Ứng dụng của Big data trong đo lường sự gắn kết của người tiêu dùng đối với các thương hiệu

Chia sẻ: Liễu Yêu Yêu | Ngày: | Loại File: PDF | Số trang:10

Thêm vào BST

Báo xấu

41
lượt xem 6
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài viết "Ứng dụng của Big data trong đo lường sự gắn kết của người tiêu dùng đối với các thương hiệu" giới thiệu ứng dụng của Big Data trong đo lường sự gắn kết của người tiêu dùng. Gắn kết người tiêu dùng với thương hiệu ngày càng nhận được nhiều sự quan tâm của cả giới học thuật lẫn ứng dụng. Mời các bạn cùng tham khảo!

Chủ đề:

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

Lưu

Nội dung Text: Ứng dụng của Big data trong đo lường sự gắn kết của người tiêu dùng đối với các thương hiệu

ỨNG DỤNG CỦA BIG DATA TRONG ĐO LƯỜNG SỰ GẮN KẾT CỦA NGƯỜI TIÊU DÙNG ĐỐI VỚI CÁC THƯƠNG HIỆU Nguyễn Thanh Bình Khoa Công nghệ Thông tin. Trường Đại học Tài chính – Marketing Email: ntbinh@ufm.edu.vn Tóm tắt: Trong thời đại 4.0 hiện nay, với sự phát triển của các phương tiện truyền thông xã hội (Social Media) giúp cho việc gắn kết với thương hiệu của người tiêu dùng trở nên nhanh chóng, thuận tiện và tức thời. Điều này, một mặt giúp cho các doanh nghiệp dễ dàng tương tác với khách hàng, người tiêu dùng; mặt khác doanh nghiệp lại gặp khó khăn trong việc thu thập, đo lường và phân tích về những hành vi tương tác này khi mà phương pháp truyền thống vốn dĩ đòi hỏi nhiều nguồn lực, thời gian và chi phí. Sự ra đời và phát triển mạnh mẽ của Dữ liệu lớn (Big Data) mang đến một công cụ hiệu quả trong việc thu thập và phân tích dữ liệu, đặc biệt là dữ liệu trên Internet. Trong đó, sự đo lường sự gắn kết của người dùng với các thương hiệu đang được quan tâm đặc biệt, nhất là trong giai đoạn thương mại điện tử đang phát triển mạnh mẽ như hiện nay. Khái niệm gắn kết người tiêu dùng với thương hiệu ngày càng nhận được nhiều sự quan tâm của cả giới học thuật lẫn ứng dụng. Trong khuôn khổ bài báo cáo này tôi giới thiệu ứng dụng của Big Data trong đo lường sự gắn kết của người tiêu dùng. Từ khóa: Big Data, dữ liệu lớn, Digital Marketing 1. KHÁI NIỆM VỀ BIG DATA Theo wikipedia: Big Data là một thuật ngữ chỉ bộ dữ liệu lớn hoặc phức tạp mà các phương pháp truyền thống không đủ các ứng dụng để xử lý dữ liệu này. Theo Gartner: Dữ liệu lớn là những nguồn thông tin có đặc điểm chung khối lượng lớn, tốc độ nhanh và dữ liệu định dạng dưới nhiều hình thức khác nhau, do đó muốn khai thác được đòi hỏi phải có hình thức xử lý mới để đưa ra quyết định, khám phá và tối ưu hóa quy trình. 2. PHÂN LOẠI DỮ LIỆU LỚN Dữ liệu lớn bao gồm dữ liệu truyền thống và dữ liệu phi truyền thống ➢ Dữ liệu truyền thống bao gồm: - Dữ liệu của công ty dưới dạng báo cáo hàng năm, hồ sơ theo qui định, số liệu bán hàng và thu nhập và các cuộc hội nghị bằng điện thoại (conference calls). 176
- Dữ liệu được tạo ra trên thị trường tài chính, bao gồm giá và khối lượng giao dịch. - Thống kê của chính phủ. ➢ Dữ liệu phi truyền thống bao gồm: - Dữ liệu từ cá nhân: Bài đăng trên các mạng xã hội, các đánh giá trực tuyến, email và việc truy cập trang web. - Dữ liệu từ các doanh nghiệp: Hồ sơ ngân hàng và dữ liệu máy quét bán lẻ. - Dữ liệu từ các thiết bị điện tử: Dữ liệu được tạo ra từ nhiều loại thiết bị, bao gồm điện thoại thông minh, máy ảnh, micrô, đầu đọc nhận dạng tần số vô tuyến (RFID), cảm biến không dây và vệ tinh. Khi Internet và các thiết bị nối mạng ngày càng phát triển, việc sử dụng các nguồn dữ liệu phi truyền thống đã tăng lên, bao gồm thông tin trên các mạng xã hội, email và các phương thức giao tiếp bằng văn bản, lưu lượng truy cập trang web, trang tin tức trực tuyến và các nguồn thông tin điện tử khác. 3. ĐẶC TRƯNG CỦA DỮ LIỆU LỚN Dữ liệu lớn có 5 đặc trưng cơ bản như sau (mô hình 5V): Hình 1: 5 đặc trưng của Big Data (1) Khối lượng dữ liệu (Volume): Đặc điểm tiêu biểu nhất của dữ liệu lớn là khối lượng dữ liệu rất lớn. Kích cỡ của Big Data đag từng ngày tăng lên, tính đến năm 2012 thì nó có thể nằm trong khoảng vài chục terabyte cho đến nhiều petabyte (1 petabyte = 1024 terabyte) chỉ cho một tập hợp dữ liệu. 177
Dữ liệu truyền thống có thể lưu trữ trên các thiết bị đĩa mềm, đĩa cứng. Nhưng với dữ liệu lớn phải sử dụng công nghệ “đám mây” mới đáp ứng khả năng lưu trữ được dữ liệu lớn. (2) Tốc độ (Velocity): Tốc độ có thể hiểu theo 2 khía cạnh: (a) Khối lượng dữ liệu gia tăng rất nhanh (mỗi giây có tới 72.9 triệu các yêu cầu truy cập tìm kiếm trên web bán hàng của Amazon); (b) Xử lý dữ liệu nhanh ở mức thời gian thực (real-time), có nghĩa dữ liệu được xử lý ngay tức thời ngay sau khi chúng phát sinh (tính đến bằng mili giây). Các ứng dụng phổ biến trên lĩnh vực Internet, Tài chính, Ngân hàng, Hàng không, Quân sự, Y tế – Sức khỏe như hiện nay phần lớn dữ liệu lớn được xử lý real-time. Công nghệ xử lý dữ liệu lớn ngày nay đã cho phép chúng ta xử lý tức thì trước khi chúng được lưu trữ vào cơ sở dữ liệu. (3) Đa dạng (Variety): Đối với dữ liệu truyền thống chúng ta hay nói đến dữ liệu có cấu trúc, thì ngày nay hơn 80% dữ liệu được sinh ra là phi cấu trúc (tài liệu, blog, hình ảnh, vi deo, bài hát, dữ liệu từ thiết bị cảm biến vật lý, thiết bị chăm sóc sức khỏe…). Big Data cho phép liên kết và phân tích nhiều dạng dữ liệu khác nhau. Ví dụ, với các bình luận của một nhóm người dùng nào đó trên Facebook với thông tin video được chia sẻ từ Youtube và Twitter. (4) Độ tin cậy/chính xác (Veracity) Một trong những tính chất phức tạp của dữ liệu lớn là độ tin cậy/chính xác của dữ liệu. Với xu hướng phương tiện truyền thông xã hội (Social Media) và mạng xã hội (Social Network) ngày nay và sự gia tăng mạnh mẽ tính tương tác và chia sẻ của người dùng Mobile làm cho bức tranh xác định về độ tin cậy & chính xác của dữ liệu ngày một khó khăn hơn. Bài toán phân tích và loại bỏ dữ liệu thiếu chính xác và nhiễu đang là tính chất quan trọng của BigData. (5) Giá trị (Value) Giá trị là đặc điểm quan trọng nhất của dữ liệu lớn, vì khi bắt đầu triển khai xây dựng dữ liệu lớn thì việc đầu tiên cần phải làm đó là xác định được giá trị của thông tin mang lại như thế nào, khi đó chúng ta mới có quyết định nên triển khai dữ liệu lớn hay không. Nếu dữ liệu lớn mà chỉ nhận được 1% lợi ích từ nó, thì không nên đầu tư phát triển dữ liệu lớn. Kết quả dự báo chính xác thể hiện rõ nét nhất về giá trị của dữ liệu lớn mang lại. Ví dụ, từ 178
khối dữ liệu phát sinh trong quá trình khám, chữa bệnh sẽ giúp dự báo về sức khỏe được chính xác hơn, sẽ giảm được chi phí điều trị và các chi phí liên quan đến y tế. 4. SỰ KHÁC BIỆT GIỮA DỮ LIỆU LỚN VỚI DỮ LIỆU TRUYỀN THỐNG Dữ liệu lớn khác với dữ liệu truyền thống (ví dụ, kho dữ liệu - Data Warehouse) ở 4 điểm cơ bản: Dữ liệu đa dạng hơn; lưu trữ dữ liệu lớn hơn; truy vấn nhanh hơn; độ chính xác cao hơn. (1) Dữ liệu đa dạng hơn: Khai thác dữ liệu truyền thống (Dữ liệu có cấu trúc), chúng ta thường phải trả lời các câu hỏi: Dữ liệu lấy ra kiểu gì? định dạng dữ liệu như thế nào? Đối với dữ liệu lớn, không phải trả lời các câu hỏi trên. Khi khai thác, phân tích dữ liệu lớn chúng ta không cần quan tâm đến kiểu dữ liệu và định dạng của chúng; điều quan tâm là giá trị mà dữ liệu mang lại có đáp ứng được cho công việc hiện tại và tương lai không. (2) Lưu trữ dữ liệu lớn hơn: Lưu trữ dữ liệu truyền thống vô cùng phức tạp và luôn đặt ra câu hỏi lưu như thế nào? dung lượng kho lưu trữ bao nhiêu là đủ? gắn kèm với câu hỏi đó là chi phí đầu tư tương ứng. Công nghệ lưu trữ dữ liệu lớn hiện nay đã phần nào có thể giải quyết được vấn đề trên nhờ những công nghệ lưu trữ đám mây, phân phối lưu trữ dữ liệu phân tán và có thể kết hợp các dữ liệu phân tán lại với nhau một cách chính xác và xử lý nhanh trong thời gian thực. (3) Truy vấn dữ liệu nhanh hơn: Dữ liệu lớn được cập nhật liên tục, trong khi đó kho dữ liệu truyền thống thì lâu lâu mới được cập nhật và trong tình trạng không theo dõi thường xuyên gây ra tình trạng lỗi cấu trúc truy vấn dẫn đến không tìm kiếm được thông tin đáp ứng theo yêu cầu. (4) Độ chính xác cao hơn: Dữ liệu lớn khi đưa vào sử dụng thường được kiểm định lại với những điều kiện chặt chẽ, số lượng thông tin được kiểm tra thường rất lớn, đảm bảo về nguồn lấy dữ liệu không có sự tác động của con người vào thay đổi số liệu thu thập. 5. KHÓ KHĂN KHI SỬ DỤNG DỮ LIỆU LỚN Các khó khăn khi sử dụng dữ liệu lớn, bao gồm: Chất lượng, khối lượng và tính phù hợp của dữ liệu. Các câu hỏi cần đặt ra khi sử dụng dữ liệu lớn: 1. Tập dữ liệu có sai số từ việc lựa chọn đối tượng (Selection bias), thiếu dữ liệu hoặc có dữ liệu ngoại lai (Data outliers) không? 2. Khối lượng dữ liệu thu thập có đủ hay không? 179
3. Dữ liệu có phù hợp cho việc phân tích hay không? Trong hầu hết các trường hợp, dữ liệu phải được lấy từ nguồn ban đầu, sau đó làm sạch và sắp xếp trước khi phân tích. Quá trình này rất khó khăn đối với dữ liệu phi truyền thống do các đặc điểm phi cấu trúc của dữ liệu liên quan, thường mang tính định tính (ví dụ: Văn bản, ảnh và video) hơn là định lượng. 6. NHỮNG CƠ HỘI VÀ THÁCH THỨC KHI ỨNG DỤNG BIG DATA Cơ hội (1) Tiếp cận và nghiên cứu về dữ liệu lớn sẽ giúp cho chúng ta có thêm phương án giải quyết, xử lý và đối phó với những thách thức đối với sản xuất số liệu thống kê chính thức trong hiện tại và tương lai. Những nghiên cứu thực nghiệm cần phải được tiến hành để khám phá những ứng dụng tiềm năng của dữ liệu lớn trong số liệu thống kê chính thức, và nghiên cứu thực nghiệm đó phải là một phần trong quy trình sản xuất số liệu thống kê. (2) Nghiên cứu về dữ liệu lớn phải có cơ sở hạ tầng công nghệ thông tin hiện đại, đáp ứng yêu cầu xử lý khối lượng lớn dữ liệu và nhanh, đồng thời có thể tập hợp dữ liệu từ nhiều nguồn khác nhau. Thực hiện được điều này ta có được đội ngũ nguồn lực về quản lý và khai thác Big Data vững vàng về chuyên môn và được trải qua kinh nghiệm thực tế. (3) Tiếp cận và nghiên cứu về dữ liệu lớn sẽ giúp chúng ta có được những văn bản pháp lý bổ sung có thể giúp cho cơ quan thống kê chính thức có điều kiện để thực hiện được khai thác dữ liệu thông qua hồ sơ hành chính, ngoài ra dữ liệu cũng được bảo đảm và giữ bí mật nhờ những văn bản pháp lý bổ sung này. (4) Sử dụng dữ liệu lớn đem lại niềm tin của cộng đồng với thống kê chính thức do quá trình trình sản xuất số liệu thống kê chính thức với dữ liệu lớn hoàn toàn không có sự tác động chủ ý của con người. Thách thức (1)Tài chính Nhiều đơn vị, tổ chức không đo lường được vấn đề sẽ phát sinh trong quá trình triển khai thực hiện, dự toán kinh phí chưa chính xác, do vậy dự án không thực hiện được. Để triển khai được thành công, yếu tố tài chính có ý nghĩa rất quan trọng, một số tập đoàn thương mại lớn có tiềm lực tài chính vững chắc đã xây dựng thuận lợi hệ thống dữ liệu Big Data như IBM, website bán hàng thương mại điện tử Amazon ... 180
(2) Chính sách, quy định Luật pháp về truy cập và sử dụng dữ liệu Việc sử dụng và khai thác dữ liệu lớn phụ thuộc vào luật quy định của mỗi quốc gia. Ví dụ: ở Canada người dùng được tiếp cận dữ liệu từ cả hai tổ chức chính phủ và phi chính phủ, nhưng ở những nước khác như Ireland thì phải được sự cho phép từ các cơ quan chính phủ. Điều này có thể dẫn đến những hạn chế để truy cập vào một số loại dữ liệu lớn. (3) Trình độ khai thác và quản lý dữ liệu Do luật pháp quy định sử dụng và khai thác ở mỗi quốc gia là khác nhau nên cách quản lý là cũng khác nhau tuy nhiên, Một vấn đề liên quan đến quản lý thông tin hiện nay là nguồn nhân lực. Khoa học dữ liệu lớn đang phát triển mạnh trong những tổ chức tư nhân, trong khi đó bộ phận này chưa được liên kết với những tổ chức của chính phủ một cách chặt chẽ dẫn đến việc quản lý vẫn còn nhiều vướng mắc.. (4) Hạ tầng Công nghệ thông tin Cần cải thiện tốc độ dữ liệu truy cập vào các dữ liệu hành chính nghĩa là có thể sử dụng giao diện ứng dụng của Chương trình chuyên sâu tiêu chuẩn (API) để truy cập dữ liệu. Bằng cách này, có thể kết nối các ứng dụng cho dữ liệu thu về và xử lý dữ liệu trực tiếp với dữ liệu hành chính. Ngoài ra hệ thống khai thác dữ liệu lớn cũng phải được tính toán để có thể kết nối vào được kho cơ sở dữ liệu truyền thống, đó cũng là một trong những thách thức lớn cần được giải quyết. 7. ỨNG DỤNG CỦA BIG DATA TRONG SỰ ĐO LƯỜNG SỰ GẮN KẾT CỦA NGƯỜI TIÊU DÙNG ĐỐI VỚI CÁC THƯƠNG HIỆU Big Data được ứng dụng trong rất nhiều lĩnh vực khác nhau như: Ngân hàng, Giáo dục, Chính phủ, Chăm sóc sức khỏe, … trong khuôn khổ bài viết này tác giả chỉ đề cập ứng dụng của Big Data trong sự đo lường sự gắn kết của người tiêu dùng đối với các thương hiệu thông qua trang Web của hai công ty lớn Hình 2: Các lĩnh vực có thể khai thác Big Data nhất Việt Nam trong lĩnh vực bán lẻ điện (nguồn Dzone.com) 181
thoại di động (www.thegioididong.com và www.fptshop.com.vn) trong khoảng thời gian: từ tháng 3/2017 đến 6/2017 7.1. Khái niệm gắn kết và cách thức đo lường Trong lĩnh vực marketing, khái niệm gắn kết vẫn đang trong giai đoạn phát triển, vẫn còn thiếu sự rõ ràng và sự đồng thuận về định nghĩa, hình thức, thuộc tính và cách thức ứng dụng. Theo Dictionary.com (2017): "Gắn kết là hành động gắn kết hoặc trạng thái gắn kết". Trong marketing, các học giả khác nhau đã giải quyết theo những cách rất khác nhau và đôi khi mâu thuẫn về khái niệm này, hoặc tập trung vào "hành động" của sự gắn kết, hoặc về "trạng thái" của việc gắn kết (trạng thái thuộc về tâm lý). Khái niệm gắn kết cần được xem xét trong bối cảnh phụ thuộc và phải ánh quá trình mà cường độ gắn kết có thể phát triển và dao động theo thời gian. Theo Hollebeek (2011a, 2011b), sự tương tác hai chiều giữa các đối tượng gắn kết có liên quan và các đối tượng trong các ngữ cảnh cụ thể làm tăng mức độ gắn kết cụ thể tại một thời điểm cụ thể, đại diện cho các trạng thái gắn kết liên quan, vốn dĩ thay đổi nhưng bao hàm quá trình tương tác. Xem xét dựa trên quan điểm nhị nguyên (valence), Van Doorn và cộng sự (2010) lập luận rằng khái niệm gắn kết phải được phân loại là tích cực hoặc tiêu cực. Gắn kết của người tiêu dùng với thương hiệu còn được hình thành dựa trên động cơ thúc đẩy. Động cơ thúc đẩy được định nghĩa là "trạng thái bên trong của sự kích động cung cấp năng lượng cần thiết để đạt được mục đích" (Higgins & Scholer, 2009) hoặc là "những lý do dẫn đến hành vi" (Guay và cộng sự, 2010). Theo ý tưởng của Von Krogh và cộng sự (2012), nên xem xét gắn kết của người tiêu dùng với thương hiệu là một quá trình tạo động lực, được hình thành bởi những động cơ bên trong, nội tại và bên ngoài; trong đó các động cơ bên ngoài cũng bắt nguồn từ những khía cạnh quan trọng của thực hành xã hội (ví dụ: phương tiện truyền thông xã hội). 7.2 Tổng quan về tình hình đo lường gắn kết người tiêu dùng với thương hiệu bằng Big Data Hiện nay để đo lường gắn kết người tiêu dùng với thương hiệu bằng Big Data, trong giới ứng dụng sử dụng các công cụ đo lường được gọi là “Lắng nghe mạng xã hội” (Social listening tool); là công cụ giúp lắng nghe và theo dõi người dùng trên mạng xã hội; hoạt động theo quy trình dựa trên: cơ chế thu thập, tiêu chuẩn hóa và xử lý ngôn ngữ tự nhiên. 182
7.2.1. Khái niệm và phương pháp đo lường Cơ chế “lắng nghe” này hướng đến công nghệ có những đặc tính sau: Quét các mạng xã hội, các blog, diễn đàn, trang tin tức chuyên biệt để tìm kiếm thông tin trao đổi liên quan đến từ khóa hoặc nhóm từ khóa cho sẵn. Sử dụng qui trình xử lý ngôn ngữ tự nhiên có xét đến yếu tố cảm xúc (sentiment) để phân tích các kết quả thu được từ quá trình quét ở trên. 7.2.2. Ứng dụng Big Data trong đo lường gắn kết Các công cụ “Công cụ lắng nghe mạng xã hội” rất đa dạng với những khả năng khác nhau, và mang lại nhiều tính năng khá toàn diện như: Hiểu về khách hàng tiềm năng Từ kết quả của việc “lắng nghe” chúng ta sẽ có sự hiểu biết về khách hàng tiềm năng: họ đang nghĩ gì, quan tâm đến vấn đề gì... Chăm sóc khách hàng tiềm năng Kết quả của việc “lắng nghe” giúp biết được khách hàng đang không hài lòng vấn đề gì, từ đó chúng ta có cách thức xử lý phù hợp. Kích hoạt khách hàng tiềm năng Phân phối quảng cáo cho người hâm mộ thương hiệu với tính năng lựa chọn Khách hàng tiềm năng (Custom Audiences) Kích hoạt Người ảnh hưởng (Influencer) Phân tích đối thủ cạnh tranh Share of voice (SoV: mức độ thương hiệu được nhắc đến so với đối thủ) là một thước đo phổ biến về tính cạnh tranh giữa các nhãn hàng lớn. Với “Công cụ lắng nghe mạng xã hội”, người làm marketing có thể phát triển những hiểu biết về SoV ở góc độ tổng quát, cũng như ở góc độ chuyên sâu hơn dựa trên các phân khúc địa lý, kênh giao tiếp (tin tức, diễn đàn, blog,…) và nhân khẩu học (tuổi tác, giới tính,…). Tối ưu hóa chiến dịch marketing Hoạt động tiếp thị nội dung (Content marketing) đối với các tập đoàn lớn thường tập trung xoay quanh các cụm từ khóa, tag lines hay hashtags then chốt. “Công cụ lắng nghe mạng xã hội” cho phép người làm marketing theo dấu mức độ lan truyền của các cụm từ này hiệu quả hơn. 183
7.2.3. Các công cụ lắng nghe mạng xã hội ở Việt Nam Boomerang (www.boomerang.net.vn) Social Heat (www.socialheat.younetmedia.com) Buzzmetrics (www.buzzmetrics.vn) Ngoài ra chúng ta có thể kể thêm các công cụ lắng nghe mạng xã hội của các công ty khác như là: iMonitor (www.imonitor.com.vn), SMCC (www.smcc.vn), và Click Media (www.weareclick.vn). 7.2.4. Dịch vụ của các công cụ lắng nghe mạng xã hội tại Việt Nam - Trung tâm quản lý mạng xã hội (Social Media Command Center) - Lắng nghe thương hiệu (hoặc công ty) - Quản trị danh tiếng thương hiệu trên mạng xã hội - Lắng nghe và so sánh đối thủ cạnh tranh - Lắng nghe và đánh giá chiến dịch truyền thông - Chăm sóc khách hàng trên mạng xã hội (Social Care) - Nghiên cứu khách hàng và thị trường trên mạng xã hội 7.2.5. Tổng kết và đánh giá về các công cụ lắng nghe mạng xã hội - Giá thành cao. - Chưa tập trung vào nhu cầu chuyên biệt của khách hàng. - Yêu cầu thử nghiệm (demo) rất khó. - Nguồn dữ liệu chưa tạo tính tin cậy, bị lặp lại dữ liệu. 7.2.6. Kết quả Từ việc thành công trong việc áp dụng Big Data trong xây dựng công cụ đo lường mức độ gắn kết của người tiêu dùng đối với thương hiệu; tác giả rút ra những kết luận sau: - Chúng ta hoàn toàn có thể đo lường được gắn kết của người tiêu dùng đối với các thương hiệu trên các phương tiện truyền thông xã hội (Social Media). - Từ đó, chúng ta sẽ có được công cụ hữu ích trong việc theo dõi lắng nghe thương hiệu cũng như theo dõi được đối thủ cạnh tranh. 184
Cũng thông qua công cụ đo lường này, bằng cách so sánh với các dữ liệu thứ cấp (của các công ty nghiên cứu thị trường và từ công bố của các doanh nghiệp), tác giả cũng tìm thấy mối liên quan giữa gắn kết người tiêu dùng với thương hiệu và các nhân tố khác như: hiệu quả của các chiến dịch marketing, doanh số bán ra của các thương hiệu, doanh số bán ra của dòng sản phẩm, thị phần của thương hiệu. Bên cạnh đó, phương pháp và công cụ này cũng có những lợi ích về: tính nhanh chóng (tức thời), tính cập nhật, phân tích đa dạng, nhiều chiều và hữu ích cho nhiều đối tượng khác nhau hơn là so với phương pháp truyền thống. 8. KẾT LUẬN Trong bài báo này tác giả trình bày những thông tin cơ bản về Big Data, những lợi ích mà Big Data mang lại cho chúng ta. Bên cạnh đó cũng chỉ ra những thách thức khi triển khai áp dụng khai thác Big Data. Đồng thời, bài báo đã trình bày những kết quả đạt được trong việc áp dụng công cụ Big Data làm phương pháp đo lường gắn kết của người tiêu dùng với thương hiệu, như là một phương pháp thu thập và phân tích dữ liệu hỗ trợ cho các phương pháp truyền thống hiện tại TÀI LIỆU THAM KHẢO [1] https://en.wikipedia.org/wiki/Big_data [2] https:// Big Datauni.com/ [3] https://viettelidc.com.vn/tin-tuc/du-lieu-lon-big-data-la-gi [4] Ks. Nguyễn Công Hoan, Tổng Quan Về Dữ Liệu Lớn (Bigdata), Trung Tâm Thông tin Khoa học thống kê (Viện KHTK), 2015. [5] ThS. Phạm Đức Tú, Big Data, Phòng NCPT Ứng dụng Viễn thông, 2014 [6] Nguyễn Anh Duy & Nguyễn Phúc Quỳnh Như, Dữ liệu lớn: Cách thức khai thác cơ hội từ dữ liệu? Trường hợp Amazon, Trường Đại học Kinh tế-Tài chính TP.HCM, 2019. [7]. Nguyễn Huy Bình, Đo Lường Sự Gắn Kết Của Người Tiêu Dùng Đối Với Các Thương Hiệu Bằng Big Data, luận văn Thạc Sỹ trường Đại Học Kinh tế Đà Nẵng, 2017 185