Nghiên cứu các thuật toán data mining, fuzzy logic vào bái toán marketing

Đại Học Quốc Gia Tp Hồ Chí Minh TRƯỜNG ĐẠI HỌC BÁCH KHOA TIẾT KIM HẢI NGHIÊN CỨU CÁC THUẬT TOÁN DATA MINING, FUZZY LOGIC VÀO BÀI TOÁN MARKETING Chuyên ngành : CÔNG NGHỆ THÔNG TIN Mã số ngành : 01.02.10 LUẬN VĂN THẠC SĨ TP HỒ CHÍ MINH, tháng 06 năm 2005 CƠNG TRÌNH ĐƯỢC HỒN THÀNH TẠI TRƯỜNG ĐẠI HỌC BÁCH KHOA ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH Cán hướng dẫn khoa học: Cán chấm nhận xét 1: Cán chấm nhận xét 2: Luận văn thạc sĩ bảo vệ HỘI ĐỒNG CHẤM LUẬN VĂN THẠC SĨ TRƯỜNG ĐẠI HỌC BÁCH KHOA, ngày ………… tháng ………… năm 2005 TRƯỜNG ĐẠI HỌC BÁCH KHOA PHÒNG ĐÀO TẠO SĐH CỘNG HOÀ XÃ HỘI CHỦ NGHĨA VIỆT NAM ĐỘC LẬP - TỰ DO - HẠNH PHÚC -Tp HCM, ngày ……tháng…… năm 2005 NHIỆM VỤ LUẬN VĂN THẠC SĨ Họ tên học viên : TIẾT KIM HẢI Phái : Nam Ngày, tháng, năm sinh :31/05/1977 Nơi sinh : Bến Tre Chuyên ngành : Công Nghệ Thông Tin MSHV : 00703193 I TÊN ĐỀ TÀI : NGHIÊN CỨU CÁC THUẬT TOÁN DATA MINING, FUZZY LOGIC VÀO BÀI TOÁN MARKETING II NHIỆM VỤ VÀ NỘI DUNG: - Nghiên cứu thuật tốn data mining fuzzy logic - Xây dựng mơ hình xác định khách hàng mục tiêu giải thuật FCM - Xây dựng mơ hình xác định khách hàng mục tiêu giải thuật Gustafson-Kessel - Xây dựng mô hình xác định khách hàng mục tiêu giải thuật FCM mở rộng - Xây dựng mơ hình xác định khách hàng mục tiêu giải thuật Gustafson-Kessel mở rộng - Xây dựng mơ hình xác định khách hàng mục tiêu mơ hình mờ dùng phân tích biểu đồ độ lợi - Xây dựng mơ hình xác định khách hàng mục tiêu phương pháp neural - fuzzy III NGÀY GIAO NHIỆM VỤ (Ngày ký Quyết định giao đề tài) : 17/01/2005 IV NGÀY HOÀN THÀNH NGHIỆM VỤ : 30/06/2005 V HỌ VÀ TÊN CÁN BỘ HƯỚNG DẪN: Tiến sĩ VŨ THANH NGUYÊN CÁN BỘ HƯỚNG DẪN CHỦ NHIỆM NGÀNH BỘ MÔN QUẢN LÝ CHUYÊN NGÀNH Nội dung đề cương luận văn thạc sĩ Hội Đồng Chun Ngành thơng qua PHỊNG ĐÀO TẠO SĐH Ngày ……… tháng …………năm KHOA QUẢN LÝ NGÀNH LỜI CẢM ƠN Để hồn thành luận văn này, tơi nhận hướng dẫn tận tình, động viên giáo viên hướng dẫn, giúp đỡ quý thầy cô Khoa Công Nghệ Thông Tin, bạn bè người thân Nhân đây, tơi xin bày tỏ lịng biết ơn tất thầy cô, bạn, người thân đặc biệt thầy hướng dẫn, Tiến sĩ Vũ Thanh Nguyên Luận văn không tránh khỏi sai sót, hạn chế thời gian kiến thức có hạn, tơi mong nhận ý kiến đóng góp q thầy bạn Thành phố Hồ Chí Minh, ngày 20 tháng 06 năm 2005 Học viên thực Tiết Kim Hải ABSTRACT Today, in a dynamic economic market, if a company wants to success it has to find a way to exploit its resources to improve the competitive position We are hard to find a successful company in manufacturing and trading without doing good marketing From the modern marketing concepts, customers are valuable assets and the most important factor to decide the total company sales Because customers are so important in the company’s success, a company that does good marketing always stores customer database as one of its assets And one of the problems is to exploit the database to have information for marketing decision support When the company wants to a marketing campaign, an incoming problem is to identify the target customers to minimizing costs, improve efficiency and reduce customers’ annoyance At the present time, in information technology field, artificial intelligence and data mining have developed and attract many experts’ interest With this advantage, artificial intelligence and data mining have successfully applied in marketing and especially played a role of decision support for identifying target customers This thesis presents “Applying data mining and fuzzy logic algorithms in marketing” In this thesis, five following algorithms: fuzzy c – means algorithm, Gustafson – Kessel algorithm, extended fuzzy c – means, extended Gustafson – Kessel, fuzzy modeling with gain charts analysis; and finally a neural – fuzzy approach are used to modeling These approaches are compared using probability hit charts TÓM TẮT Trong kinh tế thị trường đầy biến động cạnh tranh, cơng ty muốn thành cơng phải tìm cách phát triển tối đa nguồn lực để nâng cao vị cạnh tranh Chúng ta khó tìm cơng ty thành cơng sản xuất kinh doanh mà không làm tốt công tác Marketing Xuất phát từ quan điểm Marketing đại, khách hàng trọng tâm, tài sản vô giá yếu tố quan trọng định doanh thu cơng ty Vì khách hàng đóng vai trị quan trọng thành bại, công ty có hoạt động Marketing tốt ln lưu giữ liệu khách hàng tài sản Và việc cần làm khai thác liệu khách hàng để có thơng tin hổ trợ cho q trình định Marketing Khi cơng ty muốn thực chiến dịch Marketing, vấn đề quan trọng xác định khách hàng mục tiêu để giảm chi phí, nâng cao hiệu giảm phiền toái cho khách hàng Ngày nay, lĩnh vực cơng nghệ thơng tin, trí tuệ nhân tạo data mining phát triển lĩnh vực thu hút quan tâm nghiên cứu nhiều người… Với lợi đó, trí tuệ nhân tạo data mining phát triển mạnh nhanh chóng áp dụng thành cơng Marketing đặc biệt đóng vai trị hổ trợ q trình xác định khách hàng mục tiêu Quyển luận văn trình bày nội dung “Nghiên cứu thuật tốn data mining fuzzy logic vào toán Marketing” Trong thuật tốn sau dùng để xây dựng mơ hình dự đốn: fuzzy c – means (FCM), Gustafson – Kessel (GK), FCM mở rộng, GK mở rộng, mơ hình mờ dùng phân tích biểu đồ độ lợi phương pháp neural – fuzzy Các phương pháp so sánh với dùng biểu đồ đáp ứng MỤC LỤC LỜI CẢM ƠN TÓM TẮT DANH MỤC HÌNH Chương GIỚI THIỆU Chương MARKETING VÀ NGHIÊN CỨU MARKETING Marketing 1.1Quá trình đời 1.2 Khái niệm 1.3 Vị trí Marketing Quản trị Marketing 10 Hệ thống thông tin Marketing 10 Nghiên cứu Marketing 11 Môi trường Marketing 12 Hành vi khách hàng 13 6.1 Thị trường người tiêu dùng hành vi người tiêu dùng 13 6.2 Thị trường tổ chức hành vi mua tổ chức 13 Lựa chọn thị trường mục tiêu định vị thị trường 14 7.1 Lựa chọn thị trường mục tiêu 14 7.2 Định vị thị trường 16 Chương LOGIC MỜ Tập mờ phép toán tập mờ 19 Quan hệ mờ 25 2.1 Cơ quan hệ mờ 25 2.2 Các phép toán quan hệ mờ 26 2.3 Phương trình quan hệ mờ 28 Số học mờ 28 3.1 Biểu diễn khoảng giá trị không chắn 29 3.2 Các phép toán thuộc tính số mờ 30 Logic mờ lập luận xấp xỉ 31 4.1 Biến ngôn ngữ 32 4.2 Logic mờ 32 4.3 Lập luận xấp xỉ 34 Chương CÁC KỸ THUẬT DATA MINING 39 1.Quá trình đời 39 Định nghĩa data mining 41 2.1 Các mục tiêu loại data mining 44 2.2 Các loại thông tin thu từ data mining 46 2.3 Chu kỳ data mining 48 Các kỹ thuật data mining 52 3.1 Phân loại dự đoán 52 3.2 Mạng nơron 53 Chương XÂY DỰNG CÁC MƠ HÌNH TRONG MARKETING MỤC TIÊU 59 Các phương pháp lựa chọn khách hàng mục tiêu 60 Mơ hình dự đốn 61 Mô tả sở liệu 62 Các biến RFM 63 Mơ hình mờ 65 5.1 Phân nhóm mờ 65 5.2 Phương pháp phân nhóm mờ lựa chọn khách hàng mục tiêu 66 5.3 Phân nhóm mờ dùng phân tích biểu đồ độ lợi 67 Mơ hình mờ dùng hệ lai neural – fuzzy 71 6.1 Perceptron mờ 73 6.2 Giải thuật học luật loại Mamdani 75 6.3 Tối ưu hoá sở luật mờ 81 6.4 Hiện thực mơ hình 85 Đánh giá mơ hình 87 Chương KẾT QUẢ CỦA CÁC MƠ HÌNH Kết mơ hình 89 1.1 Mơ hình giải thuật FCM 89 1.2 Mô hình giải thuật Gustafson – Kessel 90 1.3 Mơ hình giải thuật FCM mở rộng 92 1.4 Mô hình giải thuật Gustafson – Kessel mở rộng 93 1.5 Mơ hình mờ dùng phân tích biểu đồ độ lợi 94 1.6 Mơ hình mờ dùng phương pháp neural – fuzzy 95 So sánh mô hình 98 Chương KẾT LUẬN 104 Tài liệu tham khảo 107 DANH MỤC HÌNH Hình 2.1 Quản trị Marketing 10 Hình 2.2 Các giai đoạn nghiên cứu Marketing 11 Hình 3.1 Hệ mờ 28 Hình 4.1 Data mining khâu KDD 42 Hình 4.2 Hệ thống data mining 43 Hình 4.3 Nơron nhân tạo 54 Hình 4.4 Mạng nơron hướng tới 55 Hình 5.1 Mơ hình hệ phân loại mờ 73 Hình 5.2 Biểu đồ đáp ứng 87 Hình 6.1 Biểu đồ đáp ứng tốt dự đoán FCM 91 Hình 6.2 Biểu đồ đáp ứng cho mơ hình Gustafson – Kessel 91 Hình 6.3 Biểu đồ đáp ứng cho mơ hình EFCM 93 Hình 6.4 Biểu đồ đáp ứng cho mơ hình Gustafson – Kessel mở rộng 94 Hình 6.5 Biểu đồ đáp ứng cho mơ hình mờ dùng biểu đồ độ lợi 95 Hình 6.6 Giao diện mơ hình neural – fuzzy 96 Hình 6.7 Cấu hình mạng neural – fuzzy 97 Hình 6.8 Cấu hình tham số học cho mạng neural – fuzzy 97 Hình 6.9 Các luật kết mơ hình sau luyện mạng 98 Hình 6.10 Biểu đồ đáp ứng cho mơ hình mờ dùng phương pháp neural - fuzzy 99 Hình 6.11 Biểu đồ đáp ứng so sánh phương pháp khác 100 Hình 6.12 So sánh mơ hình dùng phân tích độ lợi mơ hình FCM 100 Hình 6.13 So sánh mơ hình dùng phân tích độ lợi Gustafson-Kessel 101 96 Kết tốt mơ hình thu chọn ba thuộc tính v138, v142, v143 v144 Số vòng lặp 100, tốc độ thay đổi tham số tập mờ ngõ 0.01; tập mờ không vượt qua tập mờ kế cận trình học; học bất đồng ; không thay đổi giá trị ngõ q trình học Giao diện mơ hình mờ neural – fuzzy hình 6.6 Hình 6.6 Giao diện mơ hình neural – fuzzy 97 Hình 6.7 Cấu hình mạng neural – fuzzy Cấu hình mạng nơron hình 6.7 Và cấu hình tham số học hình 6.8 Hình 6.8 Cấu hình tham số học cho mạng neural – fuzzy 98 Hệ sở luật sau luyện mơ hình 6.9 Hình 6.9 Các luật kết mơ hình sau luyện mạng Kết mơ hình cho hình 6.10 So sánh mơ hình Nhận xét: Khi xây dựng mơ hình dùng biến RFM, ba biến v138, v142, v143 v144 ba biến quan trọng định đến khả dự đốn mơ hình, phân tích thêm biến khác thời gian xây dựng mơ hình lâu kết dự đốn khơng tốt Các mơ hình so sánh với biểu đồ đáp ứng vẽ hệ trục toạ độ Hình 6.11 kết so sánh 99 Bởi thơng thường người ta chọn từ 10% đến 40% khách hàng chiến dịch Marketing họ nên biểu đồ đáp ứng mơ hình mờ dùng phân tích biểu đồ độ lợi hiệu Nếu phải định chọn khách hàng mục tiêu, trường hợp ta nên chọn phương pháp mô hình mờ dùng phân tích biểu đồ độ lợi để tiến hành dự đốn Khi đó, kết sinh từ mơ hình cho kết cao Các hình sau bao gồm hình 6.12, hình 6.13, hình 6.14, hình 6.15 hình 6.16 so sánh mơ hình dùng phương pháp phân tích biểu đồ độ lợi phương pháp mơ hình khác dùng biểu đồ đáp ứng Qua so sánh ta thấy khác biệt rõ ưu điểm phương pháp mơ hình dùng phân tích biểu đồ độ lợi Trong đường dao động quanh giá trị 0.5 giá trị biểu đồ đáp ứng trường hợp lấy mẫu ngẫu nhiên Đường cong cao biễu diễn biểu đồ đáp ứng cho trường hợp mơ hình dùng phân tích biểu đồ độ lợi, đường cong thấp biểu diễn biểu đồ đáp ứng cho trường hợp biểu đồ đáp ứng khác Hình 6.10 Biểu đồ đáp ứng cho mơ hình mờ dùng phương pháp neural - fuzzy 100 Gain charts l i EFC FC GK EGK Random Hình 6.11 Biểu đồ đáp ứng so sánh phương pháp khác Hình 6.12 So sánh mơ hình dùng phân tích độ lợi mơ hình FCM 101 Hình 6.13 So sánh mơ hình dùng phân tích độ lợi mơ hình Gustafson-Kessel Hình 6.14 So sánh mơ hình dùng phân tích độ lợi mơ hình EFCM 102 Hình 6.15 So sánh mơ hình dùng phân tích độ lợi mơ hình EGK Hình 6.16 So sánh mơ hình dùng phân tích độ lợi mơ hình neural – fuzzy 103 Sau so sánh mơ hình dùng biểu đồ đáp ứng, tiến hành dùng mơ hình tốt nhất, mơ hình tuỳ thích để dự đoán khách hàng đáp ứng cho chiến dịch Marketing Tuỳ theo chiến dịch tới mà số lượng khách hàng chọn có khác Sau ví dụ chọn khách hàng từ kết mơ hình dùng phân tích biểu đồ độ lợi với thông tin khách hàng lấy từ bảng mô tả liệu (cho ý nghĩa biến v1, v2, v3, ) Hình 6.17 Một ví dụ chọn khách hàng mục tiêu từ kết sinh mơ hình 104 Chương KẾT LUẬN Trong sống hàng ngày người phải đối mặt với nhiều định khác Một định đắn dẫn đến thành cơng mỹ mãn, cịn ngược lại có định sai lầm để lại hậu Do nắm bắt tầm quan trọng định đắn nên người ta cố gắng giảm thiểu định sai lầm Từ người ta tìm kiếm phương pháp khác để phục vụ hổ trợ định nhằm tăng cường số định đắn Do phải định lĩnh vực khác cho vấn đề khác nên loại định đa dạng Điều dẫn đến công cụ hổ trợ định vô đa dạng Đối với hoạt động cơng ty bên cạnh nguồn nhân lực yếu tố qua trọng sống còn, yếu tố khác quan trọng khơng góp phần tăng doanh thu quảng bá hình ảnh cơng ty rộng rãi với người tiêu dùng Đó cơng tác Marketing Trong Marketing, yếu tố đóng vai trị quan trọng khách hàng, nhờ có khách hàng mà cơng ty có lợi nhuận, tồn Vì thế, người ta coi khách hàng tài sản q giá cơng ty Một cơng ty có hoạt động Marketing tốt thường coi trọng mối quan hệ với khách hàng họ chi phí để giữ chân khách hàng cũ thấp nhiều so với chi phí để cơng ty có khách hàng Trong công ty coi trọng mối quan hệ với khách hàng người ta thường lưu lại liệu khách hàng để trì mối quan hệ Theo thời gian liệu khách hàng nhiều vượt khả phân tích người Khơng thể tưởng tượng người có khả phân tích hàng chục ngàn mẫu tin sở liệu để tìm thơng tin có ích Chính nhu cầu phải phân tích sở liệu lớn mà người ta nghiên cứu nhiều công cụ khác Một lĩnh vực 105 quan tâm nghiên cứu nhiều người lĩnh vực cơng nghệ thơng tin trí tuệ nhân tạo Theo thời gian, lĩnh vực phát triển mạnh có nhiều ứng dụng nhiều lĩnh vực khác Và thành cơng trí tuệ nhân tạo nhanh chóng áp dụng Marketing đặc biệt Markting mục tiêu, ngành có lượng sở liệu lớn Sự phát triển trí tuệ nhân tạo, máy học, xác suất thống kê nhiều ngành khác dẫn đến đời ngành nghiên cứu mới, data mining Data mining cho phép phân tích nhiều sở liệu có kích thước lớn khác nhau, cho kết thông tin quan trọng rút trích từ sở liệu Và lần data mining lại áp dụng cho nhiều kết đáng trân trọng Marketing Riêng Marking mục tiêu, toán quan trọng tìm khách hàng mục tiêu từ sở liệu để thực chiến dịch Marketing Trong trình xác định khách hàng mục tiêu, cần phải ý hai vấn đề Thứ hiệu chi phí Khi xác định khách hàng mục tiêu hướng đến lượng khách hàng cần thiết mà cần thực chiến dịch số lượng khách nhiều so với thực chiến dịch khách hàng chọn ngẫu nhiên từ sở liệu Mặc dù tỷ lệ đáp ứng khách hàng sử dụng data mining công cụ khác tương đối thấp, thực tế chứng minh với tỷ lệ lợi ích thu cao nhiều so với không sử dụng công cụ Điều thứ hai cần lưu ý phiền toái khách hàng nhận lời chào hàng, quảng cáo không mong muốn Trong phạm vi luận văn xin trình bày phương pháp quan trọng áp dụng trình hổ trợ xác định khách hàng mục tiêu Đó phương pháp: phân nhóm mờ dùng giải thuật fuzzy c – means, giải thuật Gustafson – Kessel, giải thuật fuzzy c – means mở rộng giải thuật Gustafson – Kessel mở rộng; phương pháp mơ hình mờ dùng phân tích biểu đồ độ lợi, phương pháp neural – 106 fuzzy Trong năm phương pháp nêu [18] phương pháp neural – fuzzy đề nghị đưa vào Có thể nói phương pháp phân nhóm mờ dùng giải thuật fuzzy c – means đủ để xác định khách hàng mục tiêu Nhưng xét giải thuật khác để có nhìn khách quan để so sánh kết khác để lựa chọn giải thuật thích hợp cho toán cụ thể Qua kết việc xây dựng mơ hình trên, phương pháp neural – fuzzy đề nghị cho kết tốt so với phương pháp lại ta cho số luật lớn, số vòng lặp đủ lớn Bên cạnh đó, muốn có phương pháp có kết giải thích phương pháp neural - fuzzy Trong phương pháp luật biểu diễn dạng luật ngôn ngữ dễ hiểu người chuyên gia Từ việc xây dựng mơ hình phương pháp trên, lưu lại tham số mơ hình để áp dụng chúng vào tập liệu chưa có kết để tiến hành xác định khách hàng mục tiêu chuẩn bị thực chiến dịch Marketing Việc xây dựng mơ hình phạm vi luận văn dừng lại mức độ nghiên cứu mà chưa thể áp dụng vào thực tế kinh doanh tập trung nhiều vào giải thuật để xây dựng mơ hình Trong thực tế, để có cơng cụ hữu ích phục vụ cho cơng việc kinh doanh, cần có qui trình phức tạp từ việc thu thập liệu từ trình nghiên cứu Marketing đến việc tiền xử lý liệu đầu vào kết hợp với phần mềm phận khác để có hệ thống tích hợp ERP hổ trợ q trình định hồn hảo Đó nội dung nghiên cứu thời gian tới 107 TÀI LIỆU THAM KHẢO [1] PGS.TS Trần Minh Đạo, “Giáo trình Marketing bản”, Nhà xuất Giáo dục, Hà Nội, 2002 [2] Nguyễn Đình Thọ, “Nghiên cứu Marketing”, Nhà xuất Giáo dục, Hà Nội, 1998 [3] Nguyễn Hữu Lam, Đinh Thái Hoàng, Phạm Xuân Lan, “Quản trị chiến lược phát triển vị trí cạnh tranh”, Nhà xuất Giáo dục, Hà Nội, 1998 [4] Tom Soukup, and Ian Davidson , “Visual Data Mining: Techniques and Tools for Data Visualization and Mining”, John Wiley & Son, 2002 [5] “Data mining for Marketing applications”, 12th European Conference on Machine Learning (ECML'01) and 5th European Conference on Principles and Practice of Knowledge Discovery in Databases (PKDD'01), Freiburg, Germany, September 7th, 2001 [6] J.Han, and M.Kamber, “Data mining: Concepts and Techniques”, Morgan Kaufmann, San Francisco, CA.2001 [7] David Hand, Heikki Mannila and Padhraic Smyth, “Principles of Data Mining”, The MIT Press, 2001 [8] Olivia Parr Rud, “Data Mining Cookbook Modeling Data for Marketing, Risk, and Customer Relationship Management”, Wiley Computer Publishing, 2001 [9] Mehmed Kantardzic, “Data Mining: Concepts, Models, Methods, and Algorithms”, John Wiley & Sons, 2003 [10] John Wang (ed), “Data Mining: Opportunities and Challenges”, Idea Group Publishing, 2003 108 [11] Dorian Pyle, “Business Modeling and Data Mining”, Morgan Kaufmann Publishers, 2003 [12] Rob Potharst, Uzay Kaymak, Wim Pijls, “Neural Network for target selection in Direct Marketing”, March 2001 [13] Valery A.Petrushin, James M.Britton, “Data mining for targeted marketing”, Proceedings of the 2000 Conference on Artificial Neural Networks in Engineering (ANNIE 2000) [14] YongSeog Kim, W Nick Street, Gary J Russellz, Filippo Menczer, “Customer targeting: A Neural Network Approach Guided by Genetic Algorithms” [15] Magne Setnes and Uzay Kaymak, “Fuzzy Modeling of Client Preference in Data-Rich Marketing Environments” [16] János Abonyi, Hans Roubos, “A Simple Fuzzy Classifier based on Inconsistency Analysis of Labeled Data” [17] George J.Klir and Bo Yuan, “Fuzzy sets and fuzzy logic: Theory and Applications”, Prentice Hall PTR 1995 [18] João M.Sousa, Uzay Kaymak, Sara Madeira, “A comparative study of fuzzy target selection methods in direct marketing” [19] Detlef Nauck and Rudolf Kruse, “Nefclass – a neural-fuzzy approach for the classification of data”, Technical University of Braunschweig [20] Detlef Nauck and Rudolf Kruse, “Generating rules from data by fuzzy and neural-fuzzy methods”, Technical University of Braunschweig [21] Detlef Nauck and Rudolf Kruse, “Learning methods for fuzzy system”, Technical University of Braunschweig 109 [22] Uzay Kaymak and Magne Setnes, “Extended fuzzy clustering algorithms”, Rotterdam Shool of Management [23] Peter Van Der Putten, “Data mining in direct marketing databases”, Sentient Machine Research, Amsterdam and Dept of Computer Science, Leiden University ... : 00703193 I TÊN ĐỀ TÀI : NGHIÊN CỨU CÁC THUẬT TOÁN DATA MINING, FUZZY LOGIC VÀO BÀI TOÁN MARKETING II NHIỆM VỤ VÀ NỘI DUNG: - Nghiên cứu thuật toán data mining fuzzy logic - Xây dựng mơ hình... tiêu Quyển luận văn trình bày nội dung ? ?Nghiên cứu thuật toán data mining fuzzy logic vào tốn Marketing? ?? Trong thuật tốn sau dùng để xây dựng mơ hình dự đoán: fuzzy c – means (FCM), Gustafson – Kessel... thơng tin xác tốt Các thơng tin có từ q trình nghiên cứu Marketing Q trình nghiên cứu Marketing gồm có giai đoạn: Phát vấn đề hình thành mục tiêu nghiên cứu Xác định kế hoạch nghiên cứu Thu thập thơng