Tóm tắt
Nghiên cứu này sử dụng các kỹ thuật khai thác dữ liệu giao dịch để phân khúc khách hàng trong lĩnh vực bán lẻ trực tuyến. Tích hợp khuôn khổ CRISP-DM với mô hình RFM, nghiên cứu đánh giá sáu thuật toán phân cụm bao gồm K-Means, Spectral Clustering, Mean Shift, Gaussian Mixture Model, DBSCAN và Fuzzy C-Means nhằm tối ưu hóa giải pháp phân khúc khách hàng. Các chỉ số định lượng bao gồm Davies-Bouldin, Calinski-Harabasz, Dunn và điểm Silhouette, chứng minh K-Means đạt hiệu quả tốt nhất trên dữ liệu thực nghiệm. Kết quả tối ưu hóa bốn phân khúc khách hàng riêng biệt: khách hàng tốt nhất, khách hàng trung thành, khách hàng tiềm năng và khách hàng rời bỏ dịch vụ. Phát hiện này cung cấp bằng chứng ra quyết định dựa trên dữ liệu, thiết lập và thực hiện các chiến lược tiếp thị có mục tiêu thông qua tích hợp hệ thống CRM, tối ưu hóa phân bổ nguồn lực và giữ chân khách hàng. Đáng chú ý, các phân khúc khách hàng được xác định tạo điều kiện cá nhân hóa, tăng cường tiềm năng doanh thu và đạt lợi thế cạnh tranh. Nghiên cứu cũng chỉ rõ những hạn chế và đề xuất các hướng phát triển trong tương lai, chẳng hạn như kết hợp dữ liệu nhân khẩu học và các kỹ thuật học sâu để nâng cao chất lượng phân khúc khách hàng. <br><br> Abstract <br>
This study utilizes transactional data mining techniques to segment customers in the online retail sector. Integrating the CRISP-DM framework with the RFM model, the study evaluates six clustering algorithms including K-Means, Spectral Clustering, Mean Shift, Gaussian Mixture Model, DBSCAN, and Fuzzy C-Means to optimize the customer segmentation solution. Quantitative metrics including Davies-Bouldin, Calinski-Harabasz, Dunn, and Silhouette scores demonstrate that K-Means performs best on the experimental data. The results optimize four distinct customer segments: best customers, loyal customers, potential customers, and churners. The findings provide evidence for data-driven decision making, establishing and implementing targeted marketing strategies through CRM system integration, optimizing resource allocation, and customer retention. Notably, the identified customer segments facilitate personalization, increase revenue potential, and gain competitive advantage. The study also highlights limitations and suggests future directions, such as combining demographic data and deep learning techniques to improve customer segmentation.