Tài liệu Sự bùng nổ của big data trong nghiên cứu marketing

ĐẠI HỌC QUỐC GIA THÀNH PHỐ HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC KINH TẾ - LUẬT KHOA QUẢN TRỊ KINH DOANH NGHIÊN CỨU MARKETING Đề tài: SỰ TRỖI DẬY CỦA BIG DATA TRONG NGHIÊN CỨU MARKETING GVHD: ThS. VÕ THỊ NGỌC TRINH Thành phố Hồ Chí Minh, tháng 11 năm 2021 i MỤC LỤC CHƯƠNG 1: SƠ LƯỢC VỀ BIG DATA ......................................................................... 2 1.1. Khái niệm ................................................................................................................. 2 1.2. Phân loại................................................................................................................... 3 1.3. Các giả định của Big Data ...................................................................................... 4 1.4. Thách thức khi sử dụng Big Data ........................................................................... 6 CHƯƠNG 2: BIG DATA TRONG NGHIÊN CỨU MARKETING ............................. 8 2.1. Khái niệm nghiên cứu Marketing ........................................................................... 8 2.2. Nghiên cứu Marketing truyền thống và Nghiên cứu Marketing sử dụng Big Data................................................................................................................................... 8 2.3. Mô hình trích xuất thông tin từ Big Data cho nghiên cứu marketing ................ 9 2.3.1. Thu thập và lưu trữ dữ liệu ............................................................................ 10 2.3.2. Xử lý làm sạch dữ liệu ..................................................................................... 10 2.3.3. Tổng hợp, đối chiếu dữ liệu............................................................................. 11 2.3.4. Mô hình hóa và phân tích dữ liệu................................................................... 11 2.3.5. Trình bày, diễn giải dữ liệu ............................................................................. 12 2.4. Phân tích Big Data và mô hình 5Ps ...................................................................... 12 2.4.1. Phân tích kết hợp (Association analysis) ....................................................... 13 2.4.2. Phân tích gộp nhóm (Clustering analysis) ..................................................... 14 2.4.3. Phương pháp phân loại (Classification analysis) .......................................... 14 2.4.4. Mô hình chủ đề (Topic modelling) ................................................................. 14 2.4.5. Lọc tương tác (Collaborative filtering) .......................................................... 15 2.4.6. Phân tích hồi quy (regression analysis) ......................................................... 15 CHƯƠNG 3: ỨNG DỤNG CỦA BIG DATA TRONG NGHIÊN CỨU MARKETING CỦA AMAZON ...................................................................................... 17 3.1. Hệ thống giới thiệu cá nhân................................................................................... 17 3.1.1. Nguồn thông tin cần thu thập ......................................................................... 17 3.1.2. Cách xử lý nguồn thông tin ............................................................................. 17 3.1.3. Vận dụng những thông tin đã xử lý ............................................................... 18 ii 3.2. Mô hình giao hàng dự đoán................................................................................... 19 3.2.1. Nguồn thông tin cần thu thập ......................................................................... 19 3.2.2. Cách xử lý nguồn thông tin ............................................................................. 19 3.2.3. Vận dụng những thông tin đã xử lý ............................................................... 19 3.3. Tối ưu giá ................................................................................................................ 19 3.3.1. Nguồn thông tin cần thu thập ......................................................................... 19 3.3.2. Cách xử lý nguồn thông tin ............................................................................. 20 3.3.3. Vận dụng những thông tin đã xử lý ............................................................... 20 3.4. Dịch vụ khách hàng Alexa ..................................................................................... 20 3.4.1. Nguồn thông tin cần thu thập ......................................................................... 20 3.4.2. Cách xử lý nguồn thông tin ............................................................................. 21 3.4.3. Vận dụng những thông tin đã xử lý ............................................................... 21 CHƯƠNG 4: NHỮNG CƠ HỘI VIỆC LÀM MỞ RA ĐỐI VỚI MẢNG DATA LĨNH VỰC MARKETING ............................................................................................. 23 4.1. Marketing Insight and Analysis. (1000 - 3000 USD) .......................................... 23 4.2. Chuyên viên phân tích chỉ số Marketing (1000 - 2500 USD) ............................. 23 4.3 Social Data Analysis (700 - 2000 USD) .................................................................. 23 KẾT LUẬN ....................................................................................................................... 25 TÀI LIỆU THAM KHẢO ................................................................................................ 26 iii DANH MỤC BẢNG Bảng 1.1. So sánh Dữ liệu cấu trúc và Dữ liệu phi cấu trúc................................................ 4 Bảng 2.1. So sánh nguyên cứu Marketing truyền thống và nghiên cứu Marketing sử dụng Big Data ................................................................................................................................ 9 Bảng 2.2. 5Ps and Big Data Analytics ............................................................................... 12 Bảng 3.1. Tóm tắt các ứng dụng Big Data trong nghiên cứu Marketing của Amazon ...... 21 DANH MỤC HÌNH Hình 2.1. Process for Extracting Insights From Big Data ................................................. 10 iv DANH SÁCH THÀNH VIÊN STT Mức độ hoàn Họ tên MSSV Nhiệm vụ cụ thể 1 Phan Văn Đức K194070896 Nội dung + Thuyết trình 100% 2 Dương Thị Hoàng Hạ K194070898 Nội dung + Thuyết trình 100% thành (Nhóm trưởng) 3 Nguyễn Thị Hồng Huệ K194070904 Nội dung + Thuyết trình 100% 4 Võ Hoàng Nhật Vy K194070957 Nội dung + Slide 100% 1 LỜI MỞ ĐẦU Cuộc Cách mạng công nghiệp lần thứ tư đã đi qua được một thập kỷ, tuy còn những bất cập mà chúng ta chưa giải quyết được nhưng tầm quan trọng và lợi ích mà nó mang lại là điều không thể chối cãi. Mặc dù không phải là một khái niệm mới nhưng đến giai đoạn này, thế giới mới thực sự chứng kiến sự bùng nổ của kỷ nguyên Big data. Big Data thể hiện vai trò của mình trong mọi lĩnh vực từ y tế, viễn thông, sản xuất, hàng không, tài chính, ngân hàng, điện tử, giải trí, ... Có thể thấy, dữ liệu là vũ khí hết sức quan trọng, ai nắm được thông tin, người đó sẽ vượt lên dẫn đầu và bỏ xa những đối thủ còn lại. Thật vậy, trong thế giới phẳng như hiện nay, việc nắm bắt tâm lý và hành vi của khách hàng cũng ngày càng khó khăn hơn. Doanh nghiệp muốn bắt kịp xu hướng chung và phát triển bền vững cần tập trung vào chuyển đổi số, đầu tư vào công nghệ, đặc biệt là trong lĩnh vực Marketing. Nhằm thấu hiểu khách hàng, tạo ra trải nghiệm mua hàng tốt nhất. Kết hợp với Big Data, doanh nghiệp sẽ nắm được nhiều thông tin hơn, thấu hiểu khách hàng hơn, từ đó gia tăng trải nghiệm khách hàng và giúp doanh nghiệp nắm được lợi thế cạnh tranh so với các đối thủ. Đó cũng chính là lý do nhóm chúng em chọn đề tài “Sự bùng nổ của Big data trong Nghiên cứu Marketing” để tiến hành tìm hiểu và nghiên cứu. Chúng em xin cảm ơn Cô Võ Thị Ngọc Trinh đã cho nhóm những kiến thức bổ ích cũng như cơ hội để tiến hành đề tài này. Với thời gian và năng lực còn hạn chế sẽ không thể tránh những sai sót. Chúng em rất mong cô thông cảm và được nhận những nhận xét, góp ý từ cô. Một lần nữa chúng em chân thành cảm ơn. 2 CHƯƠNG 1: SƠ LƯỢC VỀ BIG DATA 1.1. Khái niệm Big Data được xem là xu hướng công nghệ xuất hiện trong thời đại Cách mạng công nghiệp 4.0 và hứa hẹn là lời giải cho rất nhiều bài toán kinh doanh hóc búa không chỉ đối với các doanh nghiệp trên thế giới mà còn cả với các doanh nghiệp Việt Nam trong bối cảnh hội nhập sâu và rộng vào nền kinh tế quốc tế. Các tổ chức hàng đầu đang chuyển đổi tư duy của họ về dữ liệu, từ việc coi dữ liệu như một chi phí hoạt động cần được giảm thiểu sang nuôi dưỡng dữ liệu như một tài sản chiến lược cần được mua lại, làm sạch, được chuyển đổi, làm giàu và phân tích để mang lại thông tin chi tiết hữu ích. Vậy, Dữ liệu lớn (Big data) là một thuật ngữ về việc xử lý một tập dữ liệu rất lớn và phức tạp khác với cách truyền thống. Dữ liệu này bao gồm các hoạt động khác nhau như: thu thập, tìm kiếm, giám sát, dự báo, phân tích hành vi người dùng, hoặc một số phương pháp phân tích dữ liệu tiên tiến khác nhằm trích xuất những giá trị từ dữ liệu mà ít khi đề cập đến kích thước dữ liệu này. Cụ thể, nó có thể truy vấn những tập tin phi cấu trúc (unstructured files) như video kỹ thuật số, hình ảnh, dữ liệu cảm biến, tập tin lưu nhật ký, thực sự bất cứ dữ liệu nào không có trong hồ sơ với các phạm vi tìm kiếm khác. Năm 2014, Gartner đưa ra một khái niệm mới về Big Data với mô hình “5Vs” tương ứng với năm tính chất quan trọng, như sau: Volume: là sự tăng trưởng về mặt khối lượng. Dữ liệu trong các hệ thống thông tin luôn luôn và không ngừng tăng lên về mặt kích thước (khối lượng). Chúng ta có thể tìm thấy dữ liệu trong các định dạng video, music, image lớn trên các kênh truyền thông xã hội. Khối lượng dữ liệu của một hệ thống thông tin có thể lên đến hàng Terabyte và Petabyte. Theo tài liệu của Intel hồi tháng 9/2013, cứ mỗi 11 giây, 1 PB1 dữ liệu được tạo ra trên toàn thế giới, tương đương với một đoạn video HD dài 13 năm. Facebook phải xử lý khoảng 500 TB2 dữ liệu mỗi ngày. Velocity: là sự tăng trưởng về mặt tốc độ xử lý. Bên cạnh sự tăng trưởng về khối lượng, tốc độ tăng trưởng của dữ liệu cũng tăng lên một cách chóng mặt. Các ứng dụng được sử dụng phổ biến trên các lĩnh vực Internet, tài chính, ngân hàng, hàng không, quân sự, y tế - sức khỏe ngày nay phần lớn đều được xử lý trong thời gian thực thông qua hệ 3 thống Big Data. Đơn cử, trên các mạng xã hội, đôi khi các thông báo cách đó vài giây (tweet, status….) đã là cũ và không được người dùng quan tâm. Người dùng thường loại bỏ các tin nhắn cũ và chỉ chú ý đến các cập nhật gần nhất. Sự chuyển động của dữ liệu giờ đây hầu như là tức thời (real time), và tốc độ cập nhật thông tin đã giảm xuống đơn vị hàng mili giây. Variety: là sự tăng lên về tính đa dạng của dữ liệu. Dữ liệu không chỉ ở dạng có cấu trúc, mà còn bao gồm rất nhiều kiểu dữ liệu phi cấu trúc nữa (như video, hình ảnh, dữ liệu cảm biến, giọng nói, blog, ...). Big Data cho phép chúng ta phân tích và liên kết đa dạng các chủng loại dữ liệu với nhau ví dụ như các bình luận, bài đăng của một nhóm người dùng nào đó trên Facebook với thông tin các video đã được chia sẻ từ các kênh xã hội khác nhau như YouTube, Twitter. Veracity: là tính xác thực của dữ liệu. Với xu hướng “Social” ngày nay và sự gia tăng mạnh mẽ tính tương tác và chia sẻ của người dùng di động đã làm cho khả năng xác định về độ tin cậy và tính chính xác của dữ liệu ngày một khó khăn hơn. Bài toán phân tích và loại bỏ dữ liệu thiếu chính xác và gây nhiễu đang là một trong những tính chất quan trọng của Big data. Value: Giá trị thông tin mang tính chất quan trọng nhất của xu hướng công nghệ Big Data. Thật vậy, doanh nghiệp phải hoạch định được những giá trị thông tin hữu ích của Big Data một cách phù hợp nhằm giải quyết cho những vấn đề, bài toán mà doanh nghiệp đang gặp phải hoặc mô hình hoạt động kinh doanh của mình. Có thể nói việc đầu tiên các doanh nghiệp cần làm trước khi bắt tay vào thực hiện Big Data là phải làm sao xác định được tính chất “Value” của nó. 1.2. Phân loại Dữ liệu đến từ nhiều nguồn và thuộc các định dạng khác nhau nên chúng rất đa dạng. Chính vì vậy, việc phân loại dữ liệu cũng có nhiều cách. Và một trong những cách cơ bản nhất và thể hiện được sự khác biệt giữa các loại dữ liệu là phân loại dựa vào cấu trúc của chúng: Dữ liệu có cấu trúc và Dữ liệu phi cấu trúc. Dữ liệu có cấu trúc là những thông tin được thể hiện trong các cột và hàng có tiêu đề, có thể dễ dàng đặt hàng và xử lý bằng các công cụ tìm kiếm dữ liệu. Chúng ta có thể 4 xem chúng như một tủ hồ sơ được tổ chức hoàn hảo, các dữ liệu được xác định, dán nhãn và dễ dàng truy cập. Dữ liệu phi cấu trúc là những thông tin không được tổ chức thông qua các mô hình hoặc lược đồ dữ liệu được xác định trước. Bảng 1.1. So sánh Dữ liệu cấu trúc và Dữ liệu phi cấu trúc Dữ liệu có cấu trúc Dữ liệu phi cấu trúc Ví dụ - Ngày tháng - SĐT, Số thẻ tín dụng - Tên khách hàng, địa chỉ - Tên sản phẩm, số lượng - Các thông tin giao dịch - Các file văn bản (text), file PDF - Báo cáo - Tin nhắn, Email - File Audio, Video, ảnh - Các nội dung truyền thông trên mạng xã hội Đặc trưng - Mô hình dữ liệu được xác định trước (thường chỉ có dạng văn bản) - Dễ tìm kiếm - Không có mô hình dữ liệu được xác định trước - Có thể là dạng văn bản, hình ảnh, video, âm thanh hoặc định dạng khác - Khó tìm kiếm Ứng dụng chính - Kiểm soát hàng tồn kho - Hệ thống CRM, ERP - Hệ thống đặt vé máy bay - Xử lý văn bản - Phần mềm trình chiếu - Email - Các công cụ hiển thị và chỉnh sửa truyền thông Được tạo bởi Con người và máy móc Con người và máy móc (Nguồn: Internet) 1.3. Các giả định của Big Data N = All 5 Nếu thu thập thông tin dựa trên mẫu nhỏ, thậm chí những kết quả được thu thập “một cách khoa học” thì thông tin đó cũng không đáng tin cậy (phương sai cao trên các mẫu lặp lại), không mang tính đại diện và không đủ sức mạnh về mặt thống kê (tức là, các suy luận hợp lý bị hạn chế). Một số nhà nghiên cứu cho rằng Big Data có thể khắc phục những hạn chế này và sẵn sàng cung cấp các bài kiểm tra về các thông số dân số vì nó tương đối rẻ, tương đối đại diện, được bổ sung liên tục và dễ dàng sao chép. Tuy nhiên, một lưu ý quan trọng liên quan đến giả định này: Big Data loại trừ những người không sử dụng internet hoặc công nghệ xử lý thông tin kỹ thuật số. Việc tham gia vào nền tảng trực tuyến, cho dù thương mại hay không, thì cũng có sự khác biệt đáng kể theo vị trí địa lý, tuổi tác, giới tính, chủng tộc và các yếu tố xã hội học khác (www.statista.com). Today = Tomorrow Bởi vì nó di động và có mặt khắp nơi, cuộc sống kỹ thuật số năng động hơn nhiều so với cuộc sống thực. Người tiêu dùng liên tục chuyển đổi, thử và từ bỏ sự hiện diện kỹ thuật số của họ. Các dấu vết của hành vi đó có thể trở thành đối tượng của cuộc điều tra. Ban đầu, Facebook giới hạn thành viên cho người dùng trong ngành giáo dục; do đó, chỉ cần đăng ký một tài khoản email edu. Khi Facebook mở rộng, nó đã được mở cho cả những người dùng phi giáo dục. Online behavior = Offline behavior Người tiêu dùng có thể hiện các mô hình hành vi giống nhau cả trên trực tuyến và ngoại tuyến không? Điều này rất phức tạp và các nhà tiếp thị phải tìm hiểu cách người tiêu dùng biểu hiện trong cả hai mô hình hành vi mua hàng đối với các sản phẩm cụ thể. Behavior of all today = Behavior of all tomorrow Giả định này tổng hợp ba giả định nói trên. Big Data là sự phản ánh số hóa không hoàn hảo về cuộc sống trực tuyến và ngoại tuyến của con người. Các mô hình mô tả hành vi của người tiêu dùng đang thay đổi để giải thích cho ảnh hưởng của công nghệ và internet. Những giả định này giúp kiểm soát những thông tin có được từ việc phân tích Big Data. Nhiều nhà tiếp thị tin rằng tất cả người tiêu dùng của họ đều có mặt trực tuyến và 6 sẽ cư xử giống nhau cho dù trực tuyến hay ngoại tuyến. Tuy nhiên, việc không đặt câu hỏi hoặc không quan tâm các giả định nói trên có thể cản trở khả năng tồn tại của các phân tích Big Data đối với doanh nghiệp. 1.4. Thách thức khi sử dụng Big Data Big Data là bước ngoặt đánh dấu sự phát triển của Cách mạng Công nghiệp 4.0, việc ứng dụng công nghệ này mang lại tiềm năng phát triển tuyệt vời cho doanh nghiệp. Tuy nhiên việc ứng dụng Big Data một cách hiệu quả thì không phải là điều dễ dàng và còn rất nhiều thách thức mà các doanh nghiệp cần phải đối mặt. Sự đa dạng thông tin: Trước khi tiến hành phân tích dữ liệu, doanh nghiệp cần đảm bảo nguồn dữ liệu là chính xác và có định dạng phù hợp cho việc phân tích. Trên thực tế thì sự tồn tại của một dữ liệu đồng nhất và có cấu trúc tốt với cùng kích thước và cấu trúc là rất cần thiết. Chính vì vậy, việc làm sạch và xử lý các lỗi từ các nguồn dữ liệu không đầy đủ hay các dữ liệu gây nhiễu là tối quan trọng và không thể thiếu. Tuy nhiên, điều đó đòi hỏi doanh nghiệp cần đầu tư một khoản chi phí (thời gian, ngân sách) lớn để có được kết quả mang giá trị cao. Quy mô: Thực tế cho thấy rằng khối lượng dữ liệu đang gia tăng khá lớn và gần như đã vượt qua khả năng sức mạnh xử lý và lưu trữ của máy tính. Bên cạnh đó, việc truyền dữ liệu lớn thường phải gánh chịu chi phí cao. Đây là “nút cổ chai” của việc tính toán Big Data. Yếu tố thời gian: Khi số lượng dữ liệu tăng nhanh chóng, các kết quả phân tích thì cần phải được đưa ra một cách tức thì nghĩa là trong thời gian thực nên cần phải có sự phát triển các quy trình xử lý dựa vào sự gia tăng của các cấu trúc dữ liệu nhằm đạt được mục đích cuối cùng đó là đáp ứng yêu cầu truy cập thông tin một cách tức thì của người sử dụng. Tính cá nhân và Bảo mật dữ liệu: Các yếu tố luật pháp liên quan đến các hạn chế về quyền cá nhân hiện đang trở thành một mối đe dọa vì nó có thể hạn chế các ích lợi tiềm năng. Chính vì lý do đó mà các chính sách an ninh mạng hay cụ thể là an ninh thông 7 tin chia sẻ các dữ liệu liên quan đến người dùng cá nhân cần phải được xem xét một cách thận trọng và nghiêm túc. Bên cạnh đó, một số ví dụ trong thực tế cho thấy, không chỉ thông tin cá nhân người tiêu dùng, thông tin mật của các tổ chức mà ngay cả bí mật an ninh quốc gia cũng có thể bị xâm phạm. Do đó, giải quyết các vấn đề an ninh dữ liệu bằng các công cụ kỹ thuật và các chính sách trở nên vô cùng cấp bách. Thiếu chuyên gia công nghệ: Dù là thời đại công nghệ 4.0, hoạt động bằng máy móc chiếm ưu thế, nhưng nếu không có con người vận hành, quản lý thì dù máy móc có hiện đại đến đâu cũng khó có thể mang đến hiệu quả tốt nhất. Công nghệ Big Data cũng vậy. Các đánh giá của chuyên gia là hết sức cần thiết để có thể hiểu các nguồn dữ liệu và để khai thác một cách tối ưu các tiềm năng của nó đòi hỏi sự phối hợp nhịp nhàng và nhuần nhuyễn giữa máy móc và con người. Đòi hỏi thay đổi văn hóa doanh nghiệp: Văn hóa doanh nghiệp được xây dựng và phát triển không phải chỉ trong ngày một ngày hai. Chính vì vậy, để một doanh nghiệp thay đổi văn hóa làm việc của mình, đặc biệt là từ truyền thống sang hiện đại, không phải là điều đơn giản. Theo khảo sát của New Vantage, chỉ có 32.4% doanh nghiệp thành công trong việc thay đổi văn hóa doanh nghiệp theo hướng hiện đại mới. 8 CHƯƠNG 2: BIG DATA TRONG NGHIÊN CỨU MARKETING 2.1. Khái niệm nghiên cứu Marketing Theo Philip Kotler (2003) “Nghiên cứu marketing là xác định một cách có hệ thống những tư liệu cần thiết do tình huống marketing đặt ra cho một công ty, thu thập, phân tích chúng và báo cáo kết quả”. Theo Hiệp hội Marketing Mỹ (AMA): Nghiên cứu marketing là quá trình thu thập và phân tích có hệ thống những dữ liệu về các vấn đề liên quan đến các hoạt động marketing của doanh nghiệp. Tư tưởng chủ đạo của Marketing là “Mọi quyết định kinh doanh đều xuất phát từ thị trường”. Muốn thực hiện được tư tưởng chủ đạo này thì phải có đầy đủ thông tin về thị trường, về môi trường kinh doanh. Căn cứ vào các thông tin thu được qua nghiên cứu Marketing, các nhà quản lý sẽ vạch ra chiến lược, chính sách kinh doanh phù hợp nhắm vào thị trường mục tiêu. 2.2. Nghiên cứu Marketing truyền thống và Nghiên cứu Marketing sử dụng Big Data Nhìn chung mục đích của nghiên cứu marketing là để chuyển đổi dữ liệu thu thập được thành thông tin có giá trị và hiểu biết hữu ích cho việc ra quyết định. Mặc dù khái niệm và mục tiêu của nghiên cứu marketing vẫn không thay đổi trong bối cảnh Big Data, nhưng với lợi ích ngày càng lớn của việc phân tích big data như hiện nay thì đòi hỏi cần có một quan điểm nghiên cứu marketing rộng hơn. Nhóm chúng tôi đưa ra một số điểm khác biệt giữa nghiên cứu Marketing truyền thống và nghiên cứu Marketing sử dụng Big Data, các tiêu chí so sánh chủ yếu là về thu thập và phân tích dữ liệu. Nghiên cứu Marketing truyền thống theo nhóm là nghiên cứu thường dựa trên sự giả định dữ liệu ngẫu nhiên và sử dụng các phương pháp thống kê truyền thống, còn Nghiên cứu Marketing sử dụng Big Data giả định dữ liệu có độ phức tạp cao và sử dụng thêm các phương pháp thống kê nâng cao bên cạnh các phương pháp thống kê truyền thống đã được cải tiến. Đặc biệt, trong quá khứ chưa có sự bùng nổ của tiến bộ khoa học kỹ thuật như hiện nay. 9 Bảng 2.1. So sánh nguyên cứu Marketing truyền thống và nghiên cứu Marketing sử dụng Big Data Tiêu chí Nghiên cứu Marketing truyền thống Nghiên cứu Marketing sử dụng Big Data Khối lượng dữ liệu Chỉ thu được dữ liệu hạn chế Thu thập được lượng dữ liệu khổng lồ mô tả mô tả theo khoảng thời gian theo thời gian thực phong phú hơn. nhất định. Nguồn dữ Chủ yếu là khảo sát trực tiếp Từ các thiết bị lưu trữ dữ liệu người dùng liệu khách hàng qua phỏng vấn, như điện thoại thông minh, phương tiện bảng câu hỏi… và các trang truyền thông xã hội, các thiết bị cảm biến,… cung cấp dữ liệu thứ cấp. Lưu trữ Thiết bị lưu trữ, quản lý có Công nghệ điện toán đám mây cung cấp kỹ và quản lý dung lượng lưu nhỏ. thuật lưu trữ, quản lý với lưu lượng lớn và dữ liệu hiệu quả. Một số nền tảng lưu trữ đám mây hiện nay gồm: Google Store, Amazon, Microsoft Azure, IBM Blue Cloud. Phương pháp phân tích dữ liệu Phương pháp phân tích dữ liệu truyền thống bắt nguồn từ thống kê và khoa học máy tính như phân tích cụm, phân tích nhân tố, phân tích tương quan, phân tích hồi quy… Phương pháp phân tích big data là các mô hình thuật toán cũng dựa trên thống kê và khoa học máy tính hiện đại hơn cho phép trích xuất thông tin và tạo ra các mô hình dự đoán hiệu quả cao. ví dụ như mô hình thuật toán MapReduce do Google đề xuất, kỹ thuật phân tích và giải mã NLP… (Nguồn: Nhóm tự tổng hợp) Thực tế hiện nay chưa có nhiều phương pháp phân tích dữ liệu big data được phát triển vì khối lượng và tốc độ của nó quá lớn. Tuy nhiên trong thời đại công nghiệp 4.0 như hiện nay, việc doanh nghiệp biết cách phân tích dữ liệu big data sẽ là một lợi thế rất lớn. 2.3. Mô hình trích xuất thông tin từ Big Data cho nghiên cứu marketing Điều thực sự mang lại giá trị cho việc sử dụng big data là phân tích dữ liệu. Nếu không có phân tích, big data chỉ là một tập dữ liệu với việc sử dụng hạn chế. 10 Khi mà sự xuất hiện của big data đang dần định hình lại quá trình nghiên cứu marketing. Mô hình dưới đây trình bày năm giai đoạn chính của nghiên cứu marketing sử dụng big data. Trong đó, năm giai đoạn này được nhóm thành quản lý dữ liệu (data management) và phân tích (analytics). Quản lý dữ liệu là những quy trình và công nghệ hỗ trợ được thiết kế và sử dụng để thu thập, lưu trữ và trích xuất dữ liệu cho việc phân tích ở giai đoạn sau. Còn Phân tích là tập hợp các kỹ thuật được sử dụng để phân tích, phác họa và tạo ra những thông tin có giá trị từ nguồn dữ liệu big data. Hình 2.1. Process for Extracting Insights From Big Data (Nguồn: Gandomi & Haider, 2015; Japkowicz & Stefanowski, 2016; Labrinidis & Jagadish, 2012) 2.3.1. Thu thập và lưu trữ dữ liệu Để có dữ liệu thì đầu tiên cần phải thu thập, vấn đề chính gây khó khăn cho việc thu thập dữ liệu từ big data đó là sự phân tán của dữ liệu ở nhiều nguồn khác nhau. Các công cụ thu thập dữ liệu từ thiết bị cảm biến người dùng (cảm biến là sự đo lường và biến đổi đại lượng vật lý thành tín hiệu số có thể đọc được, dữ liệu cảm biến có thể là sóng âm thanh, giọng nói, rung động…), thiết bị có định vị vị trí, các phương tiện truyền thông xã hội, giao dịch tài chính, điện thoại thông minh,… Dữ liệu sẽ được ghi lại và lưu trữ trên nhiều thiết bị lưu trữ như kho dữ liệu truyền thống, data lakes hay điện toán đám mây. Dữ liệu được thu thập và lưu trữ ở giai đoạn này là dữ liệu thô, chưa có giá trị sử dụng cao. 2.3.2. Xử lý làm sạch dữ liệu Thông thường dữ liệu từ các nguồn công khai thường không đầy đủ, không có cấu trúc nhất quán (dữ liệu ở nhiều kiểu khác nhau như: văn bản, âm thanh, video…), bị lỗi định dạng hay đơn giản là sai. Ví dụ, những người tham gia khảo sát có thể trả lời sai hay dữ liệu thu được từ các thiết bị theo dõi trên điện thoại thông minh (các app được hỗ trợ 11 GPS) có thể sai do thiết bị đó bị hỏng…. Để biến những dữ liệu thô này thành dữ liệu có giá trị chúng ta cần tiến hành xử lý dữ liệu. Xử lý dữ liệu là quá trình xác định và sửa lỗi dữ liệu để đảm bảo chất lượng của dữ liệu bằng các thuật toán. Ví dụ khi xác định được với dữ liệu bị lỗi định dạng thì tiến hành thay đổi về định dạng phù hợp, hay tiến hành xóa bỏ những dữ liệu bị sai. Đây là bước quan trọng cần thiết để đảm bảo các tệp dữ liệu đáp ứng các tiêu chuẩn về chất lượng và có giá trị sử dụng. 2.3.3. Tổng hợp, đối chiếu dữ liệu Để tiến hành phân tích dữ liệu cần hợp nhất các tệp dữ liệu không đồng nhất với kích thước đa dạng ở bước trên thành một tập dữ liệu tích hợp phù hợp với nhu cầu nghiên cứu.. Sau đó, tiến hành đối chiếu dữ liệu, tìm những dữ liệu giống nhau, bị trùng lặp để loại bỏ. Sự trùng lặp dữ liệu là rất phổ biến trong các tệp dữ liệu từ các nguồn khác nhau, việc loại bỏ những dữ liệu bị lặp nhằm tránh lãng phí không gian lưu trữ cũng như để có cơ sở phân tích chính xác. Ví dụ như một công ty thẻ tín dụng và một nhà bán lẻ có thể ghi lại các giao dịch giống nhau của một khách hàng. 2.3.4. Mô hình hóa và phân tích dữ liệu Có rất nhiều loại phân tích được sử dụng để tìm ra các mẫu thông tin có ý nghĩa trong nguồn dữ liệu big data. Phân tích văn bản có thể chuyển đổi văn bản như các tweet đánh giá thương hiệu của người tiêu dùng thành bản tóm tắt các ý chính có ý nghĩa. Phân tích âm thanh để trích xuất thông tin từ âm thanh không có cấu trúc, chẳng hạn như tệp âm thanh cuộc gọi phàn nàn của khách hàng. Tương tự, phân tích nội dung video để trích xuất thông tin từ video, ví dụ như các unboxing video do người tiêu dùng tạo. Phân tích nội dung hình ảnh cho phép các nhà nghiên cứu trích xuất những dữ liệu từ những từ được in trong một bức ảnh của người tiêu dùng, chẳng hạn trên Twitter bị giới hạn 5000 ký tự nên người tiêu dùng thường chuyển dữ liệu văn bản vào ảnh. Phương tiện truyền thông xã hội và phân tích mạng để khám phá nội dung mà người tiêu dùng tạo trên các nền tảng truyền thông xã hội và chuyển các nội dung đó thành âm thanh, video hay các phân tích khác. Sau khi phân tích các kiểu dữ liệu trên thì nhà nghiên cứu đã có thể xây dựng một mô hình về hành vi, thái độ và tình cảm của khách hàng. 12 2.3.5. Trình bày, diễn giải dữ liệu Những nhà nghiên cứu marketing phải có khả năng hiểu và diễn giải kết quả từ bước phân tích và mô hình hóa dữ liệu. Cụ thể là phải biết cách trình bày, truyền đạt kết quả nghiên cứu cho những người ra quyết định để họ nắm vững tình huống và đưa ra quyết định phù hợp, ít rủi ro nhất. 2.4. Phân tích Big Data và mô hình 5Ps Dựa vào lượng thông tin có được sau khi phân tích Big Data, doanh nghiệp có thể xây dựng được mô hình 5Ps như bảng dưới (theo Fan, Leu & Zheo, 2015). Bảng 2.2. 5Ps and Big Data Analytics Phân tích Big People Product Promotion Price Place Nguồn -Nhân khẩu -Đặc điểm - Dữ liệu - Dữ liệu - Các nền tảng thông tin thu thập -Xã hội -Review của khách hàng -Phân loại -Review của khách hàng tiếp thị - Dữ liệu khảo sát giao dịch - Dữ liệu khảo sát kết nối mạng xã hội -Dữ liệu khảo -Dữ liệu khảo sát -Khảo sát Data Phương pháp phân tích -Sử dụng phương - Phân tích gộp sát - Phân tích - Phân tích - Phân tích hồi kết hợp - Phân tích hồi quy quy -Sử dụng phương pháp pháp phân loại (classification) -Phân tích gộp nhóm - Mô hình chủ đề (topic hồi quy - Lọc tương tác nhóm modelling) - Phân tích kết - Phân tích kết hợp phân loại hợp Ứng dụng -Phân khúc -Gợi ý sản khách hàng phẩm -Phân tích dự - Đo lường sự đoán hành vi của phổ biến biến khách hàng của của sản - Hệ thống - Chiến lược -Tìm các nền gợi ý - Phân tích hiệu quả về giá - Phân tích đối thủ cạnh tảng chạy marketing hiệu quả tiếp thị tranh 13 -Phân tích dự đoán ưu tiên phẩm - Phân tích dự khách hàng tiềm năng đoán để cung cấp sản phẩm - Phân tích động cơ cộng đồng phù hợp cho từng thị trường (Nguồn: Fan, Leu & Zheo, 2015) Theo đó, dựa trên những thông tin cần cho mỗi chiếc lược P khác nhau cùng với việc ứng dụng các thuật toán thống kê và khoa học máy tính đã cho ra các dự đoán về tương lai với xác suất cao. Đặc biệt, phân tích dự đoán dựa trên dữ liệu đang được áp dụng rộng rãi trong nghiên cứu Marketing. Trong đó, có các dạng phân tích phổ biến sau. Phân tích dự đoán hành vi khách hàng. Đưa ra các mô hình tương quan trong hành vi của khách hàng, từ đó dự đoán xu hướng mua hàng trong tương lai. Phân tích dự đoán ưu tiên khách hàng tiềm năng. Ở đây, các thông điệp truyền thông sẽ được tối ưu hóa cho từng nhóm khách hàng tiềm năng, và đưa ra call-to-action chính xác cho họ. Phân tích dự đoán để cung cấp sản phẩm phù hợp cho từng thị trường. Trong trường hợp này, trực quan hóa dữ liệu giúp nhóm tiếp thị đưa ra quyết định đúng đắn về sản phẩm hoặc dịch vụ nào nên được phân phối ra thị trường. Phân tích dự đoán để nhắm mục tiêu khách hàng. Các mô hình được sử dụng để xác định nhóm khách hàng nào có giá trị cao nhất, từ đó cung cấp cho họ những ưu đãi phù hợp trước thời điểm họ ra quyết định mua hàng. 2.4.1. Phân tích kết hợp (Association analysis) Phân tích kết hợp là một kỹ thuật cho phép tìm thấy các mẫu trong bộ sưu tập dữ liệu lớn. Phân tích kết hợp giúp tạo ra các thông tin có giá trị bằng cách khám phá các mối quan hệ có liên quan giữa các biến khác nhau trong cơ sở dữ liệu quy mô lớn. Việc giải thích các mối quan hệ giữa các mẫu không dễ dàng vì số lượng mẫu thường rất lớn hoặc các mối quan hệ khi tìm ra thường vô nghĩa. Tuy nhiên phương pháp phân tích này giúp giảm thiểu yếu tố “nhiễu” dữ liệu nhiều nhất có thể. Các chuỗi cửa hàng bán lẻ và siêu thị thường sử dụng phân tích kết hợp để tạo hồ sơ về hành vi mua sắm chung của khách hàng. Dựa trên đó, người quản lý cửa hàng có 14 thể đề ra các chiến lược sắp xếp các sản phẩm theo trình tự cụ thể nhằm tăng trưởng doanh số. 2.4.2. Phân tích gộp nhóm (Clustering analysis) Phân tích gộp nhóm hay phân tích cụm là một kỹ thuật để mô tả dữ liệu và tìm ra các mẫu chung. Qua đó, tập dữ liệu sẽ được phân thành nhiều nhóm khác nhau, trong mỗi nhóm thì các điểm dữ liệu hay các quan sát sẽ giống nhau, và giữa các nhóm thì có sự khác biệt. Kỹ thuật phân cụm được ứng dụng rất nhiều trong tiếp thị nơi mà kỹ thuật này được sử dụng để khám phá các nhóm khách hàng có nhu cầu tương tự, để từ đó xây dựng các chiến lược tiếp thị cho sản phẩm hoặc dịch vụ nhắm vào nhóm khách hàng mục tiêu hiệu quả. 2.4.3. Phương pháp phân loại (Classification analysis) Phương pháp phân loại là một trong những phương pháp khoa học dữ liệu được áp dụng nhiều nhất và nổi tiếng nhất. Trong phương pháp này, chúng ta sẽ dự đoán các quan sát mới (dữ liệu mới) thu thập sẽ thuộc về loại nào. Điều này được thực hiện bằng cách phân tích các quan sát các danh mục lịch sử đã biết. Các mô hình khác nhau có thể được sử dụng để phân loại dữ liệu và một trong những mô hình được biết đến nhiều nhất đó là “cây quyết định” (decision tree), thường được sử dụng với các tập dữ liệu lớn. Cây quyết định là một quá trình mà nhiều câu hỏi có hoặc không được trả lời để xác định danh mục mà dữ liệu mới sẽ thuộc về. Phương pháp phân loại thường được sử dụng kết hợp với phương pháp hồi quy để cải thiện hiệu suất dự đoán của mô hình thống kê. Một ví dụ về cách phân loại được sử dụng trong chăm sóc sức khỏe, nơi dữ liệu lịch sử của bệnh nhân được sử dụng để phân tích các triệu chứng nhằm xác định (phân loại) tình trạng bệnh nhân mới có thể mắc phải. Điều này đã được sử dụng để dự đoán ung thư và xác định các nhóm nguy cơ cao. 2.4.4. Mô hình chủ đề (Topic modelling) Mô hình chủ đề là mô hình để phân tích các dữ liệu Big Data đầu vào thành các loại chủ đề khác nhau. Mô hình chủ đề gồm có mô hình có giám sát và không giám sát. 15 Trong mô hình chủ đề có giám sát, người dùng có thể chỉ định một số đặc điểm cho trước của chủ đề để hệ thống lọc theo những đặc điểm đó. Còn mô hình không giám sát thì các thông tin văn bản từ Big Data được thu thập tự động và tự phân chia chủ đề thông minh. Theo mặc định, Mô hình chủ đề tự động loại bỏ các từ dừng và các từ tần số cao xuất hiện trong hầu hết các tài liệu vì chúng thường không giúp xác định ranh giới giữa các chủ đề. Như vậy, trong chiến lược Product của marketing, mô hình chủ đề được vận dụng để phân tích các Big Data văn bản. Từ đó có thể phân loại các sản phẩm theo những chủ đề khác nhau. Nhờ đó, doanh nghiệp có thể biết đến các loại sản phẩm mà khách hàng quan tâm để từ đó đề ra chiến lược sản phẩm phù hợp. 2.4.5. Lọc tương tác (Collaborative filtering) Hay còn gọi là lọc tương tác, sử dụng sự tương tác qua lại trong hành vi mua sắm giữa các khách hàng để tìm ra sở thích của một khách hàng đối với một sản phẩm. Hầu hết các hành vi hoặc sở thích của mọi người đều có những đặc điểm chung và có thể nhóm lại thành các nhóm tương đồng. Một phụ nữ A nếu đến siêu thị mua dầu ăn thường mua thêm nước tương và nước mắm. Hành vi này lặp lại đối với 100 lượt mua sắm là 90 lần thì khả năng cao một phụ nữ B nếu mua dầu ăn cũng sẽ mua thêm nước tương và nước mắm. Từ đó sẽ khuyến nghị sản phẩm cho khách hàng dựa trên hành vi của các khách hàng khác liên quan nhất. 2.4.6. Phân tích hồi quy (regression analysis) Phân tích hồi quy là kỹ thuật thống kê dùng để ước lượng phương trình phù hợp nhất với các tập hợp kết quả quan sát của biến phụ thuộc và biến độc lập.Trong marketing, phân tích hồi quy được sử dụng rất phổ biến. Trong chiến lược Promotion, phân tích hồi quy được sử dụng để nghiên cứu nhu cầu của người tiêu dùng thay đổi theo từng biến độc lập khác nhau. Trong chiến lược Price, người ta có thể thực hiện các công trình nghiên cứu về các yếu tố ảnh hưởng đến giá sản phẩm của họ. Khi đó giá sẽ là biến phụ thuộc và một số yếu tố như lượng hàng còn lại, nhu cầu sản phẩm, đối thủ cạnh tranh… tác động đến giá