Nhiệm vụ 2
nttrang
2025-05-25 19:25:26
Phần 1: Tìm hiểu và Chuẩn bị dữ liệu
1.1 Đọc dữ liệu
data <- read.csv("C:/Users/Ngo Trang/Documents/Supermarket Transactions.csv", header = TRUE)
str(data)## 'data.frame': 14059 obs. of 16 variables:
## $ X : int 1 2 3 4 5 6 7 8 9 10 ...
## $ PurchaseDate : chr "2007-12-18" "2007-12-20" "2007-12-21" "2007-12-21" ...
## $ CustomerID : int 7223 7841 8374 9619 1900 6696 9673 354 1293 7938 ...
## $ Gender : chr "F" "M" "F" "M" ...
## $ MaritalStatus : chr "S" "M" "M" "M" ...
## $ Homeowner : chr "Y" "Y" "N" "Y" ...
## $ Children : int 2 5 2 3 3 3 2 2 3 1 ...
## $ AnnualIncome : chr "$30K - $50K" "$70K - $90K" "$50K - $70K" "$30K - $50K" ...
## $ City : chr "Los Angeles" "Los Angeles" "Bremerton" "Portland" ...
## $ StateorProvince : chr "CA" "CA" "WA" "OR" ...
## $ Country : chr "USA" "USA" "USA" "USA" ...
## $ ProductFamily : chr "Food" "Food" "Food" "Food" ...
## $ ProductDepartment: chr "Snack Foods" "Produce" "Snack Foods" "Snacks" ...
## $ ProductCategory : chr "Snack Foods" "Vegetables" "Snack Foods" "Candy" ...
## $ UnitsSold : int 5 5 3 4 4 3 4 6 1 2 ...
## $ Revenue : num 27.38 14.9 5.52 4.44 14 ...Bộ dữ liệu data gồm 14,059 quan sát với 16 biến, ghi lại các giao dịch mua hàng của khách hàng cùng thông tin liên quan đến đặc điểm cá nhân và sản phẩm.
- Các biến định tính giúp phân loại khách hàng và sản phẩm theo các nhóm đặc trưng như:
Giới tính - Gender, Tình trạng hôn nhân - MaritalStatus, Sở hữu nhà - Homeowner, Khoảng thu nhập hàng năm - AnnualIncome, Thành phố - City, Bang/Tỉnh - StateorProvince, Quốc gia - Country, Nhóm sản phẩm - ProductFamily, Bộ phận sản phẩm - ProductDepartment, Danh mục sản phẩm - ProductCategory.
- Các biến định lượng cung cấp các thông tin số học về:
Số thứ tự bản ghi - X, mã khách hàng - CustomerID,Số lượng con trong gia đình - Children, số lượng sản phẩm bán ra trong mỗi giao dịch - UnitsSold, Doanh thu từ mỗi giao dịch - Revenue.
1.2 Chọn các biến định tính
Để phục vụ cho việc phân tích đặc điểm phân loại của khách hàng và sản phẩm, ta lựa chọn các biến định tính bao gồm Gender, MaritalStatus, Homeowner, AnnualIncome, City, StateorProvince, Country, ProductFamily, ProductDepartment, ProductCategory. Các biến này được lưu trong vector bdt.
bdt <- c("Gender","MaritalStatus","Homeowner","AnnualIncome","City","StateorProvince", "Country","ProductFamily","ProductDepartment", "ProductCategory")Việc tập trung vào các biến định tính này giúp thuận tiện cho các phân tích phân nhóm, bảng tần số và trực quan hóa nhằm hiểu rõ hơn về đặc điểm khách hàng và phân bố sản phẩm.
1.3 Tạo dữ liệu mới chỉ có biến định tính
d <- data[ ,bdt]
str(d)## 'data.frame': 14059 obs. of 10 variables:
## $ Gender : chr "F" "M" "F" "M" ...
## $ MaritalStatus : chr "S" "M" "M" "M" ...
## $ Homeowner : chr "Y" "Y" "N" "Y" ...
## $ AnnualIncome : chr "$30K - $50K" "$70K - $90K" "$50K - $70K" "$30K - $50K" ...
## $ City : chr "Los Angeles" "Los Angeles" "Bremerton" "Portland" ...
## $ StateorProvince : chr "CA" "CA" "WA" "OR" ...
## $ Country : chr "USA" "USA" "USA" "USA" ...
## $ ProductFamily : chr "Food" "Food" "Food" "Food" ...
## $ ProductDepartment: chr "Snack Foods" "Produce" "Snack Foods" "Snacks" ...
## $ ProductCategory : chr "Snack Foods" "Vegetables" "Snack Foods" "Candy" ...Bộ dữ liệu d gồm 14,059 quan sát với 10 biến định tính là bộ dữ liệu được trích từ bộ dữ liệu lớn data phản ánh các đặc điểm nhân khẩu học của khách hàng, vị trí địa lý và phân loại sản phẩm trong các giao dịch mua hàng. Cụ thể các biến bao gồm:
- Thông tin khách hàng:
Gender: Giới tính (ví dụ: “F” – nữ, “M” – nam)
MaritalStatus: Tình trạng hôn nhân (ví dụ: “S” – độc thân, “M” – đã kết hôn)
Homeowner: Tình trạng sở hữu nhà (ví dụ: “Y” – có nhà, “N” – không có nhà)
AnnualIncome: Khoảng thu nhập hàng năm (ví dụ: “$30K - $50K”, “$70K - $90K”)
- Thông tin địa lý:
City: Thành phố cư trú
StateorProvince: Bang hoặc tỉnh thành
Country: Quốc gia
- Phân loại sản phẩm:
ProductFamily: Nhóm sản phẩm chính (ví dụ: “Food”)
ProductDepartment: Bộ phận sản phẩm cụ thể hơn (ví dụ: “Snack Foods”)
ProductCategory: Danh mục sản phẩm chi tiết (ví dụ: “Candy”)
Để khám phá dữ liệu ban đầu chúng ta sẽ xem nhanh cấu trúc và nội dung dữ liệu ở 5 quan sát đầu và 5 quan sát cuối bảng
# Hiển thị một vài dòng đầu của dữ liệu
head(d,5)# Hiển thị một vài dòng cuối của dữ liệu
tail(d,5)Trước khi tiến hành phân tích, chúng ta cần kiểm tra xem dữ liệu có chứa giá trị thiếu (NA) hay không. Việc này rất quan trọng để đảm bảo chất lượng dữ liệu, tránh sai lệch hoặc lỗi trong quá trình xử lý và phân tích sau này. Câu lệnh sau được sử dụng để kiểm tra tổng số giá trị thiếu trong toàn bộ bảng dữ liệu:
# Kiểm tra sự tồn tại của biến NA
sum(is.na(d))## [1] 0Dựa vào kết quả, cho thấy dữ liệu không chứa giá trị thiếu, do đó ta có thể yên tâm tiếp tục phân tích mà không cần xử lý dữ liệu bị thiếu.
Phần 2: Phân tích Mô tả Một biến Định tính (Univariate Descriptive Analysis)
2.1 Gender
1. Thống kê Tần suất
ge1 <- table(d$Gender)
ge1##
## F M
## 7170 6889Vậy trong bộ dữ liệu này có 7170 nữ và 3688 nam.
# Lập bảng tần suất
ge2 <- table(d$Gender)/sum(nrow(d))
ge2##
## F M
## 0.5099936 0.4900064Vậy trong bộ dữ liệu này có 50.9993598 % người là nữ và 49.0006402 % người là nam.
2. Trực quan hóa
library(dplyr)##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionlibrary(ggplot2)ggplot(d %>% count(Gender), aes(x = Gender, y = n)) +
geom_col(fill = 'skyblue') +
geom_text(aes(label = paste0(n, " (", round(ge2[Gender] * 100, 1), "%)")),
vjust = -0.5, color = 'black') +
labs(title = "Đồ thị thống kê theo giới tính",
x = "Giới tính",
y = "Số lượng") +
theme_minimal()
ggplot(as.data.frame(ge2), aes(x = "", y = Freq, fill = Var1)) +
geom_col(width = 1, color = "white") +
coord_polar("y") +
geom_text(aes(label = paste0(round(Freq * 100), "%")),
position = position_stack(vjust = 0.5)) +
labs(title = "Tỷ lệ giới tính", fill = "Giới tính") +
theme_void() +
theme(plot.title = element_text(hjust = 0.5))
Nhận xét:
Dữ liệu gồm 14,059 khách hàng, trong đó nữ chiếm 7,170 người (khoảng 51%), nam chiếm 6,889 người (khoảng 49%). Tỷ lệ này khá cân bằng, cho thấy phân bố giới tính đồng đều trong tập dữ liệu. Điều này giúp đảm bảo tính đại diện khi phân tích hành vi theo giới, đồng thời cho phép so sánh giữa hai nhóm mà không lo bị lệch mẫu.
2.2 MaritalStatus
1. Thống kê Tần suất
ma1 <- table(d$MaritalStatus)
ma1##
## M S
## 6866 7193Vậy trong bộ dữ liệu này có 6866 người đã kết hôn và có 7193 người chưa kết hôn.
# Lập bảng tần suất
ma2 <- table(d$MaritalStatus)/sum(nrow(d))
ma2##
## M S
## 0.4883704 0.5116296Vậy trong bộ dữ liệu này có 48.8370439 % người đã kết hôn và có 51.1629561 % người chưa kết hôn.
2. Trực quan hóa
ggplot(d %>% count(MaritalStatus), aes(x = MaritalStatus, y = n)) +
geom_col(fill = 'skyblue') +
geom_text(aes(label = paste0(n, " (", round(ma2[MaritalStatus] * 100, 1), "%)")),
vjust = -0.5, color = 'black') +
labs(title = "Đồ thị thống kê theo tình trạng hôn nhân",
x = "Tình trạng hôn nhân",
y = "Số lượng") +
theme_minimal()
ggplot(as.data.frame(ma2), aes(x = "", y = Freq, fill = Var1)) +
geom_col(width = 1, color = "white") +
coord_polar("y") +
geom_text(aes(label = paste0(round(Freq * 100), "%")),
position = position_stack(vjust = 0.5)) +
labs(title = "Tỷ lệ tình trạng hôn nhân", fill = "Tình trạng hôn nhân") +
theme_void() +
theme(plot.title = element_text(hjust = 0.5))
Nhận xét:
Trong tổng số 14,059 khách hàng, có 7,193 người độc thân (S) chiếm khoảng 51.16%, và 6,866 người đã kết hôn (M) chiếm khoảng 48.84%. Sự phân bố giữa hai nhóm khá đồng đều, với nhóm độc thân nhỉnh hơn một chút. Điều này cho phép so sánh hành vi giữa hai nhóm mà không lo mất cân đối mẫu, đồng thời gợi ý rằng doanh nghiệp nên cân nhắc các chiến lược tiếp cận phù hợp theo tình trạng hôn nhân.
2.3 Homeowner
1. Thống kê Tần suất
ho1 <- table(d$Homeowner)
ho1##
## N Y
## 5615 8444Vậy trong bộ dữ liệu này có 5615 người chưa sở hữu nhà và có 8444 người đã sở hữu nhà.
# Lập bảng tần suất
ho2 <- table(d$Homeowner)/sum(nrow(d))
ho2##
## N Y
## 0.3993883 0.6006117Vậy trong bộ dữ liệu này có 39.9388292 % người chưa sở hữu nhà và có 60.0611708 % người đã sở hữu nhà.
2. Trực quan hóa
ggplot(d %>% count(Homeowner), aes(x = Homeowner, y = n)) +
geom_col(fill = 'skyblue') +
geom_text(aes(label = paste0(n, " (", round(ho2[Homeowner] * 100, 1), "%)")),
vjust = -0.5, color = 'black') +
labs(title = "Đồ thị thống kê số lượng người sở hữu nhà",
x = "Tình trạng sở hữu nhà",
y = "Số lượng") +
theme_minimal()
ggplot(as.data.frame(ho2), aes(x = "", y = Freq, fill = Var1)) +
geom_col(width = 1, color = "white") +
coord_polar("y") +
geom_text(aes(label = paste0(round(Freq * 100), "%")),
position = position_stack(vjust = 0.5)) +
labs(title = "Tỷ lệ người sở hữu nhà", fill = "Tình trạng sở hữu nhà") +
theme_void() +
theme(plot.title = element_text(hjust = 0.5))
Nhận xét:
Trong số 14,059 khách hàng, có 8,444 người sở hữu nhà (Y), chiếm khoảng 60.06%, trong khi 5,615 người không sở hữu nhà (N), chiếm khoảng 39.94%. Sự chênh lệch khá rõ ràng cho thấy phần lớn khách hàng là chủ sở hữu nhà, điều này có thể phản ánh mức độ ổn định tài chính cao hơn và là yếu tố quan trọng để doanh nghiệp cân nhắc khi xây dựng các chiến lược tiếp thị hoặc phân khúc khách hàng.
2.4 AnnualIncome
1. Thống kê Tần suất
an1 <- table(d$AnnualIncome)
an1##
## $10K - $30K $110K - $130K $130K - $150K $150K + $30K - $50K
## 3090 643 760 273 4601
## $50K - $70K $70K - $90K $90K - $110K
## 2370 1709 613Vậy trong bộ dữ liệu này có:
3090 người có thu nhập $10K - $30K,
643 người có thu nhập $110K - $130K,
760 người có thu nhập $130K - $150K,
273 người có thu nhập $150K +,
4601 người có thu nhập $30K - $50K,
2370 người có thu nhập $50K - $70K,
1709 người có thu nhập $70K - $90K,
613 người có thu nhập $90K - $110K.
# Lập bảng tần suất
an2 <- table(d$AnnualIncome)/sum(nrow(d))
an2##
## $10K - $30K $110K - $130K $130K - $150K $150K + $30K - $50K
## 0.21978804 0.04573583 0.05405790 0.01941817 0.32726367
## $50K - $70K $70K - $90K $90K - $110K
## 0.16857529 0.12155914 0.04360196Vậy trong bộ dữ liệu này có:
21.9788036 % người có thu nhập $10K - $30K.
4.5735828 % người có thu nhập $110K - $130K.
5.4057899 % người có thu nhập $130K - $150K.
1.9418166 % người có thu nhập $150K +.
32.7263675 % người có thu nhập $30K - $50K.
16.857529 % người có thu nhập $50K - $70K.
12.1559144 % người có thu nhập $70K - $90K.
4.3601963 % người có thu nhập $90K - $110K.
2. Trực quan hóa
ggplot(d %>% count(AnnualIncome), aes(x = AnnualIncome, y = n)) +
geom_col(fill = 'skyblue') +
geom_text(aes(label = paste0(n, " (", round(an2[AnnualIncome] * 100, 1), "%)")),
vjust = -0.5, color = 'black') +
labs(title = "Đồ thị thống kê mức thu nhập",
x = "Mức thu nhập",
y = "Số lượng") +
theme_minimal()
ggplot(as.data.frame(an2), aes(x = "", y = Freq, fill = Var1)) +
geom_col(width = 1, color = "white") +
coord_polar("y") +
geom_text(aes(label = paste0(round(Freq * 100), "%")),
position = position_stack(vjust = 0.5)) +
labs(title = "Tỷ lệ mức thu nhập", fill = "Mức thu nhập") +
theme_void() +
theme(plot.title = element_text(hjust = 0.5))
Nhận xét:
Biến AnnualIncome thể hiện thu nhập hàng năm của khách hàng được phân thành nhiều nhóm. Phân bố cho thấy nhóm đông nhất là “$30K - $50K” với 4,601 người (32.73%), tiếp theo là “$10K - $30K” (3,090 người, 21.98%) và “$50K - $70K” (2,370 người, 16.86%). Ngược lại, các nhóm thu nhập cao như “$150K+” và “$130K - $150K” chỉ chiếm lần lượt 1.94% và 5.41%.
Điều này cho thấy phần lớn khách hàng thuộc nhóm thu nhập trung bình – thấp, gợi ý rằng doanh nghiệp nên tập trung phát triển các dòng sản phẩm có giá cả hợp lý hoặc chương trình khuyến mãi hướng đến nhóm thu nhập phổ thông để tối ưu hiệu quả tiếp cận.
2.5 City
1. Thống kê tần suất
# Lập bảng tần số
ci1 <- table(d$City)
ci1##
## Acapulco Bellingham Beverly Hills Bremerton Camacho
## 383 143 811 834 452
## Guadalajara Hidalgo Los Angeles Merida Mexico City
## 75 845 926 654 194
## Orizaba Portland Salem San Andres San Diego
## 464 876 1386 621 866
## San Francisco Seattle Spokane Tacoma Vancouver
## 130 922 875 1257 633
## Victoria Walla Walla Yakima
## 176 160 376Vậy trong bộ dữ liệu này có:
383 người ở thành phố Acapulco.
143 người ở thành phố Bellingham.
811 người ở thành phố Beverly Hills.
834 người ở thành phố Bremerton.
452 người ở thành phố Camacho.
75 người ở thành phố Guadalajara.
845 người ở thành phố Hidalgo.
926 người ở thành phố Los Angeles.
654 người ở thành phố Merida.
194 người ở thành phố Mexico City.
464 người ở thành phố Orizaba.
876 người ở thành phố Portland.
1386 người ở thành phố Salem.
621 người ở thành phố San Andres.
866 người ở thành phố San Diego.
130 người ở thành phố San Francisco.
922 người ở thành phố Seattle.
875 người ở thành phố Spokane.
1257 người ở thành phố Tacoma.
633 người ở thành phố Vancouver.
176 người ở thành phố Victoria.
160 người ở thành phố Walla Walla.
376 người ở thành phố Yakima.
# Lập bảng tần suất
ci2 <- table(d$City)/sum(nrow(d))
ci2##
## Acapulco Bellingham Beverly Hills Bremerton Camacho
## 0.027242336 0.010171420 0.057685468 0.059321431 0.032150224
## Guadalajara Hidalgo Los Angeles Merida Mexico City
## 0.005334661 0.060103848 0.065865282 0.046518245 0.013798990
## Orizaba Portland Salem San Andres San Diego
## 0.033003770 0.062308841 0.098584537 0.044170994 0.061597553
## San Francisco Seattle Spokane Tacoma Vancouver
## 0.009246746 0.065580767 0.062237712 0.089408920 0.045024539
## Victoria Walla Walla Yakima
## 0.012518671 0.011380610 0.026744434Vậy trong bộ dữ liệu này có:
2.7242336 % người ở thành phố Acapulco.
1.017142 % người ở thành phố Bellingham.
5.7685468 % người ở thành phố Beverly Hills.
5.9321431 % người ở thành phố Bremerton.
3.2150224 % người ở thành phố Camacho.
0.5334661 % người ở thành phố Guadalajara.
6.0103848 % người ở thành phố Hidalgo.
6.5865282 % người ở thành phố Los Angeles.
4.6518245 % người ở thành phố Merida.
1.379899 % người ở thành phố Mexico City.
3.300377 % người ở thành phố Orizaba.
6.2308841 % người ở thành phố Portland.
9.8584537 % người ở thành phố Salem.
4.4170994 % người ở thành phố San Andres.
6.1597553 % người ở thành phố San Diego.
0.9246746 % người ở thành phố San Francisco.
6.5580767 % người ở thành phố Seattle.
6.2237712 % người ở thành phố Spokane.
8.940892 % người ở thành phố Tacoma.
4.5024539 % người ở thành phố Vancouver.
1.2518671 % người ở thành phố Victoria.
1.138061 % người ở thành phố Walla Walla.
2.6744434 % người ở thành phố Yakima.
2. Trực quan hóa
ggplot(data = as.data.frame(ci1), aes(x = Freq, y = reorder(Var1, Freq))) +
geom_col(fill = "steelblue") +
geom_text(aes(label = paste0(Freq, " (", round(ci2[Var1] * 100, 1), "%)")),
hjust = -0.1, color = "black") +
labs(title = "Số dân cư tại các Thành phố", x = "Số lượng", y = "Thành phố") +
theme_minimal() +
xlim(0, max(ci1) * 1.2)
Nhận xét:
Biến City gồm nhiều thành phố với sự phân bố khách hàng không đồng đều. Thành phố có số lượng khách hàng lớn nhất là Salem với 1,386 người (khoảng 9.86%), tiếp theo là Tacoma (1,257; 8.94%) và Los Angeles (926; 6.59%). Các thành phố nhỏ hơn như Guadalajara (75; 0.53%) và Mexico City (194; 1.38%) chiếm tỷ lệ khá nhỏ trong tổng số.
Điều này cho thấy tập dữ liệu tập trung chủ yếu ở một số thành phố lớn, phản ánh mức độ hoạt động hoặc thị trường tiêu thụ chính tại những khu vực này. Doanh nghiệp có thể cân nhắc tập trung chiến lược marketing hoặc mở rộng phân phối tại các thành phố có lượng khách hàng lớn để tối ưu hiệu quả kinh doanh.
2.6 StateorProvince
1. Thống kê Tần suất
st1 <- table(d$StateorProvince)
st1##
## BC CA DF Guerrero Jalisco OR Veracruz WA
## 809 2733 815 383 75 2262 464 4567
## Yucatan Zacatecas
## 654 1297Vậy trong bộ dữ liệu này có 809 người ở tỉnh BC.
2733 người ở tỉnh CA.
815 người ở tỉnh DF.
383 người ở tỉnh Guerrero.
75 người ở tỉnh Jalisco.
2262 người ở tỉnh OR.
464 người ở tỉnh Veracruz.
4567 người ở tỉnh WA.
654 người ở tỉnh Yucatan.
1297 người ở tỉnh Zacatecas.
# Lập bảng tần suất
st2 <- table(d$StateorProvince)/sum(nrow(d))
st2##
## BC CA DF Guerrero Jalisco OR
## 0.057543211 0.194395049 0.057969984 0.027242336 0.005334661 0.160893378
## Veracruz WA Yucatan Zacatecas
## 0.033003770 0.324845295 0.046518245 0.092254072Vậy trong bộ dữ liệu này có:
5.7543211 % người ở tỉnh BC.
19.4395049 % người ở tỉnh CA.
5.7969984 % người ở tỉnh DF.
2.7242336 % người ở tỉnh Guerrero.
0.5334661 % người ở tỉnh Jalisco.
16.0893378 % người ở tỉnh OR.
3.300377 % người ở tỉnh Veracruz.
32.4845295 % người ở tỉnh WA.
4.6518245 % người ở tỉnh Yucatan.
9.2254072 % người ở tỉnh Zacatecas.
2. Trực quan hóa
ggplot(d %>% count(StateorProvince), aes(x = StateorProvince, y = n)) +
geom_col(fill = 'skyblue') +
geom_text(aes(label = paste0(n, " (", round(st2[StateorProvince] * 100, 1), "%)")),
vjust = -0.5, color = 'black') +
labs(title = "Số dân cư tại các tỉnh thành",
x = "Tỉnh thành",
y = "Số lượng") +
theme_minimal()
Nhận xét:
Biến StateorProvince ghi nhận số lượng khách hàng phân bổ tại các tỉnh/thành khác nhau. Trong tổng số 14,059 quan sát, các tỉnh như WA (Washington) chiếm tỷ lệ cao nhất với 4,567 khách hàng (khoảng 32.5%), tiếp theo là CA (California) với 2,733 khách hàng (19.4%) và OR (Oregon) với 2,262 khách hàng (16.1%). Các tỉnh khác như Zacatecas (1,297 khách, 9.2%), BC (809 khách, 5.8%) và DF (815 khách, 5.8%) cũng có sự đóng góp đáng kể. Một số tỉnh có số lượng quan sát thấp hơn như Jalisco chỉ với 75 khách (0.53%), cho thấy sự phân bố không đồng đều giữa các khu vực.
2.7 Country
1. Thống kê Tần suất
co1 <- table(d$Country)
co1##
## Canada Mexico USA
## 809 3688 9562Vậy trong bộ dữ liệu này có 809 người ở quốc gia Canada.
3688 người ở quốc gia Mexico.
9562 người ở quốc gia USA.
# Lập bảng tần suất
co2 <- table(d$Country)/sum(nrow(d))
co2##
## Canada Mexico USA
## 0.05754321 0.26232307 0.68013372Vậy trong bộ dữ liệu này có 5.7543211 % người ở quốc gia Canada.
26.2323067 % người ở quốc gia Mexico.
68.0133722 % người ở quốc gia USA.
2. Trực quan hóa
ggplot(d %>% count(Country), aes(x = Country, y = n)) +
geom_col(fill = 'skyblue') +
geom_text(aes(label = paste0(n, " (", round(co2[Country] * 100, 1), "%)")),
vjust = -0.5, color = 'black') +
labs(title = "Số dân cư tại các quốc gia",
x = "quốc gia",
y = "Số lượng") +
theme_minimal()
ggplot(as.data.frame(co2), aes(x = "", y = Freq, fill = Var1)) +
geom_col(width = 1, color = "white") +
coord_polar("y") +
geom_text(aes(label = paste0(round(Freq * 100), "%")),
position = position_stack(vjust = 0.5)) +
labs(title = "Tỷ lệ dân cư tại các quốc gia", fill = "Quốc gia") +
theme_void() +
theme(plot.title = element_text(hjust = 0.5))
Nhận xét:
Biến Country thể hiện phân bố khách hàng theo quốc gia. Trong tổng số 14,059 quan sát, phần lớn khách hàng đến từ USA với 9,562 người, chiếm tỷ lệ 68.0%. Tiếp theo là Mexico với 3,688 khách hàng, chiếm khoảng 26.2%, và cuối cùng là Canada với 809 khách hàng, chiếm 5.8%. Dữ liệu cho thấy thị trường chính tập trung chủ yếu ở Mỹ và Mexico, trong khi Canada chiếm một phần nhỏ hơn đáng kể.
2.8 ProductFamily
1. Thống kê tần suất
# Lập bảng tần số
fa1 <- table(d$ProductFamily)
fa1##
## Drink Food Non-Consumable
## 1250 10153 2656Vậy trong bộ dữ liệu này có 1250 là đồ uống.
10153 là thực phẩm.
2656 là thực phẩm không tiêu dùng trực tiếp.
# Lập bảng tần suất
fa2 <- table(d$ProductFamily)/sum(nrow(d))
fa2##
## Drink Food Non-Consumable
## 0.08891102 0.72217085 0.18891813Vậy trong bộ dữ liệu này có:
8.8911018 % là đồ uống.
72.2170851 % là thực phẩm.
18.8918131 % là thực phẩm không tiêu dùng trực tiếp.
3. Trực quan hóa
ggplot(d %>% count(ProductFamily), aes(x = ProductFamily, y = n)) +
geom_col(fill = 'skyblue') +
geom_text(aes(label = paste0(n, " (", round(fa2[ProductFamily] * 100, 1), "%)")),
vjust = -0.5, color = 'black') +
labs(title = "Số lượng các dòng sản phẩm được sử dụng",
x = "Dòng sản phẩm",
y = "Số lượng") +
theme_minimal()
ggplot(as.data.frame(fa2), aes(x = "", y = Freq, fill = Var1)) +
geom_col(width = 1, color = "white") +
coord_polar("y") +
geom_text(aes(label = paste0(round(Freq * 100), "%")),
position = position_stack(vjust = 0.5)) +
labs(title = "Tỷ lệ các dòng sản phẩm được sử dụng", fill = "Dòng sản phẩm") +
theme_void() +
theme(plot.title = element_text(hjust = 0.5))
Nhận xét:
Biến ProductFamily phản ánh sự phân bổ sản phẩm theo nhóm. Trong tổng số 14,059 quan sát, nhóm Food chiếm phần lớn với 10,153 sản phẩm, tương ứng 72.2%. Nhóm Non-Consumable chiếm 2,656 sản phẩm, khoảng 18.9%, và nhóm Drink chiếm 1,250 sản phẩm, tương đương 8.9%. Điều này cho thấy khách hàng chủ yếu mua các sản phẩm thuộc nhóm thực phẩm, trong khi các nhóm đồ uống và hàng không tiêu thụ chiếm tỷ lệ nhỏ hơn.
2.9 ProductDepartment
1. Thống kê tần suất
# Lập bảng tần số
de1 <- table(d$ProductDepartment)
de1##
## Alcoholic Beverages Baked Goods Baking Goods Beverages
## 356 425 1072 680
## Breakfast Foods Canned Foods Canned Products Carousel
## 188 977 109 59
## Checkout Dairy Deli Eggs
## 82 903 699 198
## Frozen Foods Health and Hygiene Household Meat
## 1382 893 1420 89
## Periodicals Produce Seafood Snack Foods
## 202 1994 102 1600
## Snacks Starchy Foods
## 352 277Vậy trong bộ dữ liệu này có 356 là Alcoholic Beverages.
425 là Baked Goods.
1072 là Baking Goods.
680 là Beverages.
188 là Breakfast Foods.
977 là Canned Foods.
109 là Canned Products.
59 là Carousel.
82 là Checkout.
903 là Dairy.
699 là Deli.
198 là Eggs.
1382 là Frozen Foods.
893 là Health and Hygiene.
1420 là Household.
89 là Meat.
202 là Periodicals.
1994 là Produce.
102 là Seafood.
1600 là Snack Foods.
352 là Snacks.
277 là Starchy Foods.
# Lập bảng tần suất
de2 <- table(d$ProductDepartment)/sum(nrow(d))
de2##
## Alcoholic Beverages Baked Goods Baking Goods Beverages
## 0.025321858 0.030229746 0.076250089 0.048367594
## Breakfast Foods Canned Foods Canned Products Carousel
## 0.013372217 0.069492852 0.007753041 0.004196600
## Checkout Dairy Deli Eggs
## 0.005832563 0.064229319 0.049719041 0.014083505
## Frozen Foods Health and Hygiene Household Meat
## 0.098300021 0.063518031 0.101002916 0.006330464
## Periodicals Produce Seafood Snack Foods
## 0.014368020 0.141830856 0.007255139 0.113806103
## Snacks Starchy Foods
## 0.025037343 0.0197026822.5321858 % là Alcoholic Beverages.
3.0229746 % là Baked Goods.
7.6250089 % là Baking Goods.
4.8367594 % là Beverages.
1.3372217 % là Breakfast Foods.
6.9492852 % là Canned Foods.
0.7753041 % là Canned Products.
0.41966 % là Carousel.
0.5832563 % là Checkout.
6.4229319 % là Dairy.
4.9719041 % là Deli.
1.4083505 % là Eggs.
9.8300021 % là Frozen Foods.
6.3518031 % là Health and Hygiene.
10.1002916 % là Household.
0.6330464 % là Meat.
1.436802 % là Periodicals.
14.1830856 % là Produce.
0.7255139 % là Seafood.
11.3806103 % là Snack Foods.
2.5037343 % là Snacks.
1.9702682 % là Starchy Foods.
3. Trực quan hóa
ggplot(as.data.frame(de1), aes(x = Freq, y = reorder(Var1, Freq))) +
geom_col(fill = "steelblue") +
geom_text(aes(label = paste0(Freq, " (", round(de2[Var1] * 100, 1), "%)")),
hjust = -0.1, color = "black") +
labs(title = "Số lượng các danh mục sản phẩm được sử dụng",
x = "Số lượng", y = "Danh mục sản phẩm") +
theme_minimal() +
xlim(0, max(as.data.frame(de1)$Freq) * 1.2)
Nhận xét:
Biến ProductDepartment thể hiện sự phân bố các sản phẩm theo từng phòng ban hay nhóm sản phẩm cụ thể. Trong tổng số 14,059 quan sát, các nhóm lớn nhất gồm:
Produce (Rau củ quả) với 1,994 sản phẩm, chiếm khoảng 14.18%,
Frozen Foods (Thực phẩm đông lạnh) với 1,382 sản phẩm, chiếm 9.83%,
Household (Đồ gia dụng) với 1,420 sản phẩm, chiếm 10.1%,
Snack Foods (Đồ ăn nhẹ) với 1,600 sản phẩm, chiếm 11.38%,
Baking Goods (Nguyên liệu làm bánh) với 1,072 sản phẩm, chiếm 7.63%.
Các nhóm khác như Dairy (Sữa), Health and Hygiene (Sức khỏe và vệ sinh), Beverages (Đồ uống) cũng chiếm tỷ lệ tương đối lớn từ 4% đến 6%. Một số nhóm nhỏ hơn như Carousel, Checkout, Seafood chiếm phần nhỏ dưới 1%. Điều này cho thấy khách hàng mua đa dạng sản phẩm, nhưng tập trung chủ yếu vào nhóm thực phẩm tươi, đông lạnh, đồ ăn nhẹ và các vật dụng gia đình.
2.10 ProductCategory
1. Thống kê Tần suất
ca1 <- table(d$ProductCategory)
ca1##
## Baking Goods Bathroom Products Beer and Wine
## 484 365 356
## Bread Breakfast Foods Candles
## 425 417 45
## Candy Canned Anchovies Canned Clams
## 352 44 53
## Canned Oysters Canned Sardines Canned Shrimp
## 35 40 38
## Canned Soup Canned Tuna Carbonated Beverages
## 404 87 154
## Cleaning Supplies Cold Remedies Dairy
## 189 93 903
## Decongestants Drinks Eggs
## 85 135 198
## Electrical Frozen Desserts Frozen Entrees
## 355 323 118
## Fruit Hardware Hot Beverages
## 765 129 226
## Hygiene Jams and Jellies Kitchen Products
## 197 588 217
## Magazines Meat Miscellaneous
## 202 761 42
## Packaged Vegetables Pain Relievers Paper Products
## 48 192 345
## Pizza Plastic Products Pure Juice Beverages
## 194 141 165
## Seafood Side Dishes Snack Foods
## 102 153 1600
## Specialty Starchy Foods Vegetables
## 289 277 1728Vậy trong bộ dữ liệu này có:
484 là Baking Goods.
365 là Bathroom Products.
356 là Beer and Wine.
425 là Bread.
417 là Breakfast Foods.
45 là Candles.
352 là Candy.
44 là Canned Anchovies.
53 là Canned Clams.
35 là Canned Oysters.
40 là Canned Sardines.
38 là Canned Shrimp.
404 là Canned Soup.
87 là Canned Tuna.
154 là Carbonated Beverages.
189 là Cleaning Supplies.
93 là Cold Remedies.
903 là Dairy.
85 là Decongestants.
135 là Drinks.
198 là Eggs.
355 là Electrical.
323 là Frozen Desserts.
118 là Frozen Entrees.
765 là Fruit.
129 là Hardware.
226 là Hot Beverages.
197 là Hygiene.
588 là Jams and Jellies.
217 là Kitchen Products.
202 là Magazines.
761 là Meat.
42 là Miscellaneous.
48 là Packaged Vegetables.
192 là Pain Relievers.
345 là Paper Products.
194 là Pizza.
141 là Plastic Products.
165 là Pure Juice Beverages.
102 là Seafood.
153 là Side Dishes.
1600 là Snack Foods.
289 là Specialty.
277 là Starchy Foods .
1728 là Vegetables.
# Lập bảng tần suất
ca2 <- table(d$ProductCategory)/sum(nrow(d))
ca2##
## Baking Goods Bathroom Products Beer and Wine
## 0.034426346 0.025962017 0.025321858
## Bread Breakfast Foods Candles
## 0.030229746 0.029660716 0.003200797
## Candy Canned Anchovies Canned Clams
## 0.025037343 0.003129668 0.003769827
## Canned Oysters Canned Sardines Canned Shrimp
## 0.002489508 0.002845153 0.002702895
## Canned Soup Canned Tuna Carbonated Beverages
## 0.028736041 0.006188207 0.010953837
## Cleaning Supplies Cold Remedies Dairy
## 0.013443346 0.006614980 0.064229319
## Decongestants Drinks Eggs
## 0.006045949 0.009602390 0.014083505
## Electrical Frozen Desserts Frozen Entrees
## 0.025250729 0.022974607 0.008393200
## Fruit Hardware Hot Beverages
## 0.054413543 0.009175617 0.016075112
## Hygiene Jams and Jellies Kitchen Products
## 0.014012376 0.041823743 0.015434953
## Magazines Meat Miscellaneous
## 0.014368020 0.054129028 0.002987410
## Packaged Vegetables Pain Relievers Paper Products
## 0.003414183 0.013656732 0.024539441
## Pizza Plastic Products Pure Juice Beverages
## 0.013798990 0.010029163 0.011736254
## Seafood Side Dishes Snack Foods
## 0.007255139 0.010882709 0.113806103
## Specialty Starchy Foods Vegetables
## 0.020556227 0.019702682 0.122910591Vậy trong bộ dữ liệu này có:
1.9702682 % là Starchy Foods.
3.4426346 % là Baking Goods.
2.5962017 % là Bathroom Products.
2.5321858 % là Beer and Wine.
3.0229746 % là Bread.
2.9660716 % là Breakfast Foods.
0.3200797 % là Candles.
2.5037343 % là Candy.
0.3129668 % là Canned Anchovies.
0.3769827 % là Canned Clams.
0.2489508 % là Canned Oysters.
0.2845153 % là Canned Sardines.
0.2702895 % là Canned Shrimp.
2.8736041 % là Canned Soup.
0.6188207 % là Canned Tuna.
1.0953837 % là Carbonated Beverages.
1.3443346 % là Cleaning Supplies.
0.661498 % là Cold Remedies.
6.4229319 % là Dairy.
0.6045949 % là Decongestants.
0.960239 % là Drinks.
1.4083505 % là Eggs.
2.5250729 % là Electrical.
2.2974607 % là Frozen Desserts.
0.83932 % là Frozen Entrees.
5.4413543 % là Fruit.
0.9175617 % là Hardware.
1.6075112 % là Hot Beverages.
1.4012376 % là Hygiene.
4.1823743 % là Jams and Jellies.
1.5434953 % là Kitchen Products.
1.436802 % là Magazines.
5.4129028 % là Meat.
0.298741 % là Miscellaneous.
0.3414183 % là Packaged Vegetables.
1.3656732 % là Pain Relievers.
2.4539441 % là Paper Products.
1.379899 % là Pizza.
1.0029163 % là Plastic Products.
1.1736254 % là Pure Juice Beverages.
0.7255139 % là Seafood.
1.0882709 % là Side Dishes.
11.3806103 % là Snack Foods.
2.0556227 % là Specialty.
1.9702682 % là Starchy Foods .
12.2910591 % là Vegetables.
ggplot(as.data.frame(ca1), aes(x = Freq, y = reorder(Var1, Freq))) +
geom_col(fill = "steelblue") +
geom_text(aes(label = paste0(Freq, " (", round(as.data.frame(ca2)$Freq, 4), "%)")),
hjust = -0.1, size = 3) +
scale_x_continuous(expand = expansion(mult = c(0, 0.3))) +
labs(
title = "Biểu đồ sự phân bố của các danh mục sản phẩm được sử dụng",
x = "Số lượng",
y = "Danh mục sản phẩm"
) +
theme_minimal() +
theme(
plot.title = element_text(hjust = 0.5, size = 14),
axis.text.y = element_text(size = 8)
)
Nhận xét:
Biến ProductCategory mô tả sự phân bố của các danh mục sản phẩm được khách hàng lựa chọn. Các nhóm chiếm tỷ lệ lớn gồm:
Vegetables (Rau củ): 1,728 sản phẩm, chiếm khoảng 12.29% tổng số,
Snack Foods (Đồ ăn nhẹ): 1,600 sản phẩm, chiếm 11.38%,
Meat (Thịt): 761 sản phẩm, chiếm 5.41%,
Dairy (Sữa): 903 sản phẩm, chiếm 6.42%,
Baking Goods (Nguyên liệu làm bánh): 484 sản phẩm, chiếm 3.44%,
Bread (Bánh mì): 425 sản phẩm, chiếm 3.02%,
Fruit (Trái cây): 765 sản phẩm, chiếm 5.44%,
Frozen Foods chia thành nhiều nhóm nhỏ như Frozen Desserts (Kem đông lạnh) 323 sản phẩm (2.3%), Frozen Entrees (Món đông lạnh) 118 sản phẩm (0.8%).
Các danh mục nhỏ hơn như Beer and Wine (Rượu bia), Candles (Nến), Canned Seafood (Hải sản đóng hộp), Cleaning Supplies (Dụng cụ vệ sinh) cũng góp mặt với tỷ lệ nhỏ từ khoảng 0.2% đến 3%.
Nhận xét:
Khách hàng chủ yếu tập trung mua các nhóm sản phẩm tươi sống, đồ ăn nhẹ, các sản phẩm từ sữa và thực phẩm chế biến sẵn phục vụ cho nhu cầu ăn uống hàng ngày. Các sản phẩm đa dạng từ đồ uống, gia dụng đến các sản phẩm phụ trợ khác cũng có sự hiện diện, cho thấy bộ dữ liệu rất phong phú và đa dạng.
Phần 3: Ước lượng Khoảng và Kiểm định Giả thuyết cho Tỷ lệ (Một biến)
3.1 Xác định Hạng mục Quan tâm
3 hạng mục được chọn bào gồm:
Hạng mục “F” của biến “Gender”.
Hạng mục “Y” của biến “Homeowner”.
Hạng mục “S” của biến “MaritalStatus”.
3.2 Ước lượng Khoảng Tin cậy, Kiểm định Giả thuyết
3.2.1 Hạng mục F của biến Gender
prop.test(sum(data$Gender == "F"), nrow(d), conf.level = 0.95)##
## 1-sample proportions test with continuity correction
##
## data: sum(data$Gender == "F") out of nrow(d), null probability 0.5
## X-squared = 5.5765, df = 1, p-value = 0.0182
## alternative hypothesis: true p is not equal to 0.5
## 95 percent confidence interval:
## 0.5016931 0.5182886
## sample estimates:
## p
## 0.5099936Giả thuyết kiểm định:
H₀ (Giả thuyết không): Tỷ lệ khách hàng là nữ = 0.5
H₁ (Giả thuyết đối): Tỷ lệ khách hàng là nữ ≠ 0.5
Vì p-value = 0.0182 < 0.05, ta bác bỏ giả thuyết không (H₀).Như vậy, có bằng chứng thống kê cho thấy tỷ lệ khách hàng nữ khác 50% trong dân số.
Nhận xét: Dựa trên mẫu khảo sát, khoảng 51% khách hàng là nữ. Kết quả kiểm định cho thấy tỷ lệ này khác một cách có ý nghĩa thống kê so với giả thuyết 50%.
Khoảng tin cậy 95% cho thấy tỷ lệ khách hàng nữ trong tổng thể có thể nằm trong khoảng [50.17% ; 51.83%], và vì khoảng này không chứa giá trị 0.5, điều đó củng cố việc bác bỏ H₀.
3.2.2 Hạng mục Y của biến Homeowner
prop.test(sum(data$Homeowner == "Y"), nrow(d), conf.level = 0.95)##
## 1-sample proportions test with continuity correction
##
## data: sum(data$Homeowner == "Y") out of nrow(d), null probability 0.5
## X-squared = 568.86, df = 1, p-value < 2.2e-16
## alternative hypothesis: true p is not equal to 0.5
## 95 percent confidence interval:
## 0.5924537 0.6087145
## sample estimates:
## p
## 0.6006117Giả thuyết kiểm định:
H₀ (Giả thuyết không): Tỷ lệ khách hàng là chủ nhà = 0.5
H₁ (Giả thuyết đối): Tỷ lệ khách hàng là chủ nhà ≠ 0.5
Vì p-value < 0.05, ta bác bỏ giả thuyết không (H₀). Như vậy, có bằng chứng thống kê cho thấy tỷ lệ khách hàng là chủ nhà KHÁC 50%.
Nhận xét: Trong mẫu khảo sát, khoảng 60.06% khách hàng là chủ nhà, và khoảng tin cậy 95% cho thấy tỷ lệ này trong tổng thể có thể nằm trong khoảng [59.25% ; 60.87%].
3.2.3 Hạng mục S của biến MaritalStatus
prop.test(sum(data$MaritalStatus == "S"),nrow(d), conf.level = 0.95)##
## 1-sample proportions test with continuity correction
##
## data: sum(data$MaritalStatus == "S") out of nrow(d), null probability 0.5
## X-squared = 7.5593, df = 1, p-value = 0.00597
## alternative hypothesis: true p is not equal to 0.5
## 95 percent confidence interval:
## 0.5033292 0.5199235
## sample estimates:
## p
## 0.5116296Giả thuyết kiểm định:
H₀ (Giả thuyết không): Tỷ lệ khách hàng độc thân = 0.5
H₁ (Giả thuyết đối): Tỷ lệ khách hàng độc thân ≠ 0.5
Vì p-value = 0.0058 < 0.05, ta bác bỏ giả thuyết không (H₀).Tức là, có bằng chứng thống kê cho thấy tỷ lệ khách hàng độc thân khác 50%.
Nhận xét:Trong mẫu khảo sát, khoảng 51.16% khách hàng là độc thân. Khoảng tin cậy 95% cho thấy tỷ lệ này trong dân số có thể nằm trong khoảng [50.34% ; 51.99%].
Phần 4: Phân tích Mối quan hệ giữa Hai biến Định tính (Bivariate Analysis)
4.1 Cặp biến Gender - MaritalStatus
4.1.1 Bảng tần suất chéo
# bảng tần suất chéo
ge_ma1 <-table(d$Gender, d$MaritalStatus)
ge_ma1##
## M S
## F 3602 3568
## M 3264 3625Phân bố tình trạng hôn nhân theo giới tính:
- Trong nhóm nữ:
Có 3602 người đã kết hôn.
Có 3602 người độc thân.
- Trong nhóm nam:
Có 3264 người đã kết hôn.
Có 3264 người độc thân.
➡ Nữ có nhiều người đã kết hôn hơn nam, trong khi nam có nhiều người độc thân hơn nữ.
# Tính tỷ lệ phần trăm theo hàng
ge_ma2 <- prop.table(ge_ma1, margin = 1) * 100
ge_ma2##
## M S
## F 50.23710 49.76290
## M 47.37988 52.62012Phân tích theo hàng cho thấy sự khác biệt nhẹ trong tình trạng hôn nhân giữa hai giới:
Trong nhóm nữ, tỷ lệ đã kết hôn chiếm 50.237099 % nhỉnh hơn tỷ lệ độc thân chiếm 50.237099 %, cho thấy nữ có xu hướng kết hôn nhiều hơn.
Trong nhóm nam, tỷ lệ độc thân chiếm47.379881 % cao hơn tỷ lệ đã kết hôn chiếm 47.379881 %, cho thấy nam có xu hướng độc thân cao hơn nữ.
4.1.2 Trực quan hóa
ggplot(as.data.frame(ge_ma1), aes(x = Var1, y = Freq, fill = Var2)) +
geom_col(position = position_dodge(width = 0.9)) +
geom_text(aes(label = paste0(Freq, " (", round(ge_ma2[cbind(as.character(Var1), as.character(Var2))], 1), "%)")),
position = position_dodge(width = 0.9),
vjust = -0.3, size = 3) +
labs(title = "Giới tính và Tình trạng hôn nhân",
x = "Giới tính",
y = "Số lượng",
fill = "Tình trạng hôn nhân") +
theme_minimal()
Nhận xét:
Nữ giới có xu hướng kết hôn cao hơn một chút so với độc thân (50.24% vs 49.76%).Nam giới lại có tỷ lệ độc thân nhỉnh hơn kết hôn (52.62% vs 47.38%).Sự khác biệt giữa hai giới trong tình trạng hôn nhân là không quá lớn, cho thấy một sự phân bố tương đối cân bằng giữa nam và nữ trong cả hai nhóm hôn nhân.
Việc phân tích cặp biến như vậy giúp hiểu rõ hơn về mối quan hệ giữa giới tính và tình trạng hôn nhân, và có thể là gợi ý quan trọng trong các nghiên cứu liên quan đến hành vi tiêu dùng, xã hội học hoặc phân khúc thị trường.
4.1.3 Kiểm định Chi-bình phương
Giả thuyết:
H0: Gender và MaritalStatus độc lập nhau (không có mối liên hệ).
H1: Gender và MaritalStatus có liên quan với nhau (phụ thuộc nhau).
# kiểm định Chi-bình phương
chi1 <- chisq.test(ge_ma1)
chi1##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: ge_ma1
## X-squared = 11.365, df = 1, p-value = 0.0007485Kết quả cung cấp:
Giá trị Chi-bình phương (X²): 11.365
Bậc tự do (df): 1
Giá trị p: p = 0.0007485
Ta có p = 0.0007485 < 0.05 → bác bỏ giả thuyết H0 ở mức ý nghĩa α = 0.05. Vậy nên có mối quan hệ có ý nghĩa thống kê giữa Giới tính và Tình trạng hôn nhân.
kết luận thêm: Kết quả kiểm định Chi-bình phương (X² = 11.365, df = 1, p = 0.0007485) cho thấy có mối quan hệ có ý nghĩa thống kê giữa giới tính và tình trạng hôn nhân ở mức ý nghĩa α = 0.05. Điều này cho thấy giới tính có liên quan đến tình trạng hôn nhân trong dữ liệu. Cụ thể, nữ giới có xu hướng kết hôn nhiều hơn, trong khi nam giới có tỷ lệ độc thân cao hơn. Mặc dù sự khác biệt về tỷ lệ là nhỏ, nhưng với kích thước mẫu lớn, mối liên hệ này là có ý nghĩa thống kê.
4.2 Cặp biến ProductFamily - Country
4.2.1 Bảng tần suất chéo
# bảng tần suất chéo
fa_co1 <-table(d$Country, d$ProductFamily)
fa_co1##
## Drink Food Non-Consumable
## Canada 69 580 160
## Mexico 325 2683 680
## USA 856 6890 1816Phân bố hàng hóa trong các quốc gia:
- USA có số lượng giao dịch cao nhất trong cả ba nhóm sản phẩm:
Với đồ uống: 856; Thực phẩm: 6,890; Thực phẩm không tiêu dùng trực tiếp: 1,816
- Mexico đứng thứ hai:
Với đồ uống: 325; Thực phẩm: 2,683; Thực phẩm không tiêu dùng trực tiếp: 680
- Canada có số lượng thấp nhất:
Với đồ uống:69; Thực phẩm: 580; Thực phẩm không tiêu dùng trực tiếp: 160
- Nhóm sản phẩm Food có số lượng cao nhất ở tất cả các quốc gia:
Canada: 580; Mexico: 2,683; USA: 6,890
# Tính tỷ lệ phần trăm theo hàng
fa_co2 <- prop.table(fa_co1, margin = 1) * 100
fa_co2##
## Drink Food Non-Consumable
## Canada 8.529048 71.693449 19.777503
## Mexico 8.812364 72.749458 18.438178
## USA 8.952102 72.056055 18.991843Tại Canada sản phẩm đồ uống chiếm 8.5290482 %, thực phẩm chiếm 8.5290482 %, thực phẩm không tiêu dùng chiếm 8.5290482 %.
Tại Mexico sản phẩm đồ uống chiếm 8.8123644 %, thực phẩm chiếm 8.8123644 %, thực phẩm không tiêu dùng chiếm 8.8123644 %.
Tại USA sản phẩm đồ uống chiếm 8.9521021 %, thực phẩm chiếm 8.9521021 %, thực phẩm không tiêu dùng chiếm 8.9521021 %.
4.2.2 Trực quan hóa
ggplot(as.data.frame(fa_co1), aes(x = Var1, y = Freq, fill = Var2)) +
geom_col(position = position_dodge(width = 0.9)) +
geom_text(aes(label = paste0(Freq, " (", round(fa_co2[cbind(as.character(Var1), as.character(Var2))], 1), "%)")),
position = position_dodge(width = 0.9),
vjust = -0.3, size = 3) +
labs(title = "Phân bố Sản phẩm theo Quốc gia",
x = "Dòng sản phẩm",
y = "Số lượng",
fill = "Quốc gia") +
theme_minimal()
Nhận xét:
cơ cấu phân phối sản phẩm giữa các quốc gia có tính nhất quán cao. Cụ thể, nhóm hàng Food chiếm tỷ trọng lớn nhất trong cả ba quốc gia, dao động từ khoảng 71% đến 73%. Nhóm Non-Consumable chiếm khoảng 18–20%, trong khi nhóm Drink chỉ chiếm xấp xỉ 8–9%. Điều này phản ánh sự tương đồng trong xu hướng tiêu dùng và phân phối hàng hóa giữa các nước thuộc khu vực Bắc Mỹ, có thể do đặc điểm văn hóa, nhu cầu tiêu dùng hoặc chiến lược phân phối đồng nhất của doanh nghiệp.
Tuy nhiên, xét về số lượng tuyệt đối, sự khác biệt giữa các quốc gia là khá rõ rệt. Hoa Kỳ có tổng số lượng sản phẩm thuộc cả ba nhóm cao nhất, tiếp đến là Mexico và cuối cùng là Canada. Ví dụ, Hoa Kỳ có tới 6890 sản phẩm thuộc nhóm Food, trong khi con số này ở Canada chỉ là 580. Mặc dù cơ cấu phân phối tương tự nhau, quy mô thị trường tại Hoa Kỳ lớn hơn nhiều lần so với Canada và Mexico, phản ánh sức mua và độ phủ thị trường cao hơn.
Tóm lại, dữ liệu cho thấy các quốc gia có cấu trúc phân phối sản phẩm tương đồng, nhưng khác biệt về quy mô thị trường, đây là yếu tố quan trọng cần xem xét trong chiến lược kinh doanh và tiếp thị theo từng khu vực.
4.2.4 Kiểm định Chi-bình phương
Giả thuyết
H0: ProductFamily và Country độc lập nhau (không có mối liên hệ).
H1: ProductFamily và Country có liên quan với nhau (phụ thuộc nhau).
# kiểm định Chi-bình phương
chi2 <- chisq.test(fa_co1)
chi2##
## Pearson's Chi-squared test
##
## data: fa_co1
## X-squared = 1.1831, df = 4, p-value = 0.8809Kết quả cung cấp:
Giá trị Chi-bình phương (X²): 1.1831
Bậc tự do (df): 4
Giá trị p: p = 0.8809
Ta có p = 0.8809 > 0.05 → chấp nhận giả thuyết H0 ở mức ý nghĩa α = 0.05. Vậy nên không tồn tại mối quan hệ có ý nghĩa thống kê giữa Phân bố sản phẩm và Quốc gia.
4.3 Cặp biến AnnualIncome - Homeowner
4.3.1 Bảng tần suất chéo
# bảng tần suất chéo
an_ho1 <-table(d$AnnualIncome, d$Homeowner)
an_ho1##
## N Y
## $10K - $30K 1359 1731
## $110K - $130K 119 524
## $130K - $150K 136 624
## $150K + 48 225
## $30K - $50K 2087 2514
## $50K - $70K 1063 1307
## $70K - $90K 686 1023
## $90K - $110K 117 496# Tính tỷ lệ phần trăm theo hàng
an_ho2 <- prop.table(an_ho1, margin = 1) * 100
an_ho2##
## N Y
## $10K - $30K 43.98058 56.01942
## $110K - $130K 18.50700 81.49300
## $130K - $150K 17.89474 82.10526
## $150K + 17.58242 82.41758
## $30K - $50K 45.35970 54.64030
## $50K - $70K 44.85232 55.14768
## $70K - $90K 40.14043 59.85957
## $90K - $110K 19.08646 80.913544.3.2 Trực quan hóa
ggplot(as.data.frame(an_ho1), aes(x = Var1, y = Freq, fill = Var2)) +
geom_col(position = position_dodge(width = 0.9)) +
geom_text(aes(label = paste0(Freq, " (", round(an_ho2[cbind(as.character(Var1), as.character(Var2))], 1), "%)")),
position = position_dodge(width = 0.9),
vjust = -0.3, size = 3) +
labs(title = "Thu nhập và Tình trạng sở hữu nhà",
x = "Thu nhập hàng năm",
y = "Số lượng",
fill = "Sở hữu nhà") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
Nhận xét:
Ở các mức thu nhập thấp hơn, ví dụ nhóm $10K - $30K và $30K - $50K, tỷ lệ sở hữu nhà (Y) dao động quanh mức 54% đến 56%. Điều này cho thấy dù thu nhập thấp, vẫn có một tỷ lệ đáng kể người trong nhóm này là chủ nhà.
Tuy nhiên, khi thu nhập tăng lên các nhóm cao hơn, đặc biệt từ $110K trở lên, tỷ lệ sở hữu nhà tăng rất mạnh, vượt trên 80%. Cụ thể, nhóm thu nhập $110K - $130K có tới 81.5% chủ nhà, và các nhóm $130K - $150K và $150K+ tỷ lệ này tiếp tục duy trì trên 82%. Đây là chỉ báo rõ ràng cho thấy thu nhập càng cao thì khả năng và tỷ lệ sở hữu nhà càng lớn.
Ngoài ra, các nhóm thu nhập trung bình như $50K - $70K, $70K - $90K, và $90K - $110K có tỷ lệ sở hữu nhà từ khoảng 55% đến gần 81%, thể hiện xu hướng tăng dần với mức thu nhập.
Tổng kết lại, dữ liệu cho thấy một mối tương quan tích cực giữa mức thu nhập và quyền sở hữu nhà, phản ánh thực tế kinh tế phổ biến: thu nhập cao tạo điều kiện thuận lợi hơn để mua và sở hữu nhà ở.
4.3.4 Kiểm định Chi-bình phương
Giả thuyết:
H0: AnnualIncome và Homeowner độc lập nhau (không có mối liên hệ).
H1: AnnualIncome và Homeowner có liên quan với nhau (phụ thuộc nhau).
# kiểm định Chi-bình phương
chi3 <- chisq.test(an_ho1)
chi3##
## Pearson's Chi-squared test
##
## data: an_ho1
## X-squared = 546.37, df = 7, p-value < 2.2e-16Kết quả cung cấp:
Giá trị Chi-bình phương (X²): 546.37
Bậc tự do (df): 7
Giá trị p: p < 2.2e-16
Ta có p < 0.05 → bác bỏ giả thuyết H0 ở mức ý nghĩa α = 0.05. Vậy nên có mối quan hệ có ý nghĩa thống kê giữa Mức thu nhập và Tình trạng sở hữu nhà.
kết luận thêm: Kết quả kiểm định Chi-bình phương (X² = 546.37, df = 7, p < 2.2e-16) cho thấy có mối quan hệ có ý nghĩa thống kê giữa Mức thu nhập và Tình trạng sở hữu nhà ở mức ý nghĩa α = 0.05. Điều này cho thấy mức thu nhập có liên quan đến tình trạng sở hữu nhà trong dữ liệu. Có thể quan sát rằng, ở mọi mức thu nhập, số lượng người sở hữu nhà (Y) luôn vượt trội hơn số người không sở hữu nhà (N). Đặc biệt, khi mức thu nhập tăng cao, sự chênh lệch này càng rõ rệt, với số người sở hữu nhà tăng mạnh so với không sở hữu.Điều này phản ánh xu hướng hợp lý trong thực tế: thu nhập càng cao, khả năng và tỷ lệ sở hữu nhà càng lớn.
Phần 5: Tổng kết và Thảo luận
5.1 Tóm tắt những phát hiện chính
Dựa trên tất cả các phân tích trên, Những hiểu biết quan trọng nhất về đặc điểm khách hàng và hành vi mua sắm của họ từ các biến định tính được kết luận như sau:
- Về giới tính và tình trạng hôn nhân: Nữ giới có xu hướng kết hôn nhiều hơn (50.24%) trong khi nam giới có tỷ lệ độc thân cao hơn (52.62%). Điều này cho thấy cấu trúc hôn nhân giữa hai giới có khác biệt, và các chiến lược tiếp cận khách hàng có thể cần điều chỉnh phù hợp theo giới tính và trạng thái hôn nhân
-> Khách hàng nữ có xu hướng đã kết hôn nhiều hơn, trong khi nam giới nhiều người còn độc thân – cho thấy các giai đoạn khác nhau trong vòng đời cá nhân có thể gắn liền với các hành vi tiêu dùng khác nhau.
- Về quốc gia và loại sản phẩm tiêu dùng: Thực phẩm là nhóm hàng được tiêu thụ nhiều nhất ở cả Canada (71.69%), Mexico (72.75%) và Mỹ (72.06%). Tuy nhiên, Mỹ có mức tiêu dùng cao hơn cho các mặt hàng phi thực phẩm (Non-Consumable: 18.99%) và đồ uống (Drink: 8.95%) so với hai quốc gia còn lại, cho thấy đây là thị trường có hành vi tiêu dùng đa dạng hơn.
-> Khách hàng ở các quốc gia khác nhau có đặc điểm tiêu dùng khác nhau, tuy cùng ưu tiên thực phẩm nhưng thị trường Mỹ cho thấy sự đa dạng hơn trong nhu cầu – tiềm năng cho các dòng sản phẩm ngoài thực phẩm.
- Về mức thu nhập và tình trạng sở hữu nhà: Ở mọi mức thu nhập, tỷ lệ sở hữu nhà đều cao hơn không sở hữu. Đặc biệt, từ mức thu nhập $90K trở lên, trên 80% khách hàng sở hữu nhà (ví dụ: $150K+ có 82.42%). Điều này phản ánh một mối liên hệ rõ ràng giữa khả năng tài chính và quyền sở hữu tài sản.
-> Thu nhập càng cao thì khả năng sở hữu nhà càng lớn, phản ánh một xu hướng tiêu dùng dài hạn và ổn định hơn ở nhóm khách hàng có năng lực tài chính.
5.2 Hạn chế của phân tích
Phân tích chỉ giới hạn ở biến định tính: Phân tích hiện tại chủ yếu tập trung vào các biến định tính như Gender, MaritalStatus, Homeowner, AnnualIncome, Country, và ProductFamily, trong khi các biến định lượng quan trọng như Revenue, UnitsSold, hoặc số lượng Children chưa được phân tích sâu. Do đó, những phát hiện hiện tại mới chỉ mô tả đặc điểm phân loại của khách hàng, chưa phản ánh được giá trị kinh tế hay mức độ tiêu dùng thực tế.
Một số nhóm con có kích thước mẫu nhỏ: Một số nhóm trong các biến phân loại như AnnualIncome (ví dụ: “$150K +”), Country (ví dụ: “Canada”) hoặc ProductFamily (ví dụ: “Drink”) có số lượng quan sát rất nhỏ so với các nhóm khác. Điều này có thể làm sai lệch kết quả kiểm định thống kê hoặc gây nhiễu trong việc suy diễn tổng thể.
Chưa phân tích mối quan hệ nhiều chiều giữa các biến: Các phân tích hiện tại chủ yếu xem xét từng cặp biến riêng lẻ (bivariate), mà chưa khai thác mối quan hệ đồng thời giữa nhiều biến (multivariate). Điều này hạn chế khả năng phát hiện các tương tác phức tạp giữa các yếu tố khách hàng (ví dụ: giới tính, thu nhập và quốc gia) ảnh hưởng đến hành vi mua hàng.
5.3 Đề xuất
Hiện tại, phân tích chủ yếu tập trung vào các biến định tính mà chưa khai thác đầy đủ các biến định lượng như doanh thu, số lượng sản phẩm bán ra hay số con trong gia đình. Việc bổ sung phân tích các biến định lượng sẽ giúp doanh nghiệp hiểu rõ hơn về giá trị thực tế và hành vi tiêu dùng của khách hàng, từ đó đưa ra các chiến lược marketing và chăm sóc khách hàng hiệu quả hơn.
Một số nhóm trong các biến phân loại có kích thước mẫu rất nhỏ, làm giảm tính đại diện và có thể dẫn đến sai lệch trong kết quả phân tích. Doanh nghiệp nên xem xét gộp các nhóm nhỏ tương tự hoặc tăng cường thu thập dữ liệu để đảm bảo mẫu nghiên cứu đủ lớn, giúp kết quả phân tích chính xác và đáng tin cậy hơn.
Các phân tích hiện tại chỉ xem xét mối quan hệ đơn giản giữa từng cặp biến, chưa khai thác được các tương tác phức tạp giữa nhiều yếu tố cùng lúc. Áp dụng các phương pháp phân tích đa biến sẽ giúp phát hiện những nhóm khách hàng tiềm năng với đặc điểm đa chiều, từ đó xây dựng chiến lược phân loại sản phẩm, nhắm mục tiêu và cá nhân hóa chiến dịch marketing phù hợp, nâng cao hiệu quả kinh doanh.
5.4 Câu hỏi mở/Hướng nghiên cứu tiếp theo
Liệu có thể xây dựng được mô hình dự báo chính xác hơn về khả năng mua hàng hoặc giá trị vòng đời khách hàng (Customer Lifetime Value) dựa trên dữ liệu đa chiều kết hợp định tính và định lượng không?
Tác động của yếu tố văn hóa, địa lý hoặc mùa vụ đến thói quen mua sắm và lựa chọn sản phẩm của khách hàng có thể được mô hình hóa như thế nào?
Mối quan hệ giữa các biến định tính và định lượng có sự thay đổi theo thời gian hay theo các sự kiện đặc biệt (ví dụ: mùa lễ hội, khuyến mãi) không? Nếu có, doanh nghiệp cần điều chỉnh chiến lược như thế nào?
Phương pháp phân tích đa chiều nào (ví dụ: phân tích nhân tố, phân tích cụm, hồi quy logistic đa biến) phù hợp nhất để mô hình hóa hành vi phức tạp của khách hàng trong dữ liệu này?