Bỏ qua đến nội dung chính
Mục lục

Phân khúc khách hàng RFM bằng K-means: dự án

AIDev Team · duyệt: Nguyễn Việt Chung

Bài 7/7 · Chương 8

Học không giám sát

  • 10 phút
  • Trung cấp
  • Python 3.14
  • Cập nhật

Dự án phân khúc khách hàng này chia 1.500 khách của chuỗi Sóc Nhanh thành vài nhóm theo RFM: bao lâu rồi chưa mua (Recency), mua bao nhiêu đơn (Frequency) và chi bao nhiêu (Monetary). Bạn chấm điểm RFM theo kiểu phân tích RFM truyền thống, phân cụm ba cột đó bằng K-means, chọn K bằng ba thước đo, rồi đặt tên và gán một hành động cho từng phân khúc. Cuối bài, một hàm xếp khách mới vào đúng phân khúc mà không phải phân cụm lại.

Cần biết trước: K-means, chọn số cụm K và groupby.

Chương trình sẽ làm gì

File chi_tieu_khach_hang.csv là số giả lập của AIDev: mỗi dòng một khách, với số ngày từ lần mua cuối, số đơn và tổng chi 12 tháng (nghìn đồng), cùng vài cột khác. Customer segmentation theo RFM chỉ dùng ba cột đầu. Chương trình trả lời bốn câu:

  1. Ba cột R, F, M trông thế nào, và điểm RFM từ 1 tới 5 chia khách ra sao?

  2. Nên chia thành mấy phân khúc?

  3. Mỗi phân khúc là kiểu khách nào, chiếm bao nhiêu khách và bao nhiêu doanh thu?

  4. Mỗi phân khúc nên được chăm sóc thế nào?

Bước 1: Bảng RFM

Ba cột R, F, M là cột thứ hai tới thứ tư của file (iloc[:, 1:4]). Đổi tên cho gọn rồi xem phân bố:

python
import pandas as pd

kh = pd.read_csv("chi_tieu_khach_hang.csv")
rfm = kh.iloc[:, 1:4].set_axis(["R", "F", "M"], axis=1)
print(rfm.describe().round(1))

KẾT QUẢ

            R       F         M
count  1500.0  1500.0    1500.0
mean     83.5    11.9    7426.0
std      90.4    14.1   24211.3
min       3.0     1.0     121.0
25%      22.0     3.0     728.2
50%      48.0     7.0    1812.5
75%     107.0    17.0    3812.8
max     365.0   116.0  279649.0

Cả ba cột lệch phải: trung vị M là 1,8 triệu nhưng khách chi nhiều nhất gần 280 triệu, trung vị F là 7 đơn nhưng có khách 116 đơn. Phải log trước khi phân cụm, như bài K-means.

Bước 2: Điểm RFM từ 1 tới 5

Phân tích RFM truyền thống cho mỗi khách ba điểm từ 1 tới 5 theo ngũ phân vị: 20% khách mua gần đây nhất được R = 5, 20% mua nhiều đơn nhất được F = 5, và tương tự với M. rank(method="first") tách các khách bằng nhau để pd.qcut chia đúng năm phần:

python
import pandas as pd

kh = pd.read_csv("chi_tieu_khach_hang.csv")
rfm = kh.iloc[:, 1:4].set_axis(["R", "F", "M"], axis=1)

def diem(cot, dao=False):
    nhan = [5, 4, 3, 2, 1] if dao else [1, 2, 3, 4, 5]
    hang = cot.rank(method="first")
    return pd.qcut(hang, 5, labels=nhan).astype(int)

d = pd.DataFrame({"R": diem(rfm["R"], dao=True),
                  "F": diem(rfm["F"]), "M": diem(rfm["M"])})
print(d.head())
print("Khách 5-5-5:", ((d == 5).all(axis=1)).sum())

KẾT QUẢ

   R  F  M
0  3  2  2
1  4  5  5
2  2  2  2
3  5  5  5
4  1  1  1
Khách 5-5-5: 180

R đảo chiều vì số ngày càng nhỏ càng tốt. Điểm RFM dễ giải thích cho người không làm kỹ thuật, nhưng mỗi cột chia cố định năm phần bằng nhau, nên ranh giới không theo nhóm khách thật. Bước sau để K-means tìm ranh giới; điểm RFM vẫn là cách đọc nhanh từng khách, và phần "Thử mở rộng" dùng nó để đặt tên thay cho hồ sơ cụm.

Bước 3: Chọn K bằng ba thước đo

Với mỗi K từ 3 tới 5, chương trình đo ba thứ: silhouette, tỉ lệ khách của cụm nhỏ nhất, và độ ổn định. Độ ổn định đo bằng cách fit K-means trên hai nửa bảng chia ngẫu nhiên, để mỗi model xếp toàn bộ khách, rồi so hai cách xếp bằng ARI: một cách chia có thật trong dữ liệu thì nửa nào cũng tìm ra nó.

python
import numpy as np
import pandas as pd
from sklearn.cluster import KMeans
from sklearn.metrics import adjusted_rand_score, silhouette_score
from sklearn.preprocessing import StandardScaler
kh = pd.read_csv("chi_tieu_khach_hang.csv")
Z = StandardScaler().fit_transform(np.log1p(kh.iloc[:, 1:4]))
nua = np.random.default_rng(0).permutation(len(Z)) < len(Z) // 2
for k in range(3, 6):
    km = KMeans(n_clusters=k, n_init=10, random_state=0)
    nhan = km.fit_predict(Z)
    s = silhouette_score(Z, nhan, sample_size=500, random_state=0)
    a, b = km.fit(Z[nua]).predict(Z), km.fit(Z[~nua]).predict(Z)
    print(k, round(s, 3), f"{np.bincount(nhan).min() / len(Z):.1%}",
          round(adjusted_rand_score(a, b), 3))

KẾT QUẢ

3 0.439 21.9% 0.862
4 0.426 18.7% 0.969
5 0.442 1.6% 0.776

Ba cột in ra là silhouette, cụm nhỏ nhất và độ ổn định. Silhouette cao nhất ở K = 5, nhưng K = 5 có một cụm chỉ 1,6% khách, tức nhóm mua sỉ: quá nhỏ để mở một chương trình riêng, và K = 5 còn kém ổn định nhất (0,776). Ba số silhouette chỉ cách nhau tối đa 0,016 và tính trên 500 khách lấy mẫu, nên coi như ngang nhau; độ ổn định mới là thứ phân định. Với cách chia đôi này, K = 4 đạt 0,969 còn K = 3 đạt 0,862. Một cách chia chưa đủ để kết luận: qua 200 cách chia đôi, K = 4 trung bình 0,94 và thấp nhất 0,85, còn K = 3 trung bình 0,88 và có lần xuống 0,46; K = 4 ổn định hơn K = 3 ở khoảng ba phần tư số lần chia. Hai nửa bảng thường tìm ra gần đúng cùng bốn nhóm. Chọn K = 4.

Bước 4: Hồ sơ từng phân khúc

Với K = 4, tính cho mỗi cụm: trung vị R, F, M trên bảng gốc, số khách và tỉ trọng trong tổng chi. Cột tỉ lệ đơn giảm giá không dùng để phân cụm, nhưng thêm vào hồ sơ giúp đặt tên:

python
import numpy as np
import pandas as pd
from sklearn.cluster import KMeans
from sklearn.preprocessing import StandardScaler

kh = pd.read_csv("chi_tieu_khach_hang.csv")
rfm = kh.iloc[:, 1:4].set_axis(["R", "F", "M"], axis=1)
Z = StandardScaler().fit_transform(np.log1p(rfm))
cum = KMeans(n_clusters=4, n_init=10, random_state=0).fit_predict(Z)
ho_so = rfm.assign(giam=kh["ti_le_don_giam_gia"]).groupby(cum).agg(
    R=("R", "median"), F=("F", "median"), M=("M", "median"),
    giam=("giam", "median"), so_khach=("R", "size"))
ho_so["ti_trong_chi"] = rfm.groupby(cum)["M"].sum() / rfm["M"].sum()
print(ho_so.round(2))

KẾT QUẢ

       R     F        M  giam  so_khach  ti_trong_chi
0   26.0  14.0   2746.0  0.69       398          0.11
1   69.0   4.0   1391.5  0.25       462          0.07
2  197.5   1.0    373.5  0.28       360          0.01
3   13.0  28.0  17502.0  0.12       280          0.81

Cụm 3 mua 13 ngày trước, 28 đơn, 17,5 triệu, và gom 81% tổng chi dù chỉ có 280 khách. Cụm 0 mua thường xuyên, nhưng khách trung vị của cụm dùng mã giảm giá cho 69% số đơn. Cụm 1 vắng hơn hai tháng, mua vài đơn. Cụm 2 gần nửa năm chưa quay lại, chỉ một đơn, gom 1% tổng chi. Đổi n_clusters=4 thành n_clusters=3 rồi chạy lại: khách vắng hai tháng và khách vắng nửa năm dồn vào một cụm, dòng của cụm đó in trung vị R 134.5, và hai kiểu khách cần hai cách chăm sóc khác nhau bị trộn lẫn.

Bước 5: Đặt tên và gán hành động

Tên đặt bằng luật trên hồ sơ, để chạy lại với dữ liệu tháng sau vẫn ra cùng tên cho cùng kiểu khách. Luật xét lần lượt: trung vị F từ 20 đơn trở lên là "Khách nòng cốt"; trung vị tỉ lệ đơn giảm giá từ 0,5 trở lên là "Khách săn mã"; trung vị R trên 120 ngày là "Khách đã nguội"; còn lại là "Khách mua thưa". Khối dưới áp luật lên bốn dòng hồ sơ vừa in:

python
import pandas as pd

ho_so = pd.DataFrame({"R": [26, 69, 197.5, 13], "F": [14, 4, 1, 28],
                      "giam": [0.69, 0.25, 0.28, 0.12]})

def dat_ten(dong):
    if dong["F"] >= 20:
        return "Khách nòng cốt"
    if dong["giam"] >= 0.5:
        return "Khách săn mã"
    return "Khách đã nguội" if dong["R"] > 120 else "Khách mua thưa"

print(ho_so.apply(dat_ten, axis=1))

KẾT QUẢ

0      Khách săn mã
1    Khách mua thưa
2    Khách đã nguội
3    Khách nòng cốt
dtype: str

Mỗi tên đi kèm một việc cho người làm marketing:

  • Khách nòng cốt: giữ bằng quyền lợi riêng như giao trước, đổi trả dễ; không cần giảm giá.

  • Khách săn mã: mã có ngưỡng đơn tối thiểu, để mỗi lần dùng mã thì đơn lớn hơn.

  • Khách mua thưa: nhắc đúng danh mục đã mua khi có hàng mới.

  • Khách đã nguội: một lần mời quay lại, rồi dừng nếu không phản hồi.

Luật dùng trung vị của cụm, không dùng số thứ tự cụm: lần chạy sau cụm nòng cốt có thể mang số 0 thay cho số 3, nhưng vẫn được đặt đúng tên.

Bước 6: Ghép thành chương trình hoàn chỉnh

Chương trình dưới đọc file một lần, phân cụm với K = 4, dựng hồ sơ, đặt tên và in một bảng phân khúc kèm hành động:

python
import numpy as np
import pandas as pd
from sklearn.cluster import KMeans
from sklearn.preprocessing import StandardScaler

hanh_dong = {
    "Khách nòng cốt": "giữ bằng quyền lợi riêng",
    "Khách săn mã": "mã có ngưỡng đơn tối thiểu",
    "Khách mua thưa": "nhắc danh mục đã mua",
    "Khách đã nguội": "một lần mời quay lại",
}

def dat_ten(dong):
    if dong["F"] >= 20:
        return "Khách nòng cốt"
    if dong["giam"] >= 0.5:
        return "Khách săn mã"
    return "Khách đã nguội" if dong["R"] > 120 else "Khách mua thưa"

kh = pd.read_csv("chi_tieu_khach_hang.csv")
rfm = kh.iloc[:, 1:4].set_axis(["R", "F", "M"], axis=1)
Z = StandardScaler().fit_transform(np.log1p(rfm))
cum = KMeans(n_clusters=4, n_init=10, random_state=0).fit_predict(Z)
ho_so = rfm.assign(giam=kh["ti_le_don_giam_gia"]).groupby(cum).agg(
    R=("R", "median"), F=("F", "median"), giam=("giam", "median"),
    so_khach=("R", "size"))
ho_so["chi"] = rfm.groupby(cum)["M"].sum() / rfm["M"].sum()
ho_so["ten"] = ho_so.apply(dat_ten, axis=1)
ho_so["viec"] = ho_so["ten"].map(hanh_dong)
ho_so = ho_so.sort_values("chi", ascending=False)
for _, d in ho_so.iterrows():
    phan = f"{d['so_khach']:>4} khách, {d['chi']:6.1%} chi"
    print(f"{d['ten']:<15}{phan} | {d['viec']}")

KẾT QUẢ

Khách nòng cốt  280 khách,  81.1% chi | giữ bằng quyền lợi riêng
Khách săn mã    398 khách,  11.0% chi | mã có ngưỡng đơn tối thiểu
Khách mua thưa  462 khách,   6.5% chi | nhắc danh mục đã mua
Khách đã nguội  360 khách,   1.4% chi | một lần mời quay lại

Bốn phân khúc, mỗi phân khúc một tên và một việc. Với người làm marketing, đọc bảng này theo hai cột: 280 khách nòng cốt gom 81,1% tổng chi, nên mất một khách ở đây đắt hơn nhiều so với các nhóm khác; 360 khách đã nguội chỉ gom 1,4%, nên chỉ đáng một lần mời quay lại. Trước khi dùng, kiểm lại hai điều: tên có khớp với hiểu biết của người bán hàng không, và chạy lại với dữ liệu tháng sau thì các phân khúc có giữ cỡ không.

Bài tập

Xếp khách mới vào phân khúc

Khách mới đến mỗi ngày; phân cụm lại cả bảng thì số thứ tự cụm có thể đổi. Cách đúng là giữ nguyên biến đổi và model đã fit trên bảng cũ. kh là DataFrame có ba cột so_ngay_tu_lan_mua_cuoi, so_don_12_thang, tong_chi_12_thang_nghin (có thể có thêm cột khác), moi là DataFrame khách mới có cùng ba cột, k là số cụm. Viết thân hàm gan_phan_khuc(kh, moi, k):

  • lấy np.log1p của ba cột trên kh, fit StandardScaler rồi KMeans(n_clusters=k, n_init=10, random_state=0);

  • biến đổi ba cột của moi bằng đúng np.log1p và scaler đã fit trên kh (không fit lại), rồi predict bằng model đã fit.

Hàm không sửa hai bảng của nơi gọi.

Trả về: số thứ tự cụm của từng khách mới, theo thứ tự dòng của moi, một ndarray.

Ví dụ với 400 khách lấy bằng sample(400, random_state=0) từ bảng khách làm kh, k = 4 và ba khách mới (5 ngày, 30 đơn, 20.000 nghìn), (200 ngày, 1 đơn, 300 nghìn), (30 ngày, 12 đơn, 2.500 nghìn), kết quả là array([3, 2, 0]): khách đầu vào cụm nòng cốt, khách thứ hai vào cụm đã nguội.

python
import numpy as np
import pandas as pd
from sklearn.cluster import KMeans
from sklearn.preprocessing import StandardScaler

def gan_phan_khuc(kh, moi, k):
    pass  # Viết thân hàm thay cho dòng này

Thử mở rộng

  • Thêm cột tỉ lệ đơn giảm giá vào bảng phân cụm và xem K = 4 có còn ổn định nhất không.

  • Vẽ bốn phân khúc trên hai thành phần chính như bài PCA, tô màu theo tên phân khúc.

  • Chạy chương trình trên một nửa bảng, gọi gan_phan_khuc cho nửa còn lại, rồi đếm bao nhiêu khách đổi phân khúc so với khi phân cụm cả bảng.

  • Đổi luật đặt tên sang điểm RFM của bước 2, ví dụ điểm F trung bình từ 4,5 trở lên là nòng cốt, và so hai bộ tên.

Chủ đề

phân khúc khách hàng

Dữ liệu của bài

Bài này có hữu ích?

Hỏi đáp

Đang tải câu hỏi…

Tham vấn chuyên môn

Nguyễn Việt Chung

Nhà sáng lập AIDev và VietPlatform · Thạc sĩ AI MSE

  • Tốt nghiệp thủ khoa xuất sắc Thạc sĩ AI MSE.
  • Đồng sáng lập, CTO E-University, SVOnline: số hóa 10+ đại học, 40.000+ sinh viên.
  • Xây hệ thống AI cho doanh nghiệp tại VietPlatform.
Biên soạn: AIDev Team · Rà soát · Quy trình biên tập