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)
i 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 Chuyên nghành: Mã số: Hệ thống thơng tin 84.80.104 TĨM TẮT LUẬN VĂN THẠC SĨ TP HỒ CHÍ MINH - 2018 ii Luận văn hồn thành tại: HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THÔNG Người hướng dẫn khoa học: TS TÂN HẠNH (Ghi rõ học hàm, học vị) Phản biện 1: …………………………… Phản biện 2: ……………………… Luận văn bảo vệ trước Hội đồng chấm luận văn thạc sĩ Học viện Công nghệ Bưu Viễn thơng Vào lúc: ngày tháng năm Có thể tìm hiểu luận văn tại: - Thư viện Học viện Cơng nghệ Bưu Viễn thơng MỞ ĐẦU Trong giai đoạn nay, tồn cầu hóa hội nhập quốc tế trở thành xu hướng tất yếu quốc gia giới, Việt Nam khơng 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 thông 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, tơi định chọn đề tài “Phân loại nhóm khách hàng luật kết hợp cho hệ thống bán hàng Chay Âu Lạc” CHƯƠNG 1: TỔNG QUAN ĐỀ TÀI 1.1 Tổng quan tình hình nghiên cứu đề tài Tại chay Âu Lạc, có nhiều mặt hàng, ví dụ thực phẩm đóng hộp chay, đóng gói chay, … khách hàng đến siêu thị bỏ vào giỏ mua hàng họ số mặt hàng đó, muốn tìm hiểu khách hàng thường mua mặt hàng đồng thời, chí không quan tâm khách hàng cụ thể Nhà quản lý dùng thông tin để điều chỉnh việc nhập hàng siêu thị, hay đơn giản để bố trí xếp mặt hàng gần nhau, bán mặt hàng theo gói hàng, giúp cho khách hàng đỡ cơng tìm kiếm lựa chọn mặt hàng đễ dàng Khi phân tích giao dịch khách hàng thông qua giỏ hàng mua bán cách sử dụng thuật toán data mining như: Apriori, Kmeans … giúp chúng biết sản phẩn mua chung giỏ hàng với cách để biết sản phẩm mua chung với sản phẩm khác Khi có thơng tin, thực số cơng việc để tăng số lượng khách hàng mua sản phẩm lên Các cơng việc thay đổi cách bố trí sản phẩm cho việc tăng doanh số Chúng ta xem sản phẩm giỏ hàng sản phẩm có nhiều lợi nhuận hơn, đưa hình thức khuyến để khuyến khích mua loại sản phẩm Ngoài ra, sống kinh tế mà khách hàng thượng đế Một thực tế nay, hay vài người bán mà có nhiều người bán sản phẩm Khách hàng có nhiều lựa chọn Điều cần làm nhà quản lý, người lãnh đạo giỏi làm sản phẩm bạn đặc biệt sản phẩm doanh nghiệp khác thuyết phục khách mua hàng Từ liệu bán hàng, hồn tồn phân loại đối tượng khách hàng khác nhau, độ tuổi khác nhau, nghề nghiệp khác nhau, … Từ liệu phân tích được, khách hàng phân loại theo: nhóm khách hàng (doanh nghiệp, nhân), độ tuổi, sở thích, … từ nhà quản lý chủ động việc đưa định sản xuất, kinh doanh hướng tới nhóm khách hàng Mặt khác, chuỗi doanh nghiệp bán dòng sản phẩm với chất lượng, giá thành kiểu dáng tương tự, việc chăm sóc khách hàng lúc đóng vai trò định Vì việc phân loại nhóm khách hàng thật cần thiết cấp bách Luận văn sâu vào tìm hiểu thuật tốn: Apriori, Kmeans, … cài đặt ứng dụng thuật tốn vào thực tế cơng ty thực phẩm chay Âu Lạc Đồng thời, luận văn tìm hiểu đề xuất cải tiến giải thuật để tối ưu 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 khách hàng theo độ tuổi, địa lý, … - Mối quan hệ nhóm khách hàng với sản phẩm 1.3 Đối tượng phạm vi nghiên cứu Đối tượng nghiên cứu: - Đối tượng nghiên cứu sử dụng luận tập liệu trích xuất từ liệu bán hàng năm 2016 2017 Âu Lạc Phạm vi nghiên cứu: - Tập trung nghiên cứu thuật toán: Apriori, Kmeans data mining - Cài đặt áp dụng vào thực tế Âu Lạc - Tìm hiểu cơng cụ R để thực nghiệm đối chiếu so sánh kết với phần mềm tự phát triển 1.4 Phương pháp nghiên cứu - Nghiên cứu lý luận: tập trung nghiên cứu vấn đề khai phá liệu, tổng hợp tài liệu, phân tích xử lý liệu - Phương pháp nghiên cứu tài liệu: Phân tích tổng hợp tài liệu khai phá liệu sử dụng thuật toán Apriori, Kmeans - Phương pháp thực nghiệm: Ứng dụng kết hợp kỹ thuật phân loại mơ hình định để phân loại khách hàng 1.5 Cấu trúc luận văn Toàn nội dung luận văn chia thành chương: Chương 1: Tổng quan đề tài: Chương trình bảy tổng quan đề tài bao gồm mục tiêu nghiên cứu, đối tượng phạm vi nghiên cứu, phương pháp nghiên cứu giới thiệu Chay Âu Lạc Chương 2: Lý thuyết dự đoán dựa khai phá liệu: Chương trình bày tìm hiểu quy trình bán hàng tình hình bán hàng hệ thống chay Âu Lạc Từ tình hình đưa vấn đề cần giải quyết, việc phân tích xây dựng hệ thống Chương 3: Xây dựng thực nghiệm: Chương cuối trình bày trình phân tích chức tổ chức tổng thể hệ thống Qua đó, đặc tả việc xây dựng hệ thống thực nghiệm hệ thống 1.6 Giới thiệu thực phẩm Chay Âu Lạc Hơn 20 năm hình thành phát triển, thương hiệu thực phẩm chay “Âu Lạc” khẳng định uy tính thị trường nước quốc tế Thương hiệu thực phẩm chay Âu Lạc tạo uy tín hàng đầu Việt Nam dây chuyền sản xuất thực phẩm chay Với phương châm “chất lượng hàng đầu”, công ty cam kết cung cấp sản phẩm chất lượng cao Bên cạnh đó, vệ sinh an tồn thực phẩm tiêu chí hàng đầu mà Âu Lạc đặt trước đưa sản phẩm thị trường Công ty quan tâm đến sức khỏe người tiêu dùng công nghệ thân thiện với môi trường xanh Các nhóm sản phẩm cơng ty gồm có: sản phẩm lạnh, sản phẩm ăn liền, sản phẩm khô, sản phẩm gia vị, sản phẩm nước, sản phẩm đóng hộp Hình 1: Cửa hàng chay Âu Lạc Thực phẩm chay Âu Lạc khơng có mặt khắp chợ, siêu thị, nhà hàng Việt Nam, mà xuất sang nước Mỹ, Canada, Úc, Đức, Anh… Sản phẩm công ty đa dạng phong phú không ngừng cải tiến, nâng cao chất lượng Công ty thực phẩm chay Âu Lạc đạt nhiều thành tích danh hiệu uy tín nước Cơng ty nỗ lực phấn đấu để xứng đáng với tin cậy khách hàng, đối tác nước Với hệ thống siêu thị chuỗi cửa rộng khắp nước, hệ thống phân phối chuyên nghiệp, thực phẩm chay Âu Lạc công ty tiên phong việc sản xuất, phân phối trực tiếp đến người tiêu dùng Hiện nay, chay Âu Lạc có 87 show room phủ rộng khắp nước tiến hành mở rộng chuỗi phân phối thực phẩm chay qua nước láng giếng Campuchia, Lào, … Hình 2: Quy trình bán hàng chay Âu Lạc CHƯƠNG 2: LÝ THUYẾT DỰ ĐOÁN DỰA TRÊN KHAI PHÁ DỮ LIỆU Trong chương này, luận văn trình bày sở lý thuyết làm tảng để xây dựng ứng dụng, bao gồm nội dung sau: - Giới thiệu tổng quan kỹ thuật khai phá liệu - Ứng dụng khai phá liệu lĩnh vực bán hàng - Trình bày tổng quan thuật tốn Apriori, Kmeans sử dụng Apriori, Kmeans việc tìm luật kết hợp phân loại nhóm khách hàng 2.1 Khái niệm dự đoán Khai phá liệu (Data mining) trình tìm kiếm mẫu mới, thơng tin tiềm ẩn mang tính dự đốn khối liệu lớn Khai phá liệu lĩnh vực liên ngành, nơi hội tụ nhiều học thuyết công nghệ Hình 3: Mối tương quan khai phá liệu với ngành khác Sự phát triển nhanh chóng các cơng nghệ thời đại tạo nguồn liệu khổng lồ, ẩn chứa bên vô số liệu có ích cho sống (sức khoẻ, mơi trường, tình hình kinh tế, …) Và với khoa học ngày phát triển cho đời ngành Khoa học liệu Khai thác liệu lĩnh vực phát triển nhanh chóng Khai thác liệu trình tìm kiếm mẫu từ tập liệu lớn phân tích liệu từ quan điểm khác Nó cho phép người dùng doanh nghiệp phân tích liệu từ nhiều góc độ khác tóm tắt nhận xét mạng xã hội Khái niệm khai phá liệu hay khám phá tri thức (Knowledge Discovery) có nhiều cách diễn đạt khác chất q trình tự động trích xuất thơng tin có giá trị (Thơng tin dự đốn - Predictive Information) ẩn chứa khối lượng liệu khổng lồ thực tế Một cách nhìn đơn giản Khai thác liệu: Hình 4: Minh hoạ khai thác liệu (Nguồn: https://www.linkedin.com/) Chuẩn bị liệu máy tính “học” (Data) Xây dựng mơ hình thơng qua liệu đầu vào (Algorithm) Đánh giá mơ hình vừa xây dựng (Model) Data mining nhấn mạnh khía cạnh khả trích xuất thơng tin có ích tự động (Automated) thông tin mang tính dự đoán (Predictive).Khai phá liệu 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 mơ 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 Công 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 ô 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 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 ô 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 không, không, 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 thông số phân loại khách hàng theo thuật tốn Kmeans Hình 15: Các thơng số phân loại khách hàng theo thuật tốn 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 toán 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 cơng 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 Công nghệ Thông tin - Đại học quốc gia TP HCM [2] Hoàng 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 ... nguồn tài liệu hỗ trợ cho lãnh đạo xây dựng chiến lược kinh doanh Chính lý nêu trên, tơi định chọn đề tài Phân loại nhóm khách hàng luật kết hợp cho hệ thống bán hàng Chay Âu Lạc 2 CHƯƠNG 1: TỔNG... cứu Xây dựng ứng dụng phân loại nhóm khách hàng cho phép: - Xác định luật kết hợp sản phẩm - Phân loại nhóm khách hàng theo độ tuổi, địa lý, … - Mối quan hệ nhóm khách hàng với sản phẩm 1.3 Đối... phục khách mua hàng Từ liệu bán hàng, hoàn toàn phân loại đối tượng khách hàng khác nhau, độ tuổi khác nhau, nghề nghiệp khác nhau, … Từ liệu phân tích được, khách hàng phân loại theo: nhóm khách