Phân loại nhóm khách hàng bằng luật kết hợp cho hệ thống bán hàng Chay Âu Lạc (Luận văn thạc sĩ)

Phân loại nhóm khách hàng bằng luật kết hợp cho hệ thống bán hàng Chay Âu Lạc (Luận văn thạc sĩ)Phân loại nhóm khách hàng bằng luật kết hợp cho hệ thống bán hàng Chay Âu Lạc (Luận văn thạc sĩ)Phân loại nhóm khách hàng bằng luật kết hợp cho hệ thống bán hàng Chay Âu Lạc (Luận văn thạc sĩ)Phân loại nhóm khách hàng bằng luật kết hợp cho hệ thống bán hàng Chay Âu Lạc (Luận văn thạc sĩ)Phân loại nhóm khách hàng bằng luật kết hợp cho hệ thống bán hàng Chay Âu Lạc (Luận văn thạc sĩ)Phân loại nhóm khách hàng bằng luật kết hợp cho hệ thống bán hàng Chay Âu Lạc (Luận văn thạc sĩ)Phân loại nhóm khách hàng bằng luật kết hợp cho hệ thống bán hàng Chay Âu Lạc (Luận văn thạc sĩ)Phân loại nhóm khách hàng bằng luật kết hợp cho hệ thống bán hàng Chay Âu Lạc (Luận văn thạc sĩ)

HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG VŨ XUÂN AN PHÂN LOẠI NHÓM HÁCH HÀNG BẰNG LUẬT KẾT HỢP CHO HỆ THỐNG BÁN HÀNG CHAY ÂU LẠC CHUYÊN NGÀNH: MÃ SỐ: HỆ THỐNG THÔNG TIN 84.80.104 LUẬN VĂN THẠC SĨ KỸ THUẬT (Theo định hướng ứng dụng) NGƯỜI HƯỚNG DẪN KHOA HỌC: TS TÂN HẠNH TP HỒ CHÍ MINH - 2018 HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG VŨ XUÂN AN PHÂN LOẠI NHÓM KHÁCH HÀNG BẰNG LUẬT KẾT HỢP CHO HỆ THỐNG BÁN HÀNG CHAY ÂU LẠC LUẬN VĂN THẠC SĨ KỸ THUẬT (Theo định hướng ứng dụng) TP HỒ CHÍ MINH - 2018 LỜI CAM ĐOAN Tôi cam đoan công trình nghiên cứu riêng tơi Các số liệu, kết nêu luận văn trung thực chưa cơng bố tài liệu khác TP Hồ Chí Minh, ngày 08 tháng năm 2018 Học viên thực luận văn VŨ XUÂN AN LỜI CẢM ƠN Tơi xin bày tỏ lòng biết ơn chân thành đến TS Tân Hạnh, Thầy tận tâm dẫn, truyền đạt kiến thức kinh nghiệm q báu cho tơi suốt q trình thực luận văn Tôi xin gửi lời cảm ơn đến q Thầy Cơ giáo khoa Quốc tế Đào tạo Sau đại học, Học Viện Cơng Nghệ Bưu Chính Viễn Thơng trang bị cho kiến thức tảng quan trọng suốt q trình tơi theo học Tơi xin chân thành cảm ơn Lãnh đạo Công Ty Trách Nhiệm Hữu Hạn & Kinh Doanh Thực Phẩm Chay Âu Lạc tạo điều kiện cung cấp số liệu cho tơi hồn thiện luận văn Và cuối cùng, xin gửi lời cảm ơn đến gia đình bạn bè, người động viên suốt thời gian vừa qua Mặc dù cố gắng song luận văn khơng tránh khỏi thiếu sót Tơi mong nhận ý kiến đóng góp Thầy Cơ để tơi hồn thiện đề tài Xin trân trọng cảm ơn Tp Hồ Chí Minh, ngày 08 tháng 05 năm 2018 Học viên thực luận văn VŨ XUÂN AN iii MỤC LỤC LỜI CAM ĐOAN i LỜI CẢM ƠN iii DANH SÁCH BẢNG vi DANH SÁCH HÌNH VẼ vii MỞ ĐẦU CHƯƠNG 1: TỔNG QUAN ĐỀ TÀI 1.1 Tổng quan tình hình nghiên cứu đề tài 1.2 Mục đích nghiên cứu 1.3 Đối tượng phạm vi nghiên cứu 1.4 Phương pháp nghiên cứu 1.5 Cấu trúc luận văn 1.6 Giới thiệu thực phẩm Chay Âu Lạc CHƯƠNG 2: LÝ THUYẾT DỰ ĐOÁN DỰA TRÊN KHAI PHÁ DỮ LIỆU 2.1 Khái niệm dự đoán 2.2 Khai phá liệu 2.2.1 Quá trình khai phá tri thức từ liệu 2.2.2 Mục tiêu khai phá liệu 10 2.2.3 Các tốn thơng dụng khai phá liệu 10 2.2.4 Các Cơ sở liệu phục vụ cho việc khai phá liệu 11 2.3 Dự đoán dựa khai phá liệu 11 2.3.1 Ứng dụng khai phá liệu 11 2.3.2 Các thách thức khai phá liệu 12 2.3.3 Các khái niệm thuật toán Apriori Kmeans 12 iv 2.3.4 Thuật toán Apriori 22 2.3.5 Thuật toán Kmeans 23 2.3.6 Kết luận 27 CHƯƠNG XÂY DỰNG VÀ THỰC NGHIỆM 28 3.1 Khảo sát 29 3.1.1 Quy trình bán hàng 29 3.1.2 Vấn đề đặt 33 3.1.3 Sơ đồ tổng quát hệ thống 35 3.2 Phân tích, thiết kế xây dựng 36 3.2.1 Kiến trúc tổng thể hệ thống 36 3.2.2 Chức hệ thống 37 3.2.3 Lấy liệu khách hàng từ hệ thống Oracle EBS Chay Âu Lạc 37 3.2.4 Thông tin liệu 38 3.2.5 Xây dựng thuật tốn Apriori, Kmeans dự đốn phân loại nhóm khách hàng 39 3.3 Thử nghiệm kết 39 3.3.1 Mô tả phương pháp thực nghiệm 39 3.3.2 Thực nghiệm kết 47 3.4 Tổng kết chương 55 KẾT LUẬN 56 Kết đạt 56 1.1 Về mặt lý thuyết 56 1.2 Về mặt thực tiễn 56 Hạn chế 56 Hướng phát triển 56 v DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT Viết tắt Tiếng Anh Tiếng Việt ∏ product Tích đại số {xi} The set whose elements are Tập gồm phần tử xi xi |X| cardinality of the set X Số lượng phần tử tập hợp X CSDL Database Cơ sở liệu vi DANH SÁCH BẢNG Bảng 1: Table transaction Apriori .15 Bảng 2: Dữ liệu mẫu 20 Bảng Mơ tả quy trình quản lý bán hàng 30 Bảng 4: Dữ liệu bán hàng chay Âu Lạc .38 vii DANH SÁCH HÌNH VẼ Hình 1: Cửa hàng chay Âu Lạc Hình 2: Quy trình bán hàng chay Âu Lạc Hình 3: Mối tương quan khai phá liệu với ngành khác Hình 4: Minh hoạ khai thác liệu Hình 5: Quy trình khai phá tri thức .9 Hình 6: Quá trình tập tập mục thường xuyên .19 Hình 7: Sơ đồ thuật tốn K-means clustering 26 Hình 8: Quy trình quản lý bán hàng 29 Hình 9: Sơ đồ tổng quát xây dựng hệ thống .35 Hình 10: Kiến trúc tổng thể hệ thống 37 Hình 11: Lựa chọn mặt hàng muốn khai phá 48 Hình 12: Tìm tập phổ biến 51 Hình 13: Tìm luật kết hợp 52 Hình 14: Danh sách khách hàng 54 Hình 15: Các thơng số phân loại khách hàng theo thuật tốn Kmeans 54 Hình 16: Kết phân loại nhóm khách hàng 55 MỞ ĐẦU Trong giai đoạn nay, tồn cầu hóa hội nhập quốc tế trở thành xu hướng tất yếu quốc gia giới, Việt Nam không nằm ngồi xu hướng Để tồn nâng cao sức cạnh tranh kinh tế thị trường đầy khó khăn thách thức nay, doanh nghiệp đã, phải nỗ lực nhiều Hơn nữa, sức cạnh tranh doanh nghiệp phụ thuộc lớn vào hiệu hoạt động kinh doanh đầu tư doanh nghiệp Chính điều tạo áp lực lớn lên nhà quản trị doanh nghiệp Làm đưa định kinh doanh tối ưu, mang lại lợi cạnh tranh so với doanh nghiệp khác? Làm để dự đoán diễn biến thị trường tương lai (nhu cầu thị trường, xu hướng mua hàng, đối tượng khách hàng tiềm năng, ) Ngoài ra, kinh doanh yếu tố khách hàng đóng vai trò quan trọng định đến thành bại doanh nghiệp nói chung chiến lược kinh doanh doanh nhiệp nói riêng, thơng tin trở thành yếu tố định kinh doanh vấn đề tìm thơng tin hữu ích CSDL khổng lồ ngày trở thành mục tiêu quan trọng doanh nghiệp Vì giải pháp hữu hiệu nhằm khắc phục vấn đề nêu tiến hành triển khai xây dựng hệ thống khai phá liệu, khai thác quản lý nguồn khách hàng nói Đó hệ thống thiết kế giúp cho lãnh đạo doanh nghiệp nắm bắt nguồn thơng tin khách hàng hữu ích tri thức chiết xuất từ CSDL nguồn tài liệu hỗ trợ cho lãnh đạo xây dựng chiến lược kinh doanh Chính lý nêu trên, định chọn đề tài “Phân loại nhóm khách hàng luật kết hợp cho hệ thống bán hàng Chay Âu Lạc” 45 { PointCollection cluster = new PointCollection(); cluster.AddRange(group); allClusters.Add(cluster); } //start k-means clustering int movements = 1; while (movements > 0) { movements = 0; foreach (PointCollection cluster in allClusters) //for all clusters { for (int pointIndex = 0; pointIndex < cluster.Count; pointIndex++) //for all points in each cluster { Point point = cluster[pointIndex]; int nearestCluster = FindNearestCluster(allClusters, point); if (nearestCluster != allClusters.IndexOf(cluster)) //if point has moved { if (cluster.Count > 1) //cluster shall have minimum one point 46 { Point removedPoint = cluster.RemovePoint(point); allClusters[nearestCluster].AddPoint(removedPo int); movements += 1; } } } } } return (allClusters); } public static int FindNearestCluster(List allClusters, Point point) { double minimumDistance = 0.0; int nearestClusterIndex = -1; for (int k = 0; k < allClusters.Count; k++) //find nearest cluster { double distance = Point.FindDistance(point, allClusters[k].Centroid); if (k == 0) 47 { minimumDistance = distance; nearestClusterIndex = 0; } else if (minimumDistance > distance) { minimumDistance = distance; nearestClusterIndex = k; } } return (nearestClusterIndex); } 3.3.2 Thực nghiệm kết Xây dựng chương trình mô giải thuật Apriori, Kmeans việc xác định luật kết hợp sản phẩm, phân tích phân loại nhóm khách hàng Bước lựa chọn mặt hàng khai phá quan trọng vì, bước mà chương trình lọc mặt hàng cần quan tâm để phân tích tìm luật tiến hành phân loại khách hàng Ví dụ: chay Âu Lạc quan tâm đến xu hướng hành vi mua hàng khách hàng mặt hàng thịt bò chay, thịt gà chay, cần lựa chọn mặt hàng mà siêu thị quan tâm khai phá Ngược lại, chương trình tự động khai phá, phân tích tất mặt hàng 48 Hình 11: Lựa chọn mặt hàng muốn khai phá Độ hỗ trợ (Support) độ tin (Confidence) tham số dùng để đo lường luật kết hợp Độ hỗ trợ (Support) luật kết hợp X =>Y tần suất giao dịch chứa tất items hai tập X Y Ví dụ, support luật X =>Y 5% có nghĩa 5% giao dịch X Y mua Cơng thức để tính support luật X =>Y sau: 49 Trong đó: N tổng số giao dịch Độ tin cậy (Confidence) luật kết hợp X =>Y xác suất xảy Y biết X Ví dụ độ tin cậy luật kết hợp {Apple} =>Banana} 80% có nghĩa 80% khách hàng mua Apple mua Banana Cơng thức để tính độ tin cậy luật kết hợp X =>là xác suất có điều kiện Y biết X sau: Trong đó: n(X) số giao dịch chứa X Để thu luật kết hợp, ta thường áp dụng tiêu chí: minimum support (min_sup) minimum confidence (min_conf) Các luật thỏa mãn có support confidence thỏa mãn (lớn bằng) Minimum support Minimum confidence gọi luật mạnh (Strong Rle) Minimum support Minimum confidence gọi giá trị ngưỡng (threshold) phải xác định trước sinh luật kết hợp Một itemsets mà tần suất xuất >= min_sup goi frequent itemsets Các bước thực hiện: Bước 1: Điền giá trị minimum support (min_sup) vào textbox kéo thả giá trị trượt giá trị (giá trị khoảng từ  100) Ví dụ: support luật Bò Lát => Ba Rọi 50% có nghĩa 50% giao dịch Bò Lát Ba Rọi mua giao dịch có support >= 50 thỏa mãn yêu cầu min_sup Sau điền min_sup  Click button “Tìm tập phổ biến” 50 Chương trình thực tìm tập phổ biến theo yêu cầu kết vào tập phổ biến Ví dụ: Bò Lát, Ba Rọi, Bia Baravia (70%): tức 70% giao dịch Bò Lát, Ba Rọi, Bia Baravia mua Bước 2: Điền giá trị minimum confidence (min_conf) vào textbox kéo thả giá trị trượt giá trị (giá trị khoảng từ  100) Ví dụ: {Bò Lát} => Ba Rọi} 80% có nghĩa 80% khách hàng mua Bò Lát mua Ba Rọi giao dịch có confidence >= 80 thỏa mãn yêu cầu min_conf Sau điền min_sup  Click button “Tìm luật kết hợp” Chương trình thực tìm Tìm luật kết hợp theo yêu cầu kết vào ô luật kết hợp Ví dụ: {Bò Lát, Ba Rọi} => Bia Baravia } 80% có nghĩa 80% khách hàng mua Bò Lát, Ba Rọi mua Bia Baravia Các bước thực hiện: Bước 1: Điền giá trị minimum support (min_sup) vào textbox kéo thả giá trị trượt giá trị (giá trị khoảng từ  100) Ví dụ: support luật thị bò => đậu hũ 50% có nghĩa 50% giao dịch thịt bò đậu hũ mua giao dịch có support >= 50 thỏa mãn yêu cầu min_sup Sau điền min_sup  Click button “Tìm tập phổ biến” Chương trình thực tìm tập phổ biến theo yêu cầu kết vào tập phổ biến Ví dụ: rong biển, ba rọi, sườn heo (70%): tức 70% giao dịch rong biển, ba rọi, sườn heo mua 51 Bước 2: Điền giá trị minimum confidence (min_conf) vào textbox kéo thả giá trị trượt giá trị (giá trị khoảng từ  100) Ví dụ: {sườn heo} => rong biển} 80% có nghĩa 80% khách hàng mua sườn heo mua rong biển giao dịch có confidence >= 80 thỏa mãn yêu cầu min_conf Sau điền min_sup  Click button “Tìm luật kết hợp” Chương trình thực tìm Tìm luật kết hợp theo yêu cầu kết vào ô luật kết hợp Ví dụ: {ba rọi, sườn non} => rong biển} 80% có nghĩa 80% khách hàng mua ba rọi sườn non mua rong biển Tập phổ biến Hình 12: Tìm tập phổ biến 52 Luật kết hợp Hình 13: Tìm luật kết hợp Kết luận: Dựa vào kết khai phá phân tích trên, Âu Lạc có chiến lược kinh doanh hiệu cho thời điểm năm Sắp xếp sản phẩm kệ bán hàng gần để khách hàng lựa chọn sản phẩm dễ dàng hơn, đóng sản phẩm khách hàng hay mua hàng để tang lượng sản phẩm bán thị trường Biết xu hướng mua hàng khách hàng  đưa chương trình khuyến mãi, giảm giá nhằm kích cầu mua sắm, giúp tăng doanh thu lợi nhuận 53 Phân loại khách hàng Các tiêu chí phân loại khách hàng bao gồm tiêu chí sau: - Khách hàng lợi nhuận: nhóm khách hàng mà khách hàng có giá trị đơn hàng lớn mang lại doanh thu cao Những khách hàng thường chiếm 20% tổng số khách hàng chay Âu Lạc họ đóng góp đến 50% doanh thu - Khách hàng thường xuyên: khách hàng mua hàng thường xuyên họ mua dựa mức độ giảm giá Họ đối tượng khách hàng giúp doanh nghiệp giải phóng hàng tồn kho nhanh nguồn bổ sung vào dòng tiền mặt doanh nghiệp cần - Khách hàng mua hàng: khách hàng khơng có nhu cầu cụ thể Họ ghé vào cửa hàng cách ngẫu nhiên, mua sản phẩm mà họ cảm thấy chúng tốt cho - Khách hàng tiềm năng: khách hàng thường có ý định rõ ràng việc mua sản phẩm cụ thể Khi bước vào cửa hàng, họ kiểm tra liệu nhu cầu họ có đáp ứng khơng, khơng, họ rời cửa hàng Họ mua hàng nhiều lý khác (nhân dịp đặc biệt đó, để đáp ứng nhu cầu cụ thể, giá đáp ứng mong đợi họ…) Thực load thông tin khách hàng để phân loại khách hàng 54 Hình 14: Danh sách khách hàng Hiển thị thơng số phân loại khách hàng theo thuật tốn Kmeans Hình 15: Các thơng số phân loại khách hàng theo thuật toán Kmeans Phân loại khách hàng: hiển thị kết phân loại bao gồm loại chính: khách hàng tiềm năng, khách hàng lợi nhuận, khách hàng thường xuyên, khách hàng mua hàng (khách hàng vãng lai) 55 Hình 16: Kết phân loại nhóm khách hàng 3.4 Tổng kết chương Trong chương cuối này, luận văn trình bày cách thức tổ chức, xây dựng thử nghiệm ứng dụng Đồng thời phân tích giải toán đánh giá khách hàng dựa số liệu cụ thể từ chay Âu Lạc Qua thấy khả ứng dụng giải pháp toàn hệ thống bán hàng cần thiết Hệ thống giúp cho người sử dụng dễ dàng đánh giá khách hàng, phân loại khách hàng sở hỗ trợ nhân viên kinh doanh đưa định hợp lý nhằm nâng cao lợi nhuận nhóm khách hàng 56 KẾT LUẬN Kết đạt 1.1 Về mặt lý thuyết Tìm hiểu kiến thức khai phá liệu, cụ thể thuật tốn phân lớp Luận văn tìm hiểu quy trình phân loại đánh giá khách hàng việc tìm luật kết hợp phân loại khách hàng 1.2 Về mặt thực tiễn Luận văn nghiên cứu demo giải thuật Apriori, Kmeans việc tìm luật kết hợp phân loại nhóm khách hàng hệ thống chay Âu Lạc Nhằm phục vụ cho việc đưa đinh, chiến lược kinh doanh chăm sóc khách hàng, … hiệu Hạn chế - Giao diện tương tác người dùng chưa sinh động - Cần phải cải thiện để tăng hiệu suất xử lý Hướng phát triển Nghiên cứu tiếp giải pháp triển khai vào ứng dụng thực tế, nhằm cung cấp cho người sử dụng công cụ để phân tích, thống kê, phân loại hành vi, phân loại nhóm khách hàng tốt đồng thời đưa xu hướng mua hàng tương lai DANH MỤC CÁC TÀI LIỆU THAM KHẢO [1] TS Đỗ Phúc (2009), Giáo trình Khai thác liệu, Trường Đại học Cơng nghệ Thông tin - Đại học quốc gia TP HCM [2] Hồng Kiếm, Đỗ Văn Nhơn, Đỗ Phúc (2002), Giáo trình hệ sở tri thức, NXB Đại học Quốc gia TP Hồ Chí Minh [3] Nguyễn Văn Tuấn (2006), Phân tích liệu tạo biểu đồ R, NXB Khoa học kỹ thuật [4] Jiawei Han, Micheline Kamber, Jian Pei (2011), Data Mining Concepts and Techniques (Third Edition) [5] Jiawei Han, Jian Pei, and Yiwen Yin (2000), Mining Frequent Patterns without Candidate Generation, Simon Fraser University [6] Jeetesh Kumar Jain, Nirupama Tiwari, Manoj Ramaiya (2013), A Survey: On Association Rule Mining, (IJERA) ISSN: 2248-9622 [7] Agrawal R and Srikant R (1994), Fast algorithm for mining associantion rules in large databases, VLDB 94 Proceedings of the 20th International Conference on Very Large Data Bases, Pages 487-499 [8] http://www.philippe-fournierviger.com/spmf/index.php?link=documentation.php, truy cập ngày 01/12/2017 [9] http://www.rdatamining.com/docs, truy cập ngày 1/12/2017 [10] http://www.netthruoffice.com/doc/db-entity-diagram.htm#TOP1, truy cập ngày 05/12/2017 [11] http://www.netthruoffice.com/doc/db-entity-diagram.htm#29-market, truy cập ngày 05/12/2017 [12] http://www.rdatamining.com/docs, truy cập ngày 05/12/2017 [13] http://blog.hackerearth.com/beginners-tutorial-apriori-algorithm-data-miningr-implementation, truy cập ngày 05/12/2017 [14] http://bis.net.vn/forums/t/389.aspx, truy cập ngày 05/12/2017 [15] https://en.wikipedia.org/wiki/K-means_clustering, truy cập ngày 05/12/2017 [16] https://en.wikipedia.org/wiki/Apriori_algorithm, truy cập ngày 05/12/2017 [17] https://www.slideshare.net/INSOFE/apriori-algorithm-36054672, truy cập ngày 05/12/2017 [18] https://www.kdnuggets.com/2016/04/association-rules-apriori-algorithmtutorial.html, truy cập ngày 05/12/2017 [19] https://www.hackerearth.com/blog/machine-learning/beginners-tutorialapriori-algorithm-data-mining-r-implementation/, truy cập ngày 05/12/2017 [20] https://www.codeproject.com/Articles/70371/Apriori-Algorithm, truy cập ngày 05/12/2017 [21] http://www2.cs.uregina.ca/~dbd/cs831/notes/itemsets/itemset_prog1.html, truy cập ngày 05/12/2017 [22] https://www.quora.com/How-do-I-implement-Apriori-algorithm-in-java-or-inC-are-there-any-sources, truy cập ngày 05/12/2017 [23] https://www.datascience.com/blog/k-means-clustering, truy cập ngày 05/12/2017 [24] https://en.wikipedia.org/wiki/K-means_clustering, truy cập ngày 05/12/2017 [25] http://stanford.edu/~cpiech/cs221/handouts/kmeans.html, truy cập ngày 05/12/2017 [26] https://blog.easysol.net/machine-learning-algorithms-3/ [27] http://scikit-learn.org/stable/modules/generated/sklearn.cluster.KMeans.html, truy cập ngày 05/12/2017 [28] http://bigdata-madesimple.com/possibly-the-simplest-way-to-explain-kmeans-algorithm/, truy cập ngày 05/12/2017 [29] http://mnemstudio.org/clustering-k-means-example-1.htm, truy cập ngày 05/12/2017 [30] https://www.mathworks.com/help/stats/kmeans.html, truy cập ngày 05/12/2017 [31] https://www.solver.com/xlminer/help/k-means-clustering, truy cập ngày 05/12/2017 [32] https://www.edureka.co/blog/k-means-clustering/, truy cập ngày 05/12/2017 [33] https://mubaris.com/2017/10/01/kmeans-clustering-in-python/, truy cập ngày 05/12/2017 [34] http://www.saedsayad.com/clustering_kmeans.htm, truy cập ngày 05/12/2017 [35] https://t4tutorials.com/kmeans-clustering-in-data-mining/, truy cập ngày 05/12/2017 [36] https://www.slideshare.net/kasunrangawijeweera/kmeans-example, truy cập ngày 05/12/2017 [37] https://www.lifewire.com/k-means-clustering-1019648, truy cập ngày 05/12/2017 [38] https://en.wikibooks.org/wiki/Data_Mining_Algorithms_In_R/Clustering/KMeans, truy cập ngày 05/12/2017 ...HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG VŨ XUÂN AN PHÂN LOẠI NHÓM KHÁCH HÀNG BẰNG LUẬT KẾT HỢP CHO HỆ THỐNG BÁN HÀNG CHAY ÂU LẠC LUẬN VĂN THẠC SĨ KỸ THUẬT (Theo định... cho phân tích thị trường, phân loại khách hàng cho kết phân tích xác 1.2 Mục đích nghiên cứu Xây dựng ứng dụng phân loại nhóm khách hàng cho phép: - Xác định luật kết hợp sản phẩm - Phân loại nhóm. .. nguồn tài liệu hỗ trợ cho lãnh đạo xây dựng chiến lược kinh doanh Chính lý nêu trên, định chọn đề tài Phân loại nhóm khách hàng luật kết hợp cho hệ thống bán hàng Chay Âu Lạc 2 CHƯƠNG 1: TỔNG