Phân nhóm khách hàng để giúp doanh nghiệp xây dựng chiến lược tiếp cận hiệu quả

Phạm Thị Linh

Trường Đại học Kinh tế và Quản trị Kinh doanh, Đại học Thái Nguyên

Tóm tắt

Nghiên cứu này ứng dụng các kỹ thuật phân tích dữ liệu gồm RFM và thuật toán K-Means để phân nhóm 2,209 khách hàng của một doanh nghiệp bán lẻ. Bộ dữ liệu gồm các biến RFM (Recency, Frequency, Monetary), nhân khẩu học (tuổi, giới tính, khu vực) và hành vi giao dịch. Kết quả cho thấy, mô hình tối ưu chia khách hàng thành 3 nhóm với đặc trưng riêng biệt giúp doanh nghiệp đưa ra chiến lược marketing mục tiêu hiệu quả hơn.

Từ khoá: Phân nhóm khách hàng, RFM, K-Mean, Elbow, Silhouette

Summary

The study applies data analysis techniques, including the RFM model and the K-means algorithm, to segment 2,209 customers of a retail company. The dataset comprises RFM variables (Recency, Frequency, Monetary), demographic characteristics (age, gender, and region), and transaction behavior. The results show that the optimal model segments customers into three distinct groups with unique characteristics, enabling the firm to develop more effective marketing strategies.

Keywords: Customer segmentation, RFM, K-means, Elbow method, Silhouette coefficient

GIỚI THIỆU

Trong bối cảnh chuyển đổi số đang diễn ra một cách mạnh mẽ, dữ liệu khách hàng được thu thập một cách nhanh chóng và chính xác. Tuy nhiên, việc sở hữu dữ liệu khổng lồ không đồng nghĩa với việc hiểu rõ khách hàng. Để duy trì lợi thế cạnh tranh và tối ưu hóa doanh thu, các doanh nghiệp cần nắm bắt sâu sắc hành vi tiêu dùng, xu hướng mua hàng và mức độ đóng góp giá trị của từng nhóm khách hàng.

Trong lĩnh vực marketing hiện đại, phân nhóm khách hàng được coi là công cụ quan trọng để từ đó xây dựng các chiến lược tiếp cận hiệu quả. Phân nhóm cho phép doanh nghiệp nhận diện các nhóm khách hàng có hành vi tương đồng, cá nhân hóa sản phẩm, dịch vụ và tối ưu hóa nguồn lực marketing. Khi thị trường ngày càng phân mảnh và cạnh tranh gay gắt, khả năng xác định đúng nhóm khách hàng mục tiêu trở thành một yếu tố quyết định hiệu quả hoạt động kinh doanh.

Mặc dù phân nhóm khách hàng đã được áp dụng rộng rãi trong thực tiễn, phần lớn doanh nghiệp vẫn sử dụng các tiêu chí truyền thống như độ tuổi, giới tính, nghề nghiệp hoặc khu vực sinh sống. Những tiêu chí này tuy đơn giản và dễ triển khai nhưng chưa phản ánh đầy đủ hành vi tiêu dùng thực sự, dẫn đến việc phân nhóm thiếu chính xác và kém hiệu quả.

Nghiên cứu này được thực hiện nhằm xây dựng mô hình phân nhóm khách hàng dựa trên sự kết hợp giữa phân tích RFM (Recency - Frequency - Monetary) và thuật toán phân cụm K-Means. Từ đó xây dựng mô hình phân cụm khách hàng dựa trên đặc trưng hành vi và giá trị chi tiêu; mô tả và so sánh đặc điểm của từng nhóm khách hàng nhằm làm rõ sự khác biệt trong hành vi mua sắm; đề xuất các chiến lược marketing hoặc chăm sóc khách hàng phù hợp cho từng phân nhóm nhằm nâng cao doanh thu và giá trị vòng đời khách hàng.

TỔNG QUAN NGHIÊN CỨU

Phân nhóm khách hàng (customer segmentation) là một trong những nền tảng quan trọng của marketing hiện đại. Các nghiên cứu kinh điển của Smith (1956), Kotler và Keller (2016) cho rằng, việc chia khách hàng thành những nhóm có đặc điểm tương đồng sẽ giúp doanh nghiệp xây dựng các chiến lược marketing mục tiêu hiệu quả hơn.

Các phương pháp phân nhóm truyền thống chủ yếu dựa trên: nhân khẩu học (tuổi, giới tính, nghề nghiệp, thu nhập); địa lý (khu vực sinh sống, vùng miền); tâm lý học (lối sống, sở thích, cá tính); hành vi (mức độ sử dụng, trung thành, lợi ích mong đợi).

Tuy nhiên, nhiều nghiên cứu gần đây chỉ ra rằng, các tiêu chí này chưa phản ánh đầy đủ hành vi chi tiêu thực tế của khách hàng và không còn phù hợp trong bối cảnh dữ liệu lớn và hành vi tiêu dùng biến động mạnh (Wedel và Kamakura, 2000). Điều này thúc đẩy sự chuyển dịch sang các phương pháp phân nhóm dựa trên dữ liệu hành vi và thuật toán học máy.

Mô hình RFM được đề xuất như một công cụ định lượng hành vi giao dịch của khách hàng (Hughes, 1994), bao gồm: Recency (khách hàng mua gần đây có xác suất mua lại cao hơn); Frequency (tần suất mua thể hiện mức độ trung thành); Monetary (tổng chi tiêu phản ánh giá trị khách hàng). RFM đã trở thành phương pháp phổ biến trong quản trị quan hệ khách hàng (CRM) và dự đoán hành vi mua lại, vì đơn giản, dễ tính toán và phù hợp với dữ liệu giao dịch (Fader và cộng sự, 2005).

Tuy nhiên, một số nghiên cứu chỉ ra rằng, phân nhóm bằng RFM truyền thống (cắt theo tứ phân vị hoặc điểm số) mang tính chủ quan và không tối ưu về mặt phân cụm (Birant, 2011). Do đó, xu hướng hiện nay là kết hợp RFM với các thuật toán phân cụm để khách quan hóa việc phân nhóm khách hàng.

K-Means là một trong những thuật toán phân cụm phi giám sát phổ biến nhất (MacQueen, 1967). Nhiều nghiên cứu ứng dụng K-Means vào phân nhóm khách hàng trong bán lẻ, ngân hàng, thương mại điện tử và phân tích hành vi trực tuyến (Dolničar, 2003).

PHƯƠNG PHÁP NGHIÊN CỨU VÀ BỘ DỮ LIỆU NGHIÊN CỨU

Phương pháp nghiên cứu

Nghiên cứu này sử dụng phương pháp định lượng, kết hợp giữa phân tích dữ liệu thứ cấp và kỹ thuật khai phá dữ liệu nhằm phân nhóm khách hàng dựa trên hành vi mua sắm thực tế. Nghiên cứu đã áp dụng mô hình RFM kết hợp với thuật toán phân cụm K-Means để nhận diện các nhóm khách hàng có đặc điểm tương đồng về hành vi và giá trị tiêu dùng. Nghiên cứu sử dụng Python 3.13.3 để xây dựng các loại biểu đồ như các kết quả định lượng.

Quy trình nghiên cứu được triển khai theo 6 bước chính nhằm đảm bảo tính hệ thống và độ tin cậy của kết quả:

Bước 1: Làm sạch bộ dữ liệu thứ cấp, loại bỏ các quan sát bị thiếu, trùng lặp hoặc không hợp lệ nhằm xây dựng bộ dữ liệu đầu vào có chất lượng.

Bước 2: Tính toán các chỉ số RFM từ dữ liệu giao dịch, phản ánh mức độ gần đây của lần mua, tần suất mua hàng và tổng giá trị chi tiêu của từng khách hàng.

Bước 3: Chuẩn hoá các biến nghiên cứu để đưa về cùng thang đo, tránh hiện tượng biến có độ lớn chi phối kết quả phân cụm.

Bước 4: Xác định số lượng cụm tối ưu được xác định thông qua các chỉ số đánh giá bằng phương pháp Elbow và Silhouette, giúp lựa chọn số cụm phù hợp cả về mặt toán học lẫn ý nghĩa marketing.

Bước 5: Sử dụng thuật toán K-Means để phân loại khách hàng thành các nhóm có hành vi và giá trị tương đồng. Mô tả, so sánh và trực quan hóa kết quả phân cụm bằng phương pháp PCA nhằm làm rõ cấu trúc dữ liệu và đặc điểm của từng nhóm khách hàng.

Bước 6: Dựa trên kết quả phân nhóm, tác giả đã đề xuất một số chiến lược marketing và quản trị quan hệ khách hàng, hỗ trợ doanh nghiệp tối ưu hóa nguồn lực và nâng cao giá trị vòng đời khách hàng.

Bộ dữ liệu nghiên cứu

Bộ dữ liệu được sử dụng trong nghiên cứu là dữ liệu thứ cấp về khách hàng của một doanh nghiệp bán lẻ, với quy mô 2,209 khách hàng. Dữ liệu phản ánh hành vi mua sắm, mức chi tiêu và đặc điểm hộ gia đình của khách hàng, phù hợp cho mục tiêu phân khúc và phân tích hành vi tiêu dùng.

Đối tượng nghiên cứu là các khách hàng cá nhân đã phát sinh giao dịch mua sắm tại doanh nghiệp trong giai đoạn nghiên cứu (từ tháng 5/2024-5/2025), đảm bảo phản ánh đầy đủ hành vi mua sắm lặp lại của khách hàng. Địa bàn nghiên cứu không giới hạn trong một khu vực địa lý cụ thể mà mang tính tổng hợp, đại diện cho tập khách hàng của doanh nghiệp bán lẻ nói chung..

Nội dung dữ liệu thu thập tập trung vào các nhóm thông tin chính sau:

- Thông tin kinh tế - xã hội của khách hàng: thu nhập hàng năm, số trẻ nhỏ, số thanh thiếu niên trong gia đình.

- Thông tin hành vi mua sắm: số ngày kể từ lần mua gần nhất, số lần mua qua các kênh khác nhau như cửa hàng, website và catalogue, số lần mua hàng theo chương trình khuyến mãi, số lượt truy cập website hàng tháng.

- Thông tin chi tiêu theo danh mục sản phẩm: chi tiêu cho rượu vang, trái cây, thịt, cá, sản phẩm ngọt và sản phẩm cao cấp.

- Các chỉ tiêu tổng hợp: tổng số tiền chi tiêu và tổng số lần mua hàng.

Bộ dữ liệu này cho phép phản ánh tương đối đầy đủ giá trị kinh tế và hành vi tiêu dùng của khách hàng, là cơ sở phù hợp để áp dụng mô hình RFM và thuật toán K-Means trong phân nhóm khách hàng phục vụ cho phân tích marketing và ra quyết định quản trị (Nghiên cứu sử dụng cách viết số thập phân theo chuẩn quốc tế).

KẾT QUẢ NGHIÊN CỨU

Phương pháp Elbow tìm k tối ưu

Để xác định số lượng cụm phù hợp cho mô hình K-Means, nghiên cứu này áp dụng phương pháp Elbow để đánh giá sự thay đổi của chỉ số Inertia khi số cụm k tăng dần. Hình 1 và Bảng 1 trình bày kết quả áp dụng phương pháp Elbow.

Hình 1: Biểu đồ phương pháp Elbow

Nguồn: Kết quả nghiên cứu của tác giả

Bảng 1: Kết quả thu được của phương pháp Elbow

Nguồn: Kết quả nghiên cứu của tác giả

Kết quả từ Hình 1 cho thấy, chỉ số Inertia giảm mạnh tại k = 2, sau đó mức giảm chậm dần, cho thấy k = 2 là số cụm tối ưu theo tiêu chí Elbow.

Phương pháp Silhouette tìm k tối ưu

Bên cạnh phương pháp Elbow, nhóm nghiên cứu còn sử dụng phương pháp Silhouette nhằm đánh giá chất lượng phân cụm và hỗ trợ xác định số cụm tối ưu cho mô hình K-Means. Kết quả thu được cho bởi Hình 2 và Bảng 2.

Hình 2: Biểu đồ phương pháp Silhouette

Nguồn: Kết quả nghiên cứu của tác giả

Bảng 2: Kết quả thu được của phương pháp Silhouette

Nguồn: Kết quả nghiên cứu của tác giả

Kết quả cho thấy giá trị Silhouette Score đạt mức cao nhất tại k = 2, cho thấy đây là số cụm tối ưu xét thuần túy theo tiêu chí toán học.

Như vậy, khi sử dụng phương pháp Elbow ta thu được k tối ưu là 2 còn phương pháp Silhouette cho k tối ưu là 3. Xét về ứng dụng marketing và quản trị quan hệ khách hàng, việc lựa chọn k = 3 giúp phân biệt rõ ràng hơn các nhóm khách hàng theo các mức độ giá trị khác nhau như nhóm thấp, trung bình và cao. Do đó, nhóm nghiên cứu quyết định lựa chọn k = 3 cho bước phân nhóm khách hàng tiếp theo.

Hình 3: Biểu đồ phân cụm PCA 2D

Nguồn: Kết quả nghiên cứu của tác giả

Kết quả phân cụm bằng thuật toán K-Means với k=3 được trực quan hóa trên mặt phẳng 2 thành phần chính (PCA 2D) cho thấy, cấu trúc dữ liệu chỉ đạt mức phân tách trung bình, thể hiện qua hệ số Silhouette = 0.256 (Hình 3).

Giá trị trung bình của các đặc trưng theo cụm

Sau khi tiến hành phân cụm khách hàng dựa trên các đặc trưng như thu nhập, độ tuổi, hành vi mua sắm và chi tiêu, nhóm tác giả đã tính toán giá trị trung bình của từng đặc trưng trong mỗi cụm. Việc này giúp doanh nghiệp hiểu rõ hơn về đặc điểm tiêu biểu của từng nhóm khách hàng.

Bảng 3 tổng hợp các giá trị trung bình của các đặc trưng chính theo từng cụm khách hàng, từ đó ta có thể so sánh và phân tích sâu hơn hành vi và tiềm năng của từng nhóm.

Bảng 3: Tổng hợp các giá trị trung bình của các đặc trưng chính theo từng cụm khách hàng

Nguồn: Kết quả nghiên cứu của tác giả

Bảng 3 thể hiện giá trị trung bình của các đặc trưng chính trong 3 cụm khách hàng sau khi phân cụm. Cluster (cụm) 0 đại diện cho nhóm khách hàng có thu nhập thấp nhất trung bình khoảng 34.731, chi tiêu rất thấp với tổng chi tiêu chỉ khoảng 100, số lần mua hàng ít khoảng 5.9 lần, nhưng lại có số lần truy cập website khá cao 6.5 lần mỗi tháng. Nhóm này có độ tuổi trung bình 53 và thường có khoảng 1.2 người con trong gia đình. Có thể thấy, đây là nhóm khách hàng thu nhập thấp, ít chi tiêu nhưng thường xuyên tìm kiếm sản phẩm trực tuyến, có thể do còn cân nhắc tài chính hoặc chỉ tham khảo thông tin.

Cụm 1 là nhóm khách hàng có thu nhập cao nhất trung bình hơn 76,000, đồng thời cũng chi tiêu nhiều nhất với tổng chi tiêu lên đến 1,363, với mức chi cao ở tất cả các loại sản phẩm. Họ mua hàng thường xuyên khoảng 19.5 lần nhưng lại truy cập website ít nhất khoảng 2.9 lần mỗi tháng. Nhóm này có độ tuổi trung bình 56 và gần như không có con nhỏ. Có thể nói đây là nhóm khách hàng lý tưởng, giàu có, chi tiêu mạnh, ra quyết định mua nhanh chóng và ít cần tìm kiếm thông tin quá nhiều trước khi mua.

Cụm 2 đại diện cho nhóm khách hàng có thu nhập trung bình khoảng 58.894, chi tiêu ở mức khá 743, số lần mua hàng cao khoảng 17.2 lần, đồng thời cũng là nhóm ưa thích các chương trình khuyến mãi nhất trung bình 3.8 lần. Họ truy cập website thường xuyên khoảng 5.6 lần/tháng, có độ tuổi cao nhất trong 3 nhóm, trung bình 60.9 tuổi và thường có 1.2 người con. Nhóm này có xu hướng thích khuyến mãi, có hành vi mua sắm dựa trên tìm kiếm và so sánh, là nhóm khách hàng lớn tuổi, cẩn trọng trong chi tiêu.

KẾT LUẬN VÀ ĐỀ XUẤT

Dựa trên kết quả phân cụm, ta có thể phân khách hàng thành 3 nhóm với các đặc trưng tương ứng như sau:

Nhóm khách hàng tiết kiệm, thu nhập thấp đây là nhóm có thu nhập thấp, chi tiêu thấp (khoảng 100), ít mua hàng, nhạy cảm về giá. Do đó sản phẩm nên hướng tới là các mặt hàng thiết yếu giá rẻ, combo nhỏ, các chương trình khuyến mãi. Kênh tiếp cận là ưu đãi tại điểm bán, phiếu giảm giá, mã giảm giá, phiếu ưu đãi, chương trình khách hàng thân thiết, chương trình tích điểm, chương trình giữ chân khách hàng, tin nhắn quảng cáo. Nói tóm lại, đây là nhóm có quy mô lớn nhất (chiếm nhiều khách nhưng doanh thu thấp). Nên tập trung giữ chân bằng các chương trình khuyến mãi, tăng tần suất mua, do đó mục tiêu là mở rộng cơ sở khách hàng ổn định.

Nhóm khách hàng cao cấp, đa dạng sản phẩm là nhóm có thu nhập cao nhất (khoảng 76,000), chi tiêu rất lớn (khoảng 1,363), mua nhiều loại sản phẩm (thịt, cá, đồ ngọt, hoa quả). Doanh thu chiếm khoảng 59%. Sản phẩm nên hướng tới tới là các gói sản phẩm lớn, đa dạng, cao cấp. Kênh tiếp cận là email marketing cá nhân hoá, chương trình thành viên VIP, chăm sóc khách hàng đặc biệt. Như vậy, đây là nhóm quan trọng nhất cần giữ chân vì đóng góp doanh thu cao nhất. Doanh nghiệp nên triển khai các gói sản phẩm cao cấp hơn, số lượng lớn hơn và thêm các sản phẩm chưa tiêu thụ nhiều như rượu, vàng để tối đa hóa giá trị vòng đời khách hàng.

Nhóm khách hàng trung lưu là nhóm có thu nhập trung bình khoảng 59, chi tiêu khá cao (khoảng 744), doanh thu chiếm khoảng 33%. Đây là nhóm có tiềm năng mạnh ở các sản phẩm cao cấp, do đó doanh nghiệp nên sử dụng các kênh tiếp cận là marketing phong cách sống sang trọng, gói quà tặng trong các dịp lễ tết, mở rộng các dòng sản phẩm chất lượng cao và đa dạng hơn.

Tài liệu tham khảo:

1. Birant, D. (2011). Data Mining Using RFM Analysis. In Knowledge-Oriented Applications in Data Mining, InTech, Rijeka, Croatia, pp. 92-108.

2. Dolničar, S. (2003). Using cluster analysis for market segmentation: Typical misconceptions, established methodological weaknesses and some recommendations for improvement. Australasian Journal of Market Research, 11(2), 5-12.

3. Fader, P. S., Hardie, B. G. S., Lee, K. L. (2005). RFM and CLV: Using Iso-Value Curves for Customer Base Analysis. Journal of Marketing Research, 42(4), 415-430.

4. Hughes, A. M. (1994). Strategic database marketing: The masterplan for starting and managing a profitable customer-based marketing program. Irwin Professional.

5. MacQueen, J. B. (1967). Some methods for classification and analysis of multivariate observations. Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability, 1, 281-297.

6. Smith, W. R. (1956). Product differentiation and market segmentation as alternative marketing strategies. Journal of Marketing, 21(1), 3-8.

7. Wedel, M., & Kamakura, W. A. (2000). Market segmentation: Conceptual and methodological foundations. Springer.