Ứng dụng thuật toán K-Means để phân khúc khách hàng dựa vào mô hình RFM

Trong bài viết này, tác giả áp dụng thuật toán K-Means để phân khúc khách hàng dựa vào mô hình RFM. Nghiên cứu được thực hiện thông qua phương pháp thực nghiệm trên tập dữ liệu gồm 16423 giao dịch từ một chi nhánh của công ty Kimberly- Clark. Kết quả nghiên cứu thu được 4 phân khúc với các đặc trưng riêng biệt...
Nội dung trích xuất từ tài liệu:
Ứng dụng thuật toán K-Means để phân khúc khách hàng dựa vào mô hình RFM ĐẠI HỌC TÀI CHÍNH - KẾ TOÁN ỨNG DỤNG THUẬT TOÁN K-MEANS ĐỂ PHÂN KHÚC KHÁCH HÀNG DỰA VÀO MÔ HÌNH RFM APPLICATION OF K-MEANS ALGORITHM TO SEGMENT CUSTOMERS BASED ON THE RFM MODEL Ngày nhận bài : 21.10.2022 Ngày nhận kết quả phản biện : 10.11.2022 ThS. Nguyễn Thị Ngọc Hạnh Ngày duyệt đăng : 10.12.2022 Trường Đại học Tài chính - Kế toán TÓM TẮT Phân khúc khách hàng là một trong những vấn đề quan trọng trong việc quản lý khách hàng và xây dựng các chiến lược marketing phù hợp. Trước đây, các doanh nghiệp thường phân khúc chủ yếu dựa vào các thông tin truyền thống về nhân khẩu học, yếu tố tâm lý, hay yếu tố hành vi mua hàng... Ngày nay, với sự phát triển của khoa học dữ liệu, các doanh nghiệp luôn chú trọng đến việc lưu trữ cẩn thận các cơ sở dữ liệu khách hàng như hóa đơn, chi tiết hóa đơn, v.v...Điều này giúp doanh nghiệp có thể sử dụng mô hình RFM để phân khúc khách hàng. Trong bài báo này, chúng tôi áp dụng thuật toán K-Means để phân khúc khách hàng dựa vào mô hình RFM. Nghiên cứu được thực hiện thông qua phương pháp thực nghiệm trên tập dữ liệu gồm 16423 giao dịch từ một chi nhánh của công ty Kimberly- Clark. Kết quả nghiên cứu thu được 4 phân khúc với các đặc trưng riêng biệt. Từ khóa: Thuật toán K-Means, phân khúc khách hàng, mô hình RFM ABSTRACT Customer segmentation is one of the important issues in customer management and coming up with appropriate marketing strategies. In the past, businesses often segmented mainly based on traditional information about demographics, psychological, or buying behavior factors, etc. Nowadays, with the development of data science, the enterprises always focus on carefully storing customer databases such as invoices, invoice details... This helps businesses to segment customers using the RFM model. In this paper, we apply K-Means algorithm to segment customers based on RFM model. The study was carried out through an empirical method on a data set of 16423 transactions from a branch of Kimberly-Clark company. Research results obtained 4 segments with distinct characteristics. Key words: K-Means algorithm, customer segmentation, RFM model 1. Giới thiệu về phân khúc khách hàng và mô hình RFM Phân khúc khách hàng là quá trình phân chia khách hàng thành các nhóm dựa trên các đặc điểm khách hàng mục tiêu chung để các doanh nghiệp có thể tiếp thị cho từng nhóm một cách hiệu quả và phù hợp. Đây là một trong những công cụ tiếp thị quan trọng nhất theo ý của doanh nghiệp, vì nó có thể giúp doanh nghiệp hiểu rõ hơn về đối tượng khách hàng mục tiêu của mình. Mỗi phân khúc khách hàng mua sản phẩm của doanh nghiệp để đáp ứng các nhu cầu giống nhau và thường giao tiếp thông qua các kênh tương tự. Vì vậy, phân khúc khách hàng là lĩnh vực marketing giúp cho doanh nghiệp 93 TẠP CHÍ KHOA HỌC TÀI CHÍNH KẾ TOÁN có thể nổ lực để thoả mãn tối đa nhu cầu từng nhóm khách hàng tương đối đồng nhất trên cùng một thị trường. Trong nền kinh tế số, ngoài các phương pháp phân khúc khách hàng theo yếu tố địa lý, nhân khẩu học, tâm lý hay hành vi mua hàng, các doanh nghiệp còn có thể sử dụng mô hình RFM để phân khúc khách hàng dựa vào lịch sử giao dịch. Mô hình RFM (Recency - Frequency - Monetary) là một phần của phân tích Marketing, được sử dụng để phân tích giá trị khách hàng, giúp doanh nghiệp có thể phân khúc khách hàng dựa vào lịch sử giao dịch, từ đó đưa ra những chiến lược marketing phù hợp với từng phân khúc. Mô hình RFM định lượng giá trị của một khách hàng dựa trên 3 yếu tố: R (Recency), F (Frequency) và M (Monetary). Mỗi yếu tố miêu tả một đặc điểm chính trong hành vi mua hàng của khách hàng [3][7]: - R (Recency): Khoảng thời gian giữa thời điểm mua hàng gần đây nhất và thời điểm nghiên cứu. Khách hàng có chỉ số R càng lớn, cho thấy xu hướng rời bỏ của khách hàng càng lớn. Khách hàng có chỉ số R càng thấp thì khả năng khách hàng đó sẽ quay lại mua hàng trong tương lai càng cao. - F (Frequency): Tần suất mua hàng của khách hàng. Chỉ số này xác định số lần giao dịch của khách hàng với công ty trong suốt thời gian nghiên cứu. Những khách hàng có chỉ số F cao, khả năng sẽ gắn bó và trung thành hơn những khách hàng có tần suất thấp. - M (Monetary): Là tổng số tiền mà khách hàng đã chi tiêu cho các giao dịch với công ty trong thời gian nghiên cứu. Những khách hàng chi tiêu nhiều (có chỉ số M lớn), mang lại nhiều giá trị kinh doanh cho công ty hơn những khách hàng chi tiêu ít (chỉ số M nhỏ). Như vậy mô hình RFM có thể được xem là một bản tóm tắt các giao dịch của khách hàng dưới ba yếu tố R, F và M. Mỗi yếu tố R, F và M thường được gán điểm từ 1 đến 5 hoặc từ 1 đến 4 phụ thuộc vào cách đánh giá khách hàng của công ty. Cách gán điểm phổ biến nhất đó là sắp xếp cơ sở dữ liệu khách hàng theo mỗi tiêu chí R, F, M. Nếu chia tập dữ liệu đó thành 5 nhóm bằng nhau thì điểm 5 sẽ được gán cho nhóm khách hàng tốt nhất, và nhóm xấu nhất được gán điểm 1. Cuối cùng, kết hợp các điểm số R, F, M sẽ tạo thành điểm RFM của mỗi khách hàng. Như vậy sẽ tạo ra tối đa 125 (5×5×5) phân khúc khác nhau với điểm RFM tương ứng là 555; 554; 553; 552; ...112; 111. Phương pháp phân khúc khách hàng dựa vào điểm RFM như trên khá thủ công và phức tạp, đặc biệt là khi số lượng khách hàng tăng lên quá nhiều. Trong các nghiên cứu gần đây [4][5][6], việc vận dụng mô hình RFM đã có sự thay đổi, các nhà phân tích số liệu đã ứng dụng và cải tiến trong việc phân chia các nhóm khách hàng bằng việc sử dụng các thuật toán, phương pháp trên nền tảng toán học t ...