Tạp chí
 
Các số chuyên đề
 
Số 61, Kỳ 5, [10 - 2020] - 20 năm Khoa Kinh tế QTKD

Ứng dụng thuật toán K-Means trong phân cụm khách hàng mục tiêu

DOI:10.46326/JMES.KTQTKD2020.19

  • Cơ quan:

    Khoa Kinh tế và Quản trị kinh doanh, Trường Đại học Mỏ - Địa chất, Việt Nam

  • *Tác giả liên hệ:
    This email address is being protected from spambots. You need JavaScript enabled to view it.
  • Nhận bài: 18-08-2020
  • Sửa xong: 24-09-2020
  • Chấp nhận: 31-10-2020
  • Ngày đăng: 31-10-2020
Trang: 145 - 150
Lượt xem: 13926
Xem onlineXem online
Lượt tải: 2319
Tải về PDF
★★★★★Yêu thích: 5.0, Số lượt: 229
  • ★
  • ★
  • ★
  • ★
  • ★
Bạn yêu thích

Trích dẫn: 1

Tóm tắt:

Phân cụm khách hàng (customer segmentation) là quá trình phân chia khách hàng dựa trên các đặc điểm chung như hành vi, thói quen mua sắm và sử dụng dịch vụ của họ,… để các công ty, doanh nghiệp có thể tiếp thị cho từng nhóm khách hàng một cách hiệu quả và phù hợp hơn. Bài báo nghiên cứu phân khúc cụm khách hàng thông qua phương pháp phân cụm K-Means (K-Means clustering methods) của một cơ sở kinh doanh. Nghiên cứu được thực hiện trên 272 khách hàng với các đặc điểm về độ tuổi, thu nhập và điểm chi tiêu. Kết quả nghiên cứu đã chia thành 2 cụm khách hàng mục tiêu, hứa hẹn sẽ giúp việc chăm sóc, tiếp thị khách hàng hiệu quả hơn; giúp đơn vị kinh doanh có những chiến lược marketing phù hợp giảm chi phí và tăng hiệu quả.

Trích dẫn
Phạm Kiên Trung, Nguyễn Đức Thắng, Lê Văn Chiến và Nguyễn Văn Thưởng, 2020. Ứng dụng thuật toán K-Means trong phân cụm khách hàng mục tiêu, Tạp chí Khoa học kỹ thuật Mỏ - Địa chất, số 61, kỳ 5, tr. 145-150.
Tài liệu tham khảo

Chapman, C., and Feit, E. M, (2019). R for marketing research and analytics. New York, NY: Springer.

Chen, D., Sain, S. L., and Guo, K, (2012). Data mining for the online retail industry: A case study of RFM model-based customer segmentation using data mining. Journal of Database Marketing and Customer Strategy Management, 19(3), 197-208.

Khajvand, M., and Tarokh, M. J, (2011). Estimating customer future value of different customer segments based on adapted RFM model in retail banking context. Procedia Computer Science, 3, 1327-1332.

Shmueli, G., Bruce, P. C., Yahav, I., Patel, N. R., and Lichtendahl Jr, K. C, (2017). Data mining for business analytics: concepts, techniques, and applications in R. John Wiley and Sons.

Zakrzewska, D., and Murlewski, J, (2005). Clustering algorithms for bank customer segmentation. In 5th International Conference on Intelligent Systems Design and Applications (ISDA’05) pp. 197-202. IEEE.