Bài thuyết trình Ứng dụng khai thác dữ liệu (Data Mining and Application): Market Basket Analysis Based on RFM Analysis

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:54

Thêm vào BST

Báo xấu

2
lượt xem 1
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài thuyết trình Ứng dụng khai thác dữ liệu (Data Mining and Application): Market Basket Analysis Based on RFM Analysis trình bày phương pháp phân tích hành vi mua hàng thông qua kết hợp giữa RFM và phân tích giỏ hàng. Bài thuyết trình tập trung vào việc hiểu thói quen tiêu dùng và từ đó đưa ra chiến lược tiếp thị hiệu quả. Đây là một ứng dụng phổ biến trong thương mại điện tử và bán lẻ. Mời các bạn cùng tham khảo để biết thêm chi tiết!

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Bài thuyết trình Ứng dụng khai thác dữ liệu (Data Mining and Application): Market Basket Analysis Based on RFM Analysis

Data Mining Group 7 Giảng viên hướng dẫn: TS. Võ Nguyễn Lê Duy Sinh viên thực hiện: Nguyễn Văn Hùng - 21522121 Trương Lê Minh Hiếu - 21522079 Đoàn Tiến Đạt - 21521933 Tô Duy Nguyên Hoàng - 21522100 Trần Nhật Đức - 21521968 Vũ Huy Hoàng - 21522079
The 80:20 Rule, or Pareto Principle “80% of a company's revenue comes from just 20% of its loyal customers.”
Market Basket Analysis Based on RFM Analysis
Table of content 1. Giới thiệu 2. Đặt vấn đề 3. Phương pháp 4. Thực nghiệm 5. Demo
1. Giới thiệu RFM là gì ? Phân tích giỏ hàng (Market Basket Analysis - MBA). Market Basket Analysis Based on RFM Analysis
RFM Analysis
RFM Analysis Phân tích RFM (Recency, Frequency, Monetary Analysis) là một phương pháp phân tích hành vi khách hàng dùng để đánh giá giá trị của khách hàng dựa trên ba yếu tố chính: R (Recency): Thời gian gần nhất khách hàng thực hiện một giao dịch mua hàng. F (Frequency): Số lần mua hàng trong một khoảng thời gian xác định. M (Monetary): Tổng số tiền mà khách hàng đã chi tiêu trong một khoảng thời gian.
Mục đích của RFM Analysis RFM Analysis được sử dụng để phân loại khách hàng thành các nhóm để tối ưu hóa các chiến lược tiếp thị. Ví dụ cho việc phân loại khách hàng: Khách hàng trung thành (Gold) Khách hàng tiềm năng (Silver) Khách hàng mang lại Đây là nhóm mang lại gần như Đây là nhóm đối tượng đã/đang sử giá trị lợi ích nhỏ(Bronze) trên 70% doanh thu cho doanh dụng sản phẩm/dịch vụ của doanh Đây là nhóm mang lại doanh nghiệp. Nhóm khách hàng này cần nghiệp . Nhóm này sẽ mang lại lợi thu thấp cho doanh nghiệp. vô cùng tin tưởng sử dụng dịch vụ ích trong tương lai nếu có những của doanh nghiệp. cần có những chiến lược thúc đẩy doanh số phù chính sách đặc biệt để giữ chân hợp, cần những chính sách thu nhóm khách hàng này. hút đặc biệt.
Market Basket Analysis
Market Basket Analysis Phân tích giỏ hàng tập trung vào việc xác định các sản phẩm thường xuyên được mua cùng nhau bằng cách phân tích lịch sử mua sắm của khách hàng.
Market Basket Analysis Based on RFM Analysis
́ Kêt hợp MBA và RFM Khi kết hợp RFM với MBA, ta có thể tạo ra các nhóm khách hàng có hành vi mua sắm tương tự, từ đó áp dụng các chiến lược gợi ý sản phẩm hiệu quả hơn cho từng nhóm.
́ 2. Đặt vân đề Giới thiệu bộ dữ liệu Phân tích dữ liệu
Bộ dữ liệu: Online Retail Data Set https://www.kaggle.com/datasets/vijayuv/onlineretail/data Bộ dữ liệu bao gồm các features: · InvoiceNo (str): Mã hoá đơn. · StockCode (str): Mã sản phẩm. · Description (str): Tên sản phẩm. · Quantity (int): Số lượng của sản phẩm. · InvoiceDate (date): Thời gian thực hiện giao dịch. · UnitPrice (float): Giá tiền của từng loại sản phẩm · CustomerID (str): Mã khách hàng · Country (str): Quốc gia
Phân tích dữ liệu
Phân tích dữ liệu Tổng thu nhập theo từng tháng: Cửa hàng thu được nhiều lợi nhuận đột xuất vào khoảng cuối tháng 5 – đầu tháng 6, và doanh số vào dịp cuối năm (sau tháng 9) cao hơn so với trung bình các tháng kia.
Phân tích dữ liệu Những mặt hàng có doanh thu cao nhất: Mặt hàng ‘POSTAGE’ và ‘REGENCY CAKESTAND 3 TIER’ có doanh thu cao vượt trội những mặt hàng còn lại, tiếp đó là ‘ROUND SNACK BOXES SET OF4 WOODLAND’, doanh thu của các mặt hàng còn lại khác biệt không đáng kể
3. Phương pháp Tiền xử lí dữ liệu Phân tích RFM Xây dựng phân nhóm dựa trên RFM Phân khúc khách hàng Kết hợp kết quả RFM với MBA (DEMO)
̀ 3.1. Tiên xử lí dữ liệu
Tiền xử lí dữ liệu Lọc các hóa đơn có giá trị "C" trong cột "Invoice". Vì đây là những hoá đơn bị “Cancel” Loại bỏ hoá đơn bị trùng(mã hoá đơn và sản phẩm) Xử lí ngoại lệ