNH ẢNH Ảnh 3.1 Ví dụ về Python

Ảnh 3.2 Ví dụ về thư viện Numpy

Ảnh 3.3.Ví dụ về thư viện Matplotlib

Ảnh 3.4 Ví dụ về thư viện Pandas

Ảnh 4.1.2.1.Bảng thống kê biến Education

Ảnh 4.1.2.2.Bảng thống kê phần trăm số người đồng ý sử dụng dịch vụ trong nhóm có trình độ học vấn Secondary

Ảnh 4.1.2.5.Bảng thống kê phần trăm số người đồng ý sử dụng dịch vụ trong nhóm có trình độ học vấn Tertiary

Ảnh 4.1.3.1.Bảng thống kê biến Campaign

Ảnh 4.1.3.2 Bảng thống kê số người đồng ý sử dụng dịch vụ trong nhóm số cuộc gọi được thực hiện

Ảnh 4.1.4.1.Bảng thống kê biến Loan

Ảnh 4.1.4.2.Bảng thống kê phần trăm số người không có khoản vay cá nhân đồng ý sử dụng dịch vụ ngân hàng

Ảnh 4.1.5.1 Bảng thống kê biến Default

Ảnh 4.1.5.2 Bảng thống kê phần trăm số người không vỡ nợ đồng ý sử dụng dịch vụ của ngân hàng

Anh 4.1.ó.1 Bảng thống ké bién Marital

Ảnh 4.1.ó.2.Bảng thống kê phần trăm số người đồng ý sử dụng dịch vụ trong từng nhóm tình trạng hôn nhân

Ảnh 4.1.7.1 Bảng thống kê biến Balance

Ảnh 4.1.7.2 Bảng thống kê phần trăm số người đồng ý sử dụng dịch vụ trong các nhóm

số dư trung bình năm

DANH MUC BANG BIEU

Biểu đồ 2.4.1 Ví dụ trực quan hóa dữ liệu bằng biểu đồ cột

Biểu đồ 2.4.2 Ví dụ trực quan hóa dữ liệu bằng biểu đồ tròn

Biểu đồ 4.1.1.2 Biểu đồ cột biến tuổi

Biểu đồ 4.1.1.2 Biểu đồ cột biến tuổi

Biểu đồ 4 1.2.3 Biểu đồ cột biến Education

Biểu đồ 4.1.2.4 Số người đồng ý sử dụng dịch vụ trong nhóm có trình độ học vấn Secondary

Biểu đồ 4.1.2.ó Số người đồng ý sử dụng dịch vụ trong có trình độ học vấn Tertiary Biểu đồ 4 1.3.3 Biểu đồ cột biến Campaign

Biểu đồ 4.1.3.4 Số người đồng ý sử dụng dịch vị trong các nhóm Campaign

Biểu đồ 4.1.4.3 Biểu đồ cột của biến Loan

Biểu đồ 4.1.4.4 Số người chấp nhận dịch vụ trong nhóm không có khoản vay cá nhân Biểu đồ 4.1.5.3 Biểu đồ cột biến Default

Biểu đồ 4.1.5.4 Số người đồng ý dịch vụ trong nhóm không có vỡ nợ

Biểu đồ 4 1.ó 3 Biểu đồ biến Marital

Biểu đồ 4.1.ó.4 Biểu đồ số người đồng ý trong từng nhóm tình trạng nhôn nhân Biểu đồ 4 1.7.3 Biểu đồ biến Banlance

Biểu đồ 4 1.7.4 Biểu đồ số người đồng ý sử dụng dịch vụ trong số dư trung bình năm Biểu đồ 4.2 1.1 Số người trong nhóm Education và Balance

Biểu đồ 4.2.1.2 Số người chấp nhận dịch vụ trong nhóm Education và Balance Biểu đồ 4.2.2.1 Số người có khoản vay cá nhân trong nhóm tình trạng hôn nhân Biểu đồ 4.2.2.2 Số người không có khoản vay cá nhân trong nhóm tình trạng hôn nhân

Biểu đồ 4.2.2.3 Số người trong nhóm Loan, Balance va Default Biểu đồ 4.2.3.1 Số dư trung bình năm trong nhóm Loan va Defaut Biểu đồ 4.2.3.2 Số người trong từng nhóm Balance, Loan va Default.

LOI NOI DAU

Trong bối cảnh phát triển không ngừng của ngành Ngân hàng, việc hiểu rõ hơn về hiệu

quả của các chiến dịch tiếp thị trực tiếp đóng một vai trò quan trọng trong việc tối ưu

hóa chiến lược kinh doanh Đặc biệt, Trong ngành Ngân hàng, sự cạnh tranh gay gắt và

sự đa dạng ngày càng tăng của sản phẩm và dịch vụ đòi hỏi các tổ chức phải có cái nhìn sâu sắc và hiểu biết vững về hành vi của khách hàng Đây là lúc mà phân tích dữ liệu trở nên quan trọng hơn bao giờ hết Chính vì vậy, dữ liệu đã trở thành một nguồn tài nguyên vô cùng quý giá, giúp chúng ta phân tích, đánh giá và dự đoán kết quả của các chiến lược tiếp thị Nghiên cứu này tập trung vào việc phân tích bộ dữ liệu của một

chiến dịch tiếp thị trực tiếp của một ngân hàng Bồ Đào Nha trong năm 2014 Bộ dữ liệu này không chỉ cung cấp thông tin về các chiến dịch tiếp thị mà còn chứa các biến số liên quan đến khách hàng và kết quả cuộc gọi tiếp thị như các biến định lượng gồm số cuộc gọi được thực hiện trong chiến dịch, tuổi, các biến định tính gồm: nợ, trình độ học vấn,

trợ: lập trình Python và các thư viện trong Python như thư viện Numpty, Pandas, Từ đó

đưa ra số liệu chính xác nhất cũng như các sơ đồ tương ứng để đưa ra cái nhìn tổng

quan và kết luận hiệu quả của bài phân tích Việc phân tích sâu hơn bộ dữ liệu này sẽ

giúp chúng ta hiểu rõ hơn về hiệu quả của các chiến dịch tiếp thị trực tiếp Từ đó, họ có thể tối ưu hóa chiến lược tiếp thị, tăng cường tương tác với khách hàng và cung cấp các

sản phẩm, dịch vụ phù hợp Trong bài viết này, chúng ta sẽ khám phá những điều trên

một cách chỉ tiết nhất

CHU’ONG 1: MUC TIEU VA PHAM VI CUA BAO CAO

1.1 Sự cần thiết:

Phân tích dữ liệu trong lĩnh vực tiếp thị ngân hàng là một yếu tố quan trọng giúp các tổ

chức ngân hàng hiểu rõ hơn về thị trường, khách hàng và hành vi tiêu dùng Đặc biệt là đối với sinh viên chuyên ngành Tài chính-Ngân hàng Do đó chúng em quyết định thực hiện bài phân tích này để hiểu rõ hơn sự cần thiết của việc phân tích dữ liệu trong ngân hàng Sau đây là những lý do chúng em chọn phân tích dữ liệu trong ngân hàng:

« _ Hiểu rõ hơn về khách hàng: Phân tích dữ liệu giúp ngân hàng hiểu rõ hơn về đặc

điểm, nhu cầu, hành vi và ưu tiên của khách hàng Điều này giúp tạo ra các chiến

lược tiếp thị được cá nhân hóa và hiệu quả hơn

« _ Dự đoán hành vi khách hàng: Bằng cách sử dụng dữ liệu lịch sử và các mô hình dự đoán, ngân hàng có thể phân tích và dự đoán hành vi của khách hàng trong việc

việc sử dụng dịch vụ tài chính

« _ Xác định chiến lược tiếp thị hiệu quả: Giúp ngân hàng đánh giá hiệu quả của các

chiến lược tiếp thị hiện tại và điều chỉnh chiến lược phù hợp để tối ưu hóa lợi ích

« - Tăng cường trải nghiệm khách hàng: Ngân hàng có thể cải thiện trải nghiệm của khách hàng sau khi phân tích dữ liệu thông qua việc cung cấp nội dung cá nhân hóa và gợi ý sản phẩm Giúp khách hàng dễ dàng tiếp cận hơn đối với dịch vụ

« _ Tối ưu hóa chỉ phí tiếp thị: Bằng cách phân tích dữ liệu, ngân hàng có thể xác định

những kênh tiếp thị mang lại hiệu quả cao nhất và phân bổ nguồn lực một cách thông minh để tối ưu hóa chỉ phí

Trong ngành ngân hàng, tiếp thị đóng một vai trò không thể phủ nhận trong việc xác định và thực hiện chiến lược kinh doanh Tiếp thị giúp ngân hàng xây dựng và tăng cường thương hiệu thông qua việc tạo ra một hình ảnh và định vị độc đáo trong tâm trí của khách hàng Bằng cách sử dụng các chiến lược quảng cáo, tiếp thị giúp ngân hàng thu hút khách hàng mới và mở rộng cơ sở khách hàng Tuy nhiên, tiếp thị không chỉ dừng lại ở việc thu hút khách hàng mới, mà còn quan trọng trong việc duy trì và tăng cường mối quan hệ với khách hàng hiện tại Bằng cách gia tăng giá trị dịch vụ chăm sóc khách hàng và tạo ra các trải nghiệm tích cực, tiếp thị giúp ngân hàng duy trì lòng trung thành của khách hàng và tăng cường doanh số bán hàng Thông qua những điều trên ta

thấy rõ tầm quan trọng của việc phân tích dữ liệu tiếp thị ngân hàng để từ đó thay đổi các chiến lược tiếp thị phù hợp nhất với khách hàng

1.2 Mục tiêu:

Sau đây là những mục tiêu khi phân tích dữ liệu tiếp thị của ngân hàng

của một ngân hàng Vì khi họ tiếp thị đến khách hàng, điều họ mong muốn đó

chính là hiểu được khách hàng đang nghĩ gì và cần gì để đưa ra các loại dịch vụ phù hợp với từng đối tượng và thông qua đó để tăng doanh thu, doanh số ngân hàng

« _ Tăng cường nhận thức thương hiệu: Việc tiếp xúc trực tiếp với khách hàng thông qua các chiến dịch tiếp thị có thể giúp tăng cường nhận thức thương hiệu cho

ngân hàng, giúp nâng cao uy tín và tạo ra một ấn tượng tích cực

« _ Mở rộng nhóm khách hàng: Chiến dịch tiếp thị trực tiếp cũng có thể nhằm mục

tiêu tăng cường sự tham gia và tương tác của khách hàng với ngân hàng, từ việc

mở tài khoản mới đến việc sử dụng các sản phẩm và dịch vụ khác nhau của ngân hàng

„ _ Xây dựng mối quan hệ lâu dài: Bằng cách thiết lập một giao tiếp trực tiếp và cá nhân hóa với khách hàng, chiến dịch tiếp thị trực tiếp cũng có thể giúp xây dựng

mối quan hệ lâu dài với khách hàng, tạo ra sự trung thành và tăng cường giá trị khách hàng

« - Phát triển và thúc đẩy các sản phẩm và dịch vụ: Chiến dịch tiếp thị giúp các dịch

vụ ngân hàng giới thiệu rộng rãi Thúc đẩy phát triển các sản phẩm và dịch vụ của

ngân hàng, từ đó mở rộng danh mục sản phẩm và tăng cường doanh số bán hàng

Chiến dịch khảo sát lần này của ngân hàng đóng vai trò quan trọng trong việc nắm bắt thông tin và đánh giá thị trường Thông qua việc phân tích, ngân hàng có thể

hiểu rõ nhu cầu và xu hướng của khách hàng, xác định mục tiêu và chiến lược tiếp

thị, cũng như đánh giá hiệu quả của chiến lược đã triển khai Điều này giúp ngân hàng phát triển sản phẩm va dịch vụ phù hợp, xác định cách tiếp cận thị trường hiệu quả và duy trì sự cạnh tranh trong ngành Phân tích dữ liệu là bước quan trọng giúp ngân hàng thích nghỉ và phát triển trong môi trường kinh doanh ngày càng cạnh

tranh và biến đổi

1.3 Phạm vỉ báo cáo:

Dữ liệu có liên quan đến các chiến dịch tiếp thị trực tiếp của một tổ chức ngân hàng Bồ Đào Nha năm 2014 Các chiến dịch tiếp thị đều dựa trên các cuộc gọi điện thoại

CHU'ONG 2: DU’ LIEU VA NOI DUNG

Bộ dữ liệu "Bank Marketing" của một ngân hàng Bồ Đào Nha năm 2014 được biết đến

như là một tập dữ liệu phổ biến trong lĩnh vực khoa học dữ liệu và phân tích dữ liệu

được lấy trong kho lưu trữ máy học của ÚC Irvine( https://archive.ics.uci.edu/) Dưới đây là các thông tin về nguồn gốc, đặc điểm và nội dung của bộ dữ liệu này:

1

2.1 Nguồn gốc

Bộ dữ liệu bank marketing này được thu thập từ một chiến dịch tiếp thị của một ngân

hàng Bồ Đào Nha vào năm 2014

Chiến dịch tiếp thị này có thể là chiến dịch quảng cáo, gọi điện tới các khách hàng để

mời họ sử dụng sản phẩm hoặc dịch vụ ngân hàng

2.2 Xử lý dữ liệu

Đọc dữ liệu và kiểm tra: Đọc dữ liệu từ file gốc Sau đó kiểm tra các dữ liệu sai, thiếu Lọc dữ liệu: Sau kiểm tra, nếu có dữ liệu sai, thiếu Ta loại bỏ chúng ra mẫu chung Lọc

dữ liệu theo các chỉ tiêu, ví dụ: tuổi không được bằng 0

Trực quan quan hóa dữ liệu: Dùng python và các thư viện hỗ trợ, ta vẽ biểu đồ thống

kê, từ đó ta phân tích dữ liệu

Age (tuổi): Biến này cho biết độ tuổi của khách hàng tham gia vào chiến dịch tiếp

thị Ở những độ tuổi khác nhau sẽ có những quyết định mua hàng khác nhau Vì

vậy biến này thể hiện các tệp khách hàng ở từng độ tuổi

Campaign (số lượng liên hệ được thực hiện cho khách hàng): Biến này chỉ ra số lượng cuộc gọi đã được thực hiện với mỗi khách hàng trong chiến dịch tiếp thị Số

lượng cuộc gọi có thể phản ánh mức độ quan tâm của khách hàng đối với chiến

dịch Từ đó tìm ra khách hàng tiềm năng đối với ngân hàng

Balance (số dư trung bình hàng năm): Biến này được sử dụng trong chiến dịch để

đề cập đến số dư hiện có trong tài khoản ngân hàng của mỗi khách hàng Đây là

một thông tin quan trọng trong ngành ngân hàng, vì nó cho biết tình trạng tài

chính của khách hàng tại thời điểm cụ thể

Định tính:

Default (vỡ nợ): Biến này thể hiện rằng khách hàng đang được tiếp thị có đang

trong tình trạng vỡ nợ không Nếu có thì ngân hàng sẽ phải đánh giá kỹ lưỡng và đưa ra những chiến dịch phù hợp với khách hàng để đảm bảo lợi ích của đôi bên

Loan ( khoản vay cá nhân ): Biến này cho biết liệu khách hàng có khoản vay tại

ngân hàng hay không Khoản vay có thể ảnh hưởng đến khả năng chỉ tiêu và tiết

kiệm của khách hàng, cũng như quyết định về việc gửi tiền có kì hạn

Education (trình độ học vấn): Biến này chỉ ra trình độ học vấn của khách hàng Trình độ học vấn có thể ảnh hưởng đến thu nhập, lối sống và quyết định có gửi tiền có kì hạn hay không

Marital (tình trạng hôn nhân): Tình trạng hôn nhân đóng vai trò quan trọng trong quyết định gửi tiền của khách hàng Người kết hôn thường cảm thấy có trách

nhiệm tài chính lớn hơn, họ có xu hướng tiết kiệm và đầu tư một cách cẩn thận

hơn để đảm bảo tương lai ổn định cho gia đình Ngược lại, người độc thân thường

thích đầu tư vào các khoản mang lại giá trị cao hơn việc chọn gửi tiền vào ngân hàng

Có thể xem các biến trong bộ dữ liệu này cung cấp thông tin về các yếu tố có thể ảnh hưởng đến kết quả của chiến dịch tiếp thị trực tiếp của ngân hàng, bao gồm “age”,

“default”, “campaign”, “loan”, “balance”, “marital”, “education” Điều này giúp ngân hàng hiểu rõ hơn về đối tượng mục tiêu và tùy chỉnh chiến lược tiếp thị một cách hiệu quả Từ đó tối ưu hóa giá trị ngân hàng

2.4 Mô tả dữ liệu bằng các công cụ trực quan hóa

Để mô tả dữ liệu về chiến dịch tiếp thị qua điện thoại của một ngân hàng Bồ Đào Nha

năm 2024, chúng ta có thể sử dụng python và các thư viện hỗ trợ để trực quan hóa dữ

liệu:

Biểu đồ cột(Bar chart)

Biểu đồ cột có thể được sử dụng để thể hiện số lượng liên hệ được thực hiện trong chiến dịch, khoản vay cá nhân, trình độ học vấn, tuổi sẽ ảnh hưởng như thế nào đến quyết định gửi tiền Công cụ này sẽ giúp trực quan hóa dữ liệu và cung cấp cái nhìn tổng quan về hoạt động tiếp thị qua điện thoại của ngân hàng ở Bồ Đào Nha

các ngành tuyển sinh của trường đại học Ngân Hàng

Biểu đồ 2.4.1 Ví dụ trực quan hóa dữ liệu bằng biểu đồ cột

Biểu đồ tròn (Pie chart}

Sử dụng để so sánh giữa các biến như biến tỷ lệ trình độ học vấn của khách hàng và biến

tỉ lệ những khách hàng đồng ý sử dụng dịch vụ để phản ánh xu hướng của những đối tượng khách hàng khi khác nhau nhau trình độ học vấn Từ đó có những chiến lược phù hợp

15

Python C++

Ruby Java

biến nhất hiện nay

Ưu Điểm

Python có cú pháp đơn giản, đa mục đích, có cộng đồng phát triển lớn mạnh, tích hợp

tốt với các ngôn ngữ khác, hiệu suất phát triển cao, và hỗ trợ đa nền tảng

Nhược điểm

e© _ Hiệu suất: Python thường không nhanh như các ngôn ngữ lập trình tĩnh nhữ

C++ hoặc Java, đặc biệt là trong các ứng dụng yêu cầu xử lý dữ liệu lớn và tính

toán phức tạp

¢ Quan ly GIL (Global Interpreter Lock): GIL la mét han ché trong việc đa luồng

(multithreading), khién cho các ứng dụng Python không thể tận dụng tối da

hàm toán học và thống kê, và tích hợp tốt với các thư viện khác

NumPy cung cấp đối tượng Ndarray, cho phép lưu trữ và xử lý dữ liệu nhiều chiều Điều

này làm cho việc làm việc với dữ liệu đa chiều trở nên dễ dàng hơn, ngoài ra NumPy còn cung cấp một loạt các hàm toán học và hàm thuật toán, từ các phép toán cơ bản như cộng, trừ, nhân, chỉa, đến các hàm phức tạp như sỉn, cos, log Những ưu điểm này khiến cho NumPy trở thành một công cụ không thể thiếu trong lĩnh vực tính toán khoa học và

dữ liệu trong Python

Nhược điểm

e - Học phức tạp: NumPy cung cấp một loạt các hàm toán học và thuật toán phức

¢ - Bộ nhớ: Mặc dù NumPy tiết kiệm bộ nhớ hơn so với các cấu trúc dữ liệu

Python chuẩn, nhưng vẫn có thể tạo ra các mảng lớn mà cần một lượng lớn

bộ nhớ

3.3 Thư Viện Matplotlib

Khái Niệm và Tính Nẵng

Matplotlib là một thư viện hỗ trợ trực quan hóa dữ liệu trong Python, cho phép vẽ

nhiều loại biểu đồ và đồ thị, điều chỉnh các thành phần của biểu đồ, và tương thích đa nền tảng

Ví dụ

2 #khai báo dữ liệu vẽ biểu đồ cột theo cặp khóa- giá trị

¢ = Tinh linh hoạt: Mặc dù Matplotlib rất mạnh mẽ, nhưng đôi khi việc tạo ra các biểu đồ phức tạp có thể trở nên khá phức tạp và đòi hỏi nhiều thời gian 3.4 Thư Viện Pandas