Nhiệm vụ tuần 2
Lê Thị Thanh Phú
2025-05-26
I. Tìm hiểu và chuẩn bị dữ liệu
1.1. Đọc file tmp.csv vào R
Bộ dữ liệu Supermarket Transactions (Giao dịch Siêu thị) là một tập hợp dữ liệu mô phỏng các giao dịch mua hàng được thực hiện tại một chuỗi siêu thị gồm 16 biến và 14059 quan sát . Dữ liệu này chứa nhiều thông tin phong phú liên quan đến hành vi tiêu dùng của khách hàng, đặc điểm nhân khẩu học và chi tiết sản phẩm. Cụ thể, mỗi bản ghi đại diện cho một giao dịch riêng biệt, bao gồm các biến như: PurchaseDate, CustomerID, Gender, MaritalStatus, Homeowner, Children, AnnualIncome, City, StateorProvince, Country, ProductFamily, ProductDepartment, ProductCategory, UnitsSold, Revenue.
Các biến trong dữ liệu được phân loại thành ba nhóm chính:
Identifier / ID Variables — Biến định danh: Đây là các biến dùng để phân biệt từng đối tượng quan sát, không mang ý nghĩa thống kê, gồm:
PurchaseDate — Ngày mua hàng
CustomerID — Mã khách hàng
Categorical / Qualitative Variables — Biến định tính: Bao gồm các biến phân loại không có giá trị số học, gồm:
Gender — Giới tính
MaritalStatus — Tình trạng hôn nhân
Homeowner — Sở hữu nhà
AnnualIncome — Thu nhập hàng năm
City — Thành phố
StateorProvince — Bang hoặc tỉnh
Country — Quốc gia
ProductFamily — Nhóm ngành hàng
ProductDepartment — Bộ phận sản phẩm
ProductCategory — Danh mục sản phẩm
Numerical / Quantitative Variables — Biến định lượng: Bao gồm các biến có thể đo lường và có giá trị số học, gồm:
Children — Số lượng con
UnitsSold — Số lượng bán
Revenue — Doanh thu
1.2. Hiển thị cấu trúc của dữ liệu
# Hiển thị cấu trúc của dữ liệu
str(d)## '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 phản ánh các thông tin giao dịch mua hàng của khách hàng cá nhân, bao gồm dữ liệu về thời gian, đặc điểm nhân khẩu học của khách hàng, địa lý, thông tin sản phẩm và kết quả giao dịch (đơn vị bán và doanh thu). Nhìn chung, cấu trúc của bộ dữ liệu này khá đầy đủ và hợp lý để phục vụ cho nhiều mục tiêu phân tích khác nhau như: phân tích hành vi khách hàng, mô hình hóa doanh thu, phân khúc thị trường, hay phân tích xu hướng tiêu dùng theo thời gian và không gian.
1.3. Hiển thị một vài dòng đầu và cuối của dữ liệu
# Hiển thị một vài dòng đầu tiên
head(d,6)## X PurchaseDate CustomerID Gender MaritalStatus Homeowner Children
## 1 1 2007-12-18 7223 F S Y 2
## 2 2 2007-12-20 7841 M M Y 5
## 3 3 2007-12-21 8374 F M N 2
## 4 4 2007-12-21 9619 M M Y 3
## 5 5 2007-12-22 1900 F S Y 3
## 6 6 2007-12-22 6696 F M Y 3
## AnnualIncome City StateorProvince Country ProductFamily
## 1 $30K - $50K Los Angeles CA USA Food
## 2 $70K - $90K Los Angeles CA USA Food
## 3 $50K - $70K Bremerton WA USA Food
## 4 $30K - $50K Portland OR USA Food
## 5 $130K - $150K Beverly Hills CA USA Drink
## 6 $10K - $30K Beverly Hills CA USA Food
## ProductDepartment ProductCategory UnitsSold Revenue
## 1 Snack Foods Snack Foods 5 27.38
## 2 Produce Vegetables 5 14.90
## 3 Snack Foods Snack Foods 3 5.52
## 4 Snacks Candy 4 4.44
## 5 Beverages Carbonated Beverages 4 14.00
## 6 Deli Side Dishes 3 4.37# Hiển thị một vài dòng cuối cùng
tail(d,6)## X PurchaseDate CustomerID Gender MaritalStatus Homeowner Children
## 14054 14054 2009-12-29 2032 F M N 3
## 14055 14055 2009-12-29 9102 F M Y 2
## 14056 14056 2009-12-29 4822 F M Y 3
## 14057 14057 2009-12-31 250 M S Y 1
## 14058 14058 2009-12-31 6153 F S N 4
## 14059 14059 2009-12-31 3656 M S N 3
## AnnualIncome City StateorProvince Country ProductFamily
## 14054 $10K - $30K Yakima WA USA Non-Consumable
## 14055 $10K - $30K Bremerton WA USA Food
## 14056 $10K - $30K Walla Walla WA USA Food
## 14057 $30K - $50K Portland OR USA Drink
## 14058 $50K - $70K Spokane WA USA Drink
## 14059 $50K - $70K Portland OR USA Non-Consumable
## ProductDepartment ProductCategory UnitsSold Revenue
## 14054 Household Paper Products 5 14.50
## 14055 Baking Goods Baking Goods 3 9.64
## 14056 Frozen Foods Vegetables 3 7.45
## 14057 Beverages Pure Juice Beverages 4 3.24
## 14058 Dairy Dairy 2 4.00
## 14059 Household Electrical 5 25.531.4. Kiểm tra xem có giá trị thiếu (NA) trong các cột định tính
# Kiểm tra giá trị thiếu (NA) trong các cột định tính
qual_cols <- c("Gender", "MaritalStatus", "Homeowner", "City", "StateorProvince",
"AnnualIncome", "Country", "ProductFamily", "ProductDepartment", "ProductCategory")
# Kiểm tra NA theo cột định tính
colSums(is.na(d[qual_cols]))## Gender MaritalStatus Homeowner City
## 0 0 0 0
## StateorProvince AnnualIncome Country ProductFamily
## 0 0 0 0
## ProductDepartment ProductCategory
## 0 0# Hàm tính mode
get_mode <- function(x) {
ux <- unique(x[!is.na(x)])
ux[which.max(tabulate(match(x, ux)))]
}Kết quả trả về từ đoạn mã cho thấy rằng không có giá trị thiếu (NA) trong bất kỳ cột định tính nào thuộc danh sách qual_cols, bao gồm các biến như Gender, MaritalStatus, Homeowner, City, StateorProvince, AnnualIncome, Country, ProductFamily, ProductDepartment và ProductCategory. Tất cả các cột đều có tổng số NA bằng 0, điều này chứng tỏ dữ liệu định tính đang đầy đủ và sạch, không cần thực hiện thao tác thay thế giá trị thiếu. Việc kiểm tra điều kiện trước khi thay thế là một thực hành tốt, giúp đảm bảo tính toàn vẹn và tránh thay đổi không cần thiết đối với dữ liệu.
1.5. Chuyển đổi các biến cần thiết sang kiểu factor
# Chuyển đổi các cột cần thiết sang factor nếu chưa phải
for (col in qual_cols) {
if (!is.factor(d[[col]])) {
d[[col]] <- as.factor(d[[col]])
}
}
# Kiểm tra lại cấu trúc sau khi chuyển đổi
str(d)## '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 : Factor w/ 2 levels "F","M": 1 2 1 2 1 1 2 1 2 2 ...
## $ MaritalStatus : Factor w/ 2 levels "M","S": 2 1 1 1 2 1 2 1 1 2 ...
## $ Homeowner : Factor w/ 2 levels "N","Y": 2 2 1 2 2 2 2 2 2 1 ...
## $ Children : int 2 5 2 3 3 3 2 2 3 1 ...
## $ AnnualIncome : Factor w/ 8 levels "$10K - $30K",..: 5 7 6 5 3 1 5 4 1 6 ...
## $ City : Factor w/ 23 levels "Acapulco","Bellingham",..: 8 8 4 12 3 3 13 23 2 15 ...
## $ StateorProvince : Factor w/ 10 levels "BC","CA","DF",..: 2 2 8 6 2 2 6 8 8 2 ...
## $ Country : Factor w/ 3 levels "Canada","Mexico",..: 3 3 3 3 3 3 3 3 3 3 ...
## $ ProductFamily : Factor w/ 3 levels "Drink","Food",..: 2 2 2 2 1 2 2 2 3 3 ...
## $ ProductDepartment: Factor w/ 22 levels "Alcoholic Beverages",..: 20 18 20 21 4 11 13 6 15 14 ...
## $ ProductCategory : Factor w/ 45 levels "Baking Goods",..: 42 45 42 7 15 41 5 13 16 35 ...
## $ UnitsSold : int 5 5 3 4 4 3 4 6 1 2 ...
## $ Revenue : num 27.38 14.9 5.52 4.44 14 ...Dữ liệu gồm 14.059 quan sát với 16 biến, trong đó nhiều biến định tính đã được đưa về dạng factor. Việc chuyển các biến như Gender, MaritalStatus, Homeowner, City, StateorProvince, Country, ProductFamily, ProductDepartment và ProductCategory sang dạng factor là hoàn toàn hợp lý. Điều này giúp biểu diễn rõ ràng các biến phân loại, hỗ trợ hiệu quả cho các bước phân tích thống kê, mô hình hóa cũng như trực quan hóa dữ liệu. Ngoài ra, factor còn giúp tiết kiệm bộ nhớ hơn so với chuỗi ký tự khi xử lý các giá trị lặp lại.
II. Phân tích mô tả một biến định tính
2.1. Biến Gender
table(d$Gender)##
## F M
## 7170 6889tmp <- table(d$Gender)/sum(nrow(d))
tmp##
## F M
## 0.5099936 0.4900064Vậy bộ dữ liệu này có 50.9993598 % là nữ và 49.0006402 % là nam
# Tính tần suất và phần trăm
df_gender <- d %>%
count(Gender) %>%
mutate(prop = n / sum(n),
pct = paste0(round(prop * 100), "%"))
# Vẽ biểu đồ cột
ggplot(df_gender, aes(x = Gender, y = n, fill = Gender)) +
geom_bar(stat = "identity", width = 0.6, color = "black") + # Viền đen quanh cột
scale_fill_manual(values = c("M" = "yellow", "F" = "pink")) + # Màu theo Gender
geom_text(aes(label = pct), vjust = -0.5, size = 5) + # Hiển thị % trên cột
labs(title = "Bar Plot - Gender", x = "Gender", y = "Frequency") +
theme_minimal(base_size = 14) +
theme(
plot.title = element_text(face = "bold", hjust = 0.5)
)
# Tính tần suất
df_gender <- d %>%
count(Gender) %>%
mutate(prop = n / sum(n),
pct = paste0(round(prop * 100), "%"))
# Vẽ biểu đồ tròn
ggplot(df_gender, aes(x = "", y = prop, fill = Gender)) +
geom_bar(stat = "identity", width = 1, color = "black") + # Viền đen quanh miếng
coord_polar("y", start = 0) + # Biểu đồ hình tròn
scale_fill_manual(values = c("M" = "yellow", "F" = "pink")) + # Màu theo Gender
geom_text(aes(label = pct), position = position_stack(vjust = 0.5)) + # Hiện % ở giữa
labs(title = "Pie Chart - Gender", x = NULL, y = NULL, fill = "Gender") +
theme_minimal(base_size = 14) +
theme(
axis.text = element_blank(),
axis.ticks = element_blank(),
panel.grid = element_blank(),
plot.title = element_text(face = "bold", hjust = 0.5)
)
Biến Gender: Biến này phản ánh giới tính của khách hàng với hai giá trị: nam (M) và nữ (F). Trong tổng số 14.059 quan sát, số lượng nữ là 7.170 người (chiếm 51%), còn nam là 6.889 người (49%). Tỷ lệ này cho thấy giới tính trong mẫu dữ liệu khá cân đối, không có sự chênh lệch đáng kể giữa hai nhóm.
2.2. Biến MaritalStatus
table(d$MaritalStatus)##
## M S
## 6866 7193tmp <- table(d$MaritalStatus)/sum(nrow(d))
tmp##
## M S
## 0.4883704 0.5116296df_marital <- d %>%
count(MaritalStatus)
ggplot(df_marital, aes(x = reorder(MaritalStatus, -n), y = n, fill = MaritalStatus)) +
geom_bar(stat = "identity", color = "black", width = 0.7) + # Viền đen
scale_fill_brewer(palette = "Set2") + # Màu tự động đẹp
labs(title = "Bar Plot - Marital Status", x = "Marital Status", y = "Frequency") +
theme_minimal(base_size = 14) +
theme(
legend.position = "none",
plot.title = element_text(face = "bold", hjust = 0.5),
axis.text = element_text(color = "black"),
axis.title = element_text(face = "bold")
)
df_marital <- d %>%
count(MaritalStatus) %>%
mutate(Percent = round(100 * n / sum(n), 2))
ggplot(df_marital, aes(x = "", y = n, fill = MaritalStatus)) +
geom_bar(stat = "identity", width = 1, color = "black") + # Viền đen
coord_polar("y", start = 0) +
theme_void(base_size = 14) +
scale_fill_brewer(palette = "Set2") + # Bảng màu tự động đẹp
labs(title = "Pie Chart - Marital Status") +
geom_text(aes(label = paste0(Percent, "%")), position = position_stack(vjust = 0.5)) +
theme(
plot.title = element_text(face = "bold", hjust = 0.5)
)
Biến MaritalStatus: Phản ánh tình trạng hôn nhân của khách hàng. Trong dữ liệu, có 7.193 người độc thân (51.16%) và 6.866 người đã kết hôn (48.84%). Mặc dù tỷ lệ khá cân bằng, nhưng nhóm độc thân chiếm ưu thế nhẹ.
2.3. Biến Homeowner
table(d$Homeowner)##
## N Y
## 5615 8444tmp <- table(d$Homeowner)/sum(nrow(d))
tmp##
## N Y
## 0.3993883 0.6006117df_home <- d %>%
count(Homeowner)
ggplot(df_home, aes(x = reorder(Homeowner, -n), y = n, fill = Homeowner)) +
geom_bar(stat = "identity", color = "black", width = 0.7) +
scale_fill_manual(values = c("Y" = "#FFD1DC", "N" = "#D8EEDF")) +
labs(title = "Bar Plot - Homeowner", x = "Homeowner", y = "Frequency") +
theme_minimal(base_size = 14) +
theme(
legend.position = "none",
plot.title = element_text(face = "bold", hjust = 0.5)
)
df_home <- df_home %>%
mutate(Percent = round(100 * n / sum(n), 2))
ggplot(df_home, aes(x = "", y = n, fill = Homeowner)) +
geom_bar(stat = "identity", width = 1, color = "black") +
coord_polar("y") +
theme_void() +
scale_fill_manual(values = c("Y" = "#FFD1DC", "N" = "#D8EEDF")) +
labs(title = "Pie Chart - Homeowner") +
geom_text(aes(label = paste0(Percent, "%")), position = position_stack(vjust = 0.5))
Biến Homeowner: Thể hiện việc khách hàng có sở hữu nhà ở hay không. Có 8.444 người (60.06%) có nhà và 5.615 người (39.94%) không có nhà. Điều này cho thấy phần lớn khách hàng trong tập dữ liệu có điều kiện kinh tế tương đối ổn định.
2.4. Biến City
table(d$City)##
## Acapulco Bellingham Beverly Hills Bremerton Camacho
## 383 143 811 834 452
## Guadalajara Hidalgo Los Angeles Merida Mexico City
## 75 845 926 654 194
## Orizaba Portland Salem San Andres San Diego
## 464 876 1386 621 866
## San Francisco Seattle Spokane Tacoma Vancouver
## 130 922 875 1257 633
## Victoria Walla Walla Yakima
## 176 160 376tmp <- table(d$City)/sum(nrow(d))
tmp##
## 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 0.026744434df_city <- d %>%
count(City)
ggplot(df_city, aes(x = reorder(City, -n), y = n, fill = City)) +
geom_bar(stat = "identity", width = 1, color = "black") +
labs(title = "Bar Plot - City", x = "City", y = "Frequency") +
theme_minimal() +
theme(
legend.position = "none",
axis.text.x = element_text(angle = 45, hjust = 1, vjust = 1, face = "italic") # xoay 45 độ + nghiêng
)
Biến City: Phản ánh nơi sinh sống của khách hàng theo thành phố. Dữ liệu ghi nhận 23 thành phố, trong đó Bremerton (5.93%), Beverly Hills (5.77%) và Camacho (3.22%) là các khu vực có lượng khách hàng cao hơn hẳn. Phân bố khách hàng giữa các thành phố cho thấy sự đa dạng về mặt địa lý.
2.5. Biến StateorProvince
table(d$StateorProvince)##
## BC CA DF Guerrero Jalisco OR Veracruz WA
## 809 2733 815 383 75 2262 464 4567
## Yucatan Zacatecas
## 654 1297tmp <- table(d$StateorProvince)/sum(nrow(d))
tmp##
## 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 0.092254072# Bước 1: Tạo biến df_state bằng cách đếm số lượng từng bang/tỉnh
df_state <- d%>%
count(StateorProvince, name = "n")
# Bước 2: Vẽ biểu đồ cột
ggplot(df_state, aes(x = reorder(StateorProvince, -n), y = n, fill = StateorProvince)) +
geom_bar(stat = "identity", color = "black", width = 0.7) +
scale_fill_brewer(palette = "Set3") +
labs(title = "Bar Plot - State or Province", x = "State/Province", y = "Frequency") +
theme_minimal() +
theme(
legend.position = "none",
plot.title = element_text(face = "bold", hjust = 0.5),
axis.text.x = element_text(angle = 45, hjust = 1)
)
Biến StateorProvince: Cho biết tên bang hoặc tỉnh nơi khách hàng cư trú. California (CA) có tỷ lệ cao nhất (19.44%), tiếp theo là Distrito Federal (DF) với 5.8%. Một số khu vực khác như Jalisco hay Guerrero chỉ chiếm tỷ lệ nhỏ, dưới 3%, cho thấy khách hàng tập trung ở một số bang nhất định.
2.6. Biến Country
table(d$Country)##
## Canada Mexico USA
## 809 3688 9562tmp <- table(d$Country)/sum(nrow(d))
tmp##
## Canada Mexico USA
## 0.05754321 0.26232307 0.68013372df_country <- d %>%
count(Country)
ggplot(df_country, aes(x = reorder(Country, -n), y = n, fill = Country)) +
geom_bar(stat = "identity", color = "black", width = 0.7) +
scale_fill_manual(values = c(
"USA" = "#FFD54F",
"Mexico" = "#4DB6AC",
"Canada" = "#BA68C8"
# Thêm màu cho các nước khác ở đây
)) +
labs(title = "Bar Plot - Country", x = "Country", y = "Frequency") +
theme_minimal() +
theme(
legend.position = "none",
plot.title = element_text(face = "bold", hjust = 0.5)
)
df_country <- df_country %>%
mutate(Percent = round(100 * n / sum(n), 2))
ggplot(df_country, aes(x = "", y = n, fill = Country)) +
geom_bar(stat = "identity", width = 1, color = "black") +
coord_polar("y") +
theme_void() +
scale_fill_manual(values = c(
"USA" = "#FFD54F",
"Mexico" = "#4DB6AC",
"Canada" = "#BA68C8"
# Thêm màu cho các nước khác ở đây
)) +
labs(title = "Pie Chart - Country") +
geom_text(aes(label = paste0(Percent, "%")), position = position_stack(vjust = 0.5))
Biến Country: Thể hiện quốc gia cư trú của khách hàng. Hoa Kỳ chiếm đa số với 68.01%, kế đến là Mexico (26.23%) và Canada (5.75%). Sự chênh lệch lớn giữa các quốc gia cho thấy mẫu dữ liệu nghiêng về phía khách hàng từ Mỹ, điều này cần lưu ý trong quá trình phân tích.
2.7. Biến ProductFamily
table(d$ProductFamily)##
## Drink Food Non-Consumable
## 1250 10153 2656tmp <- table(d$ProductFamily)/sum(nrow(d))
tmp##
## Drink Food Non-Consumable
## 0.08891102 0.72217085 0.18891813df_family <- d %>%
count(ProductFamily)
ggplot(df_family, aes(x = reorder(ProductFamily, -n), y = n, fill = ProductFamily)) +
geom_bar(stat = "identity", width = 1, color = "black") +
labs(title = "Bar Plot - Product Family", x = "Product Family", y = "Frequency") +
theme_minimal() + theme(legend.position = "none")
df_family <- df_family %>%
mutate(Percent = round(100 * n / sum(n), 2))
ggplot(df_family, aes(x = "", y = n, fill = ProductFamily)) +
geom_bar(stat = "identity", width = 1, color = "black") +
coord_polar("y") + theme_void() +
labs(title = "Pie Chart - Product Family") +
geom_text(aes(label = paste0(Percent, "%")), position = position_stack(vjust = 0.5))
Biến ProductFamily: Chia sản phẩm thành ba nhóm chính: Food, Drink và Non-Consumable. Nhóm Food chiếm tỷ lệ cao nhất với 72.22%, tiếp theo là Non-Consumable (18.89%) và Drink (8.89%). Đây là dấu hiệu cho thấy sản phẩm thực phẩm đóng vai trò chủ đạo trong tiêu dùng.
2.8. Biến ProductDepartment
table(d$ProductDepartment)##
## Alcoholic Beverages Baked Goods Baking Goods Beverages
## 356 425 1072 680
## Breakfast Foods Canned Foods Canned Products Carousel
## 188 977 109 59
## Checkout Dairy Deli Eggs
## 82 903 699 198
## Frozen Foods Health and Hygiene Household Meat
## 1382 893 1420 89
## Periodicals Produce Seafood Snack Foods
## 202 1994 102 1600
## Snacks Starchy Foods
## 352 277tmp <- table(d$ProductDepartment)/sum(nrow(d))
tmp##
## 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 0.019702682df_department <- d %>%
count(ProductDepartment)
# Tạo màu cho từng nhóm
colors <- setNames(scales::hue_pal()(nrow(df_department)), df_department$ProductDepartment)
# Biểu đồ cột màu đầy đủ
ggplot(df_department, aes(x = reorder(ProductDepartment, -n), y = n, fill = ProductDepartment)) +
geom_bar(stat = "identity", color = "black") +
scale_fill_manual(values = colors) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
labs(title = "Bar Plot - Product Department", x = "Product Department", y = "Frequency")
Biến Product Department: Cho thấy Produce (Rau củ quả) là nhóm sản phẩm có tần suất cao nhất (14.18%), tiếp theo là Snack Foods (11.38%) và Frozen Foods (9.83%), phản ánh nhu cầu tiêu dùng lớn và thường xuyên. Các nhóm như Household (10.1%) và Baking Goods (7.63%) cũng có mức tiêu thụ khá. Ngược lại, các nhóm như Meat (0.63%), Checkout (0.58%), và Seafood (0.73%) có tần suất thấp, cho thấy mức độ mua sắm hạn chế. Sự phân bố này giúp doanh nghiệp xác định các nhóm sản phẩm chủ lực để ưu tiên phát triển, đồng thời cân nhắc chiến lược với các nhóm ít phổ biến.
2.9. Biến ProductCategory
table(d$ProductCategory)##
## 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 1728tmp <- table(d$ProductCategory)/sum(nrow(d))
tmp##
## Baking Goods Bathroom Products Beer and Wine
## 0.034426346 0.025962017 0.025321858
## Bread Breakfast Foods Candles
## 0.030229746 0.029660716 0.003200797
## Candy Canned Anchovies Canned Clams
## 0.025037343 0.003129668 0.003769827
## Canned Oysters Canned Sardines Canned Shrimp
## 0.002489508 0.002845153 0.002702895
## Canned Soup Canned Tuna Carbonated Beverages
## 0.028736041 0.006188207 0.010953837
## Cleaning Supplies Cold Remedies Dairy
## 0.013443346 0.006614980 0.064229319
## Decongestants Drinks Eggs
## 0.006045949 0.009602390 0.014083505
## Electrical Frozen Desserts Frozen Entrees
## 0.025250729 0.022974607 0.008393200
## Fruit Hardware Hot Beverages
## 0.054413543 0.009175617 0.016075112
## Hygiene Jams and Jellies Kitchen Products
## 0.014012376 0.041823743 0.015434953
## Magazines Meat Miscellaneous
## 0.014368020 0.054129028 0.002987410
## Packaged Vegetables Pain Relievers Paper Products
## 0.003414183 0.013656732 0.024539441
## Pizza Plastic Products Pure Juice Beverages
## 0.013798990 0.010029163 0.011736254
## Seafood Side Dishes Snack Foods
## 0.007255139 0.010882709 0.113806103
## Specialty Starchy Foods Vegetables
## 0.020556227 0.019702682 0.122910591df_cat <- d %>%
count(ProductCategory)
ggplot(df_cat, aes(x = reorder(ProductCategory, -n), y = n, fill = ProductCategory)) +
geom_bar(stat = "identity", color = "black") +
labs(title = "Bar Plot - Product Category", x = "Product Category", y = "Frequency") +
theme(
legend.position = "none",
axis.text.x = element_text(angle = 45, hjust = 1, vjust = 1, face = "italic") # xoay 45 độ + nghiêng
)
Biến ProductCategory: Là cấp độ phân loại chi tiết nhất trong sản phẩm. Các danh mục phổ biến gồm Baking Goods (3.44%), Bread (3.02%) và Beer and Wine (2.53%). Mặc dù tỷ lệ không cao, nhưng tổng thể các danh mục thể hiện cấu trúc sản phẩm phong phú, đáp ứng nhiều loại nhu cầu tiêu dùng.
2.10. Biến AnnualIncome
table(d$AnnualIncome)##
## $10K - $30K $110K - $130K $130K - $150K $150K + $30K - $50K
## 3090 643 760 273 4601
## $50K - $70K $70K - $90K $90K - $110K
## 2370 1709 613tmp <- table(d$AnnualIncome)/sum(nrow(d))
tmp##
## $10K - $30K $110K - $130K $130K - $150K $150K + $30K - $50K
## 0.21978804 0.04573583 0.05405790 0.01941817 0.32726367
## $50K - $70K $70K - $90K $90K - $110K
## 0.16857529 0.12155914 0.04360196df_AnnualIncome <- d %>%
count(AnnualIncome)
ggplot(df_AnnualIncome, aes(x = reorder(AnnualIncome, -n), y = n, fill = AnnualIncome)) +
geom_bar(stat = "identity", width = 1, color = "black") +
labs(title = "Bar Plot - AnnualIncome", x = "AnnualIncome", y = "Frequency") +
theme_minimal() + theme(legend.position = "none")
Nhận xét: Biểu đồ trên thể hiện tần suất của các nhóm thu nhập hàng năm khác nhau. Nhìn chung, thu nhập phân bố không đồng đều và có xu hướng tập trung chủ yếu ở mức trung bình - thấp. Cụ thể, nhóm thu nhập từ 30.000 đến 50.000 USD chiếm tỷ lệ cao nhất với hơn 4.500 người, tiếp theo là nhóm 10.000 đến 30.000 USD với khoảng 3.100 người. Các nhóm thu nhập cao hơn như 50.000 – 70.000 USD và 70.000 – 90.000 USD có số lượng giảm dần, lần lượt khoảng 2.400 và 1.700 người. Đáng chú ý, những người có thu nhập từ 90.000 USD trở lên chiếm tỷ lệ rất nhỏ, đặc biệt nhóm trên 150.000 USD là thấp nhất với dưới 500 người. Điều này cho thấy phân bố thu nhập trong dữ liệu là không đồng đều và nghiêng về phía thu nhập thấp, phản ánh bức tranh thu nhập có sự chênh lệch lớn và phần lớn tập trung ở các mức dưới 70.000 USD mỗi năm.
III. Ước lượng khoảng và kiểm định giả thuyết cho tỷ lệ (một biến)
3.1. Xác định hạng mục quan tâm
“Female” trong Gender, “Y” trong Homeowner, “Food” trong ProductFamily
3.2. Ước lượng khoảng tin cậy và kiểm định giả thuyết
3.2.1. Gender – Hạng mục quan tâm: “Female” – H0: tỷ lệ = 0.5
# Đếm số lượng khách hàng nữ
n_female <- sum(d$Gender == "F")
#Tổng số quan sát
n_total <- nrow(d)
#Tính khoảng tin cậy 95% cho tỷ lệ nữ
prop.test(n_female, n_total, correct = FALSE) ##
## 1-sample proportions test without continuity correction
##
## data: n_female out of n_total, null probability 0.5
## X-squared = 5.6164, df = 1, p-value = 0.01779
## alternative hypothesis: true p is not equal to 0.5
## 95 percent confidence interval:
## 0.5017287 0.5182531
## sample estimates:
## p
## 0.5099936Kiểm định giả thuyết
Đặt giả thuyết:
\(H_0\): Tỷ lệ nữ = 0.5
\(H_1\): Tỷ lệ nữ ≠ 0.5
Ý nghĩa: Với độ tin cậy 95%, ta có thể kết luận rằng tỷ lệ nữ giới trong tổng số khách hàng rơi vào khoảng từ 50,17% đến 51,83%.
3.2.2. HomeOwner – Hạng mục quan tâm: “Y” – H0: tỷ lệ = 0.6
# Đếm số lượng khách hàng sở hữu nhà
n_yes <- sum(d$Homeowner == "Y")
#Tổng số quan sát
n_total <- nrow(d)
#Tính khoảng tin cậy 95% cho tỷ lệ có nhà ở
prop.test(n_yes, n_total, correct = FALSE) ##
## 1-sample proportions test without continuity correction
##
## data: n_yes out of n_total, null probability 0.5
## X-squared = 569.26, df = 1, p-value < 2.2e-16
## alternative hypothesis: true p is not equal to 0.5
## 95 percent confidence interval:
## 0.5924894 0.6086791
## sample estimates:
## p
## 0.6006117Ý nghĩa: Với độ tin cậy 95% cho thấy rằng tỷ lệ thực tế nằm trong khoảng từ 59,25% đến 60,87%. Điều này đồng nghĩa với việc, nếu cùng một khảo sát được lặp lại nhiều lần với cùng phương pháp lấy mẫu, thì khoảng 95% trong số đó sẽ cho kết quả tỷ lệ nằm trong khoảng này. Kết quả kiểm định cho thấy giá trị p rất nhỏ (p < 2.2e-16), do đó có bằng chứng thống kê mạnh để bác bỏ giả thuyết rằng tỷ lệ thực tế bằng 50%.
Kiểm định giả thuyết
Đặt giả thuyết:
\(H_0\): Tỷ lệ khách hàng sở hữu nhà = 0.6
\(H_1\): Tỷ lệ khách hàng chưa sở hữu nhà ≠ 0.6
prop.test(n_yes, n_total, p=0.6, correct = FALSE) ##
## 1-sample proportions test without continuity correction
##
## data: n_yes out of n_total, null probability 0.6
## X-squared = 0.02192, df = 1, p-value = 0.8823
## alternative hypothesis: true p is not equal to 0.6
## 95 percent confidence interval:
## 0.5924894 0.6086791
## sample estimates:
## p
## 0.6006117Kết quả kiểm định cho thấy giá trị Chi-squared là 0.02192 với 1 bậc tự do và giá trị p là 0.8823. Với mức ý nghĩa 5%, do p-value > 0.05, ta không bác bỏ giả thuyết H₀, tức là giả thuyết cho rằng tỷ lệ thực tế bằng với tỷ lệ giả định 0.6.
3.2.3. ProductFamily – Hạng mục quan tâm: “Food” – H0: tỷ lệ ≥ 0.7 (alternative = “greater”)
# Đếm số lượng khách hàng chọn ProductFamily là "F" (Food)
n_food <- sum(d$ProductFamily == "F")
# Tổng số quan sát
n_total <- nrow(d)
# Tính khoảng tin cậy
prop.test(n_food, n_total, correct = FALSE)##
## 1-sample proportions test without continuity correction
##
## data: n_food out of n_total, null probability 0.5
## X-squared = 14059, df = 1, p-value < 2.2e-16
## alternative hypothesis: true p is not equal to 0.5
## 95 percent confidence interval:
## 0.0000000000 0.0002731638
## sample estimates:
## p
## 0Với độ tin cậy 95% cho tỷ lệ quan sát được là từ 0.0000 đến 0.00027, nghĩa là tỷ lệ khách hàng thuộc nhóm sản phẩm Food gần như bằng 0 trong mẫu dữ liệu.
Kiểm định giả thuyết
Đặt giả thuyết:
\(H_0\): Tỷ lệ sản phẩm thuộc nhóm “Food” = 0.7
\(H_1\): Tỷ lệ sản phẩm thuộc nhóm “Food” ≥ 0.7
prop.test(n_food, n_total, p=0.7, correct = FALSE) ##
## 1-sample proportions test without continuity correction
##
## data: n_food out of n_total, null probability 0.7
## X-squared = 32804, df = 1, p-value < 2.2e-16
## alternative hypothesis: true p is not equal to 0.7
## 95 percent confidence interval:
## 0.0000000000 0.0002731638
## sample estimates:
## p
## 0Kiểm định tỷ lệ một mẫu được thực hiện nhằm đánh giá xem tỷ lệ thực tế khách hàng thuộc nhóm ProductFamily = “F” (Food) có khác biệt đáng kể so với tỷ lệ giả định là 0.7 hay không. Kết quả kiểm định cho thấy giá trị Chi-squared = 32,804, với 1 bậc tự do và p-value < 2.2e-16, cực kỳ nhỏ so với mức ý nghĩa 5%. Do đó, ta bác bỏ giả thuyết H₀, tức là giả thuyết cho rằng tỷ lệ thực tế bằng 0.7.
IV. Phân tích mối quan hệ giữa hai biến định tính
4.1. Biến Gender và MaritalStatus
4.1.1. Bảng tần suất chéo
# Bảng tần suất chéo
tab1 <- table(d$Gender, d$MaritalStatus)
prop1 <- prop.table(tab1, margin = 1) # Tỷ lệ theo hàng
# In bảng tần suất và tỷ lệ
cat("Bảng tần suất:\n"); print(tab1)## Bảng tần suất:##
## M S
## F 3602 3568
## M 3264 3625cat("\nTỷ lệ theo hàng:\n"); print(round(prop1, 3))##
## Tỷ lệ theo hàng:##
## M S
## F 0.502 0.498
## M 0.474 0.5264.1.2. Trực quan hóa
ggplot(d, aes(x = Gender, fill = MaritalStatus)) +
geom_bar(position = "fill", color = "black") +
labs(title = "Phân bố Tình trạng hôn nhân theo Giới tính", x = "Gender", y = "Tỷ lệ", fill = " MaritalStatus") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) 
Nhận xét: Biểu đồ cột chồng giữa hai biến Gender (giới tính) và MaritalStatus (tình trạng hôn nhân) cho thấy sự phân bố số lượng cá nhân theo từng giới tính và tình trạng hôn nhân tương ứng. Cả hai nhóm giới tính đều có cơ cấu tình trạng hôn nhân khá đồng đều, khi phần màu đại diện cho người đã kết hôn (M - Married) và người độc thân (S - Single) gần như chia đều trong mỗi cột. Điều này gợi ý rằng không có sự khác biệt rõ ràng trong tình trạng hôn nhân giữa các giới, tức là giới tính không ảnh hưởng đáng kể đến việc một người đã kết hôn hay còn độc thân.
4.1.3. Kiểm định Thống kê (Kiểm định Chi-bình phương)
Giả thuyết kiểm định:
\(H_0\):: Giới tính và tình trạng hôn nhân là hai biến độc lập.
\(H_1\):: Giới tính và tình trạng hôn nhân có liên quan.
Thực hiện kiểm định Chi-bình phương
chi_test <- chisq.test(tab1)
chi_test##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: tab1
## X-squared = 11.365, df = 1, p-value = 0.0007485Kết quả kiểm định cho thấy giá trị Chi-squared là 11.365 với 1 bậc tự do và giá trị p tương ứng là 0.0007485. Với mức ý nghĩa 5%, do p-value nhỏ hơn 0.05, ta bác bỏ giả thuyết H₀, tức là giả thuyết cho rằng giới tính và tình trạng hôn nhân độc lập với nhau. Điều này cho thấy có mối quan hệ có ý nghĩa thống kê giữa giới tính và tình trạng hôn nhân trong tập dữ liệu khảo sát. Nói cách khác, sự khác biệt trong giới tính có liên quan đến sự khác biệt trong tình trạng hôn nhân, và mối quan hệ này không phải do ngẫu nhiên.
4.2. Biến ProductFamily và StateorProvince
4.2.1. Bảng tần suất chéo
# Bảng tần suất chéo
tab2 <- table(d$ProductFamily, d$StateorProvince)
prop2 <- prop.table(tab2, margin = 1) # Tỷ lệ theo hàng
# In bảng tần suất và tỷ lệ
cat("Bảng tần suất (ProductFamily vs StateOrProvince):\n"); print(tab2)## Bảng tần suất (ProductFamily vs StateOrProvince):##
## BC CA DF Guerrero Jalisco OR Veracruz WA Yucatan
## Drink 69 258 65 41 5 199 44 399 48
## Food 580 1974 598 272 57 1629 322 3287 494
## Non-Consumable 160 501 152 70 13 434 98 881 112
##
## Zacatecas
## Drink 122
## Food 940
## Non-Consumable 235cat("\nTỷ lệ theo hàng:\n"); print(round(prop2, 3))##
## Tỷ lệ theo hàng:##
## BC CA DF Guerrero Jalisco OR Veracruz WA
## Drink 0.055 0.206 0.052 0.033 0.004 0.159 0.035 0.319
## Food 0.057 0.194 0.059 0.027 0.006 0.160 0.032 0.324
## Non-Consumable 0.060 0.189 0.057 0.026 0.005 0.163 0.037 0.332
##
## Yucatan Zacatecas
## Drink 0.038 0.098
## Food 0.049 0.093
## Non-Consumable 0.042 0.0884.2.2. Trực quan hóa
# Vẽ biểu đồ cột chồng
ggplot(d, aes(x = StateorProvince, fill = ProductFamily)) +
geom_bar(position = "fill", color = "black") +
scale_fill_brewer(palette = "Set2") +
labs(
title = "Phân bố các nhóm sản phẩm theo bang/tỉnh",
x = "Tỉnh/Bang",
y = "Số lượng",
fill = "Dòng sản phẩm"
) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) 
Nhận xét: Nhóm sản phẩm “Food” chiếm tỷ lệ lớn nhất tại tất cả các bang/tỉnh, dao động khoảng từ 70% đến 75%. Điều này cho thấy nhóm thực phẩm là sản phẩm chủ lực và phổ biến nhất trên toàn bộ các khu vực.
Nhóm “Non-Consumable” (phi tiêu dùng) có tỷ lệ tương đối ổn định, khoảng 20–25% ở hầu hết các bang, cho thấy vai trò thứ hai trong cơ cấu sản phẩm, không quá vượt trội nhưng vẫn giữ vị trí quan trọng.
Nhóm “Drink” (đồ uống) chiếm tỷ trọng nhỏ nhất trong cả ba nhóm sản phẩm, với tỷ lệ dưới 10% tại tất cả các bang. Tuy nhiên, tỷ lệ này có sự dao động nhẹ giữa các khu vực, ví dụ như BC, Veracruz hay Yucatán có tỷ lệ Drink cao hơn một chút so với các bang còn lại.
Không có sự khác biệt quá rõ rệt giữa các bang, cho thấy sự đồng đều trong cơ cấu phân phối sản phẩm giữa các khu vực, mặc dù vẫn có những chênh lệch nhẹ ở từng nhóm.
4.2.3. Kiểm định Chi-bình phương
Giả thuyết kiểm định:
\(H_0\): ProductFamily và StateorProvince là hai biến độc lập.
\(H_1\): ProductFamily và StateorProvince có liên quan.
Thực hiện kiểm định Chi-bình phương
chi_test <- chisq.test(tab2)
chi_test##
## Pearson's Chi-squared test
##
## data: tab2
## X-squared = 12.3, df = 18, p-value = 0.8314Kết quả kiểm định cho thấy giá trị Chi-squared là 12.3 với 18 bậc tự do và giá trị p là 0.8314. Với mức ý nghĩa thông thường là 5%, do p-value lớn hơn 0.05, ta không bác bỏ giả thuyết H₀, tức là giả thuyết cho rằng StateorProvince và ProductFamily là độc lập với nhau. Nói cách khác, không có bằng chứng thống kê để khẳng định rằng việc phân phối các nhóm sản phẩm có sự khác biệt đáng kể giữa các bang hoặc tỉnh. Mối quan hệ (nếu có) giữa hai biến này có thể là do yếu tố ngẫu nhiên.
4.3. Biến AnnualIncome và Homeowner
4.3.1. Bảng tần suất chéo
# Bảng tần suất chéo
tab3 <- table(d$AnnualIncome, d$Homeowner)
prop3 <- prop.table(tab3, margin = 1) # Tỷ lệ theo hàng
# In bảng tần suất và tỷ lệ
cat("Bảng tần suất (AnnualIncome vs Homeowner):\n"); print(tab3)## Bảng tần suất (AnnualIncome vs Homeowner):##
## 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 496cat("\nTỷ lệ theo hàng:\n"); print(round(prop3, 3))##
## Tỷ lệ theo hàng:##
## N Y
## $10K - $30K 0.440 0.560
## $110K - $130K 0.185 0.815
## $130K - $150K 0.179 0.821
## $150K + 0.176 0.824
## $30K - $50K 0.454 0.546
## $50K - $70K 0.449 0.551
## $70K - $90K 0.401 0.599
## $90K - $110K 0.191 0.8094.3.2. Trực quan hóa
# Vẽ biểu đồ cột chồng
ggplot(data = d, aes(x = AnnualIncome, fill = Homeowner)) +
geom_bar(position = "fill", color = "black") +
scale_fill_brewer(palette = "Set3") +
labs(
title = "Biểu đồ cột chồng: AnnualIncome vs Homeowner",
x = "Thu nhập hàng năm",
y = "Số lượng",
fill = "Chủ sở hữu nhà"
) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
Nhận xét: Biểu đồ cột chồng thể hiện mối quan hệ giữa thu nhập hàng năm (Annual Income) và tình trạng sở hữu nhà (Homeowner). Các cột được chia thành hai phần: người sở hữu nhà (Y - màu xanh) và không sở hữu nhà (N - màu đỏ).
Một số nhận xét nổi bật từ biểu đồ:
Nhóm thu nhập $30K - $50K có số lượng người cao nhất, trong đó phần lớn là người sở hữu nhà, cho thấy đây là mức thu nhập phổ biến và đủ khả năng để sở hữu nhà.
Nhóm thu nhập $10K - $30K cũng có số lượng lớn, nhưng tỷ lệ người không sở hữu nhà cao hơn so với nhóm trên, phản ánh khả năng tài chính hạn chế trong việc sở hữu nhà.
Ở các nhóm thu nhập cao hơn ($110K trở lên), số lượng người giảm đáng kể. Tuy nhiên, đa số họ đã sở hữu nhà, cho thấy mối liên hệ giữa thu nhập cao và khả năng sở hữu tài sản.
Đặc biệt, ở nhóm $150K+, dù số lượng ít nhưng gần như tất cả đều là chủ sở hữu nhà, phù hợp với kỳ vọng rằng thu nhập cao gắn liền với khả năng sở hữu bất động sản.
Ngược lại, ở nhóm $50K - $70K và $70K - $90K, tỷ lệ sở hữu nhà và không sở hữu nhà tương đối cân bằng, cho thấy đây là mức thu nhập “chuyển tiếp” giữa hai nhóm đối tượng.
Tóm lại, biểu đồ cho thấy xu hướng rõ ràng: thu nhập càng cao thì tỷ lệ sở hữu nhà càng lớn, đồng thời mức thu nhập trung bình ($30K - $50K) là phổ biến nhất trong dân số khảo sát.
4.3.3. Kiểm định Chi-bình phương
Giả thuyết kiểm định:
\(H_0\): AnnualIncome và Homeowner là hai biến độc lập.
\(H_1\): AnnualIncome và Homeowner có liên quan.
Thực hiện kiểm định Chi-bình phương
chi_test <- chisq.test(tab3)
chi_test##
## Pearson's Chi-squared test
##
## data: tab3
## X-squared = 546.37, df = 7, p-value < 2.2e-16Kết quả kiểm định cho thấy giá trị Chi-squared là 546.37 với 7 bậc tự do và giá trị p rất nhỏ, nhỏ hơn 2.2e-16. Với mức ý nghĩa 5%, do p-value < 0.05, ta bác bỏ giả thuyết H₀, tức là giả thuyết cho rằng hai biến này độc lập với nhau. Điều này cho thấy có mối quan hệ có ý nghĩa thống kê giữa mức thu nhập và tình trạng sở hữu nhà ở trong tập dữ liệu khảo sát. Nói cách khác, sự khác biệt trong thu nhập hàng năm có liên quan đến khả năng sở hữu nhà ở của cá nhân.
V. Tổng kết và thảo luận
5.1. Tóm tắt những phát hiện chính
Phân tích các biến định tính cho thấy một số đặc điểm nổi bật về khách hàng và hành vi mua sắm. Cụ thể, có sự khác biệt rõ rệt giữa các nhóm giới tính và tình trạng hôn nhân, cho thấy những đặc điểm nhân khẩu học có thể ảnh hưởng đến hành vi tiêu dùng. Bên cạnh đó, mối liên hệ giữa quốc gia và việc sở hữu nhà cho thấy xu hướng sở hữu nhà ở Mỹ cao hơn so với các quốc gia khác. Điều này có thể phản ánh mức sống, thu nhập hoặc chính sách nhà ở khác biệt giữa các quốc gia. Ngoài ra, sự phân bố giữa các thành phố và bang (StateOrProvince) cho thấy hoạt động mua sắm tập trung nhiều ở một số khu vực nhất định, phản ánh tiềm năng thị trường không đồng đều.
5.2. Hạn chế của phân tích
Một số hạn chế đáng chú ý bao gồm: chất lượng dữ liệu có thể chưa đồng nhất, có khả năng tồn tại sai sót trong ghi chép hoặc thiếu dữ liệu. Việc chỉ phân tích các biến định tính không cho phép đánh giá mức độ tác động định lượng giữa các yếu tố. Hơn nữa, một số hạng mục con có kích thước mẫu nhỏ, khiến kết luận có thể chưa đủ mạnh. Ngoài ra, không có dữ liệu định lượng như thu nhập, chi tiêu hay tần suất mua sắm để đánh giá sâu hơn về hành vi tiêu dùng.
5.3. Đề xuất
Từ các phát hiện, doanh nghiệp có thể cá nhân hóa chiến lược marketing dựa trên đặc điểm nhân khẩu học như giới tính, tình trạng hôn nhân và khu vực địa lý. Ví dụ, các chiến dịch quảng bá nhà ở có thể tập trung mạnh hơn vào thị trường Mỹ. Đồng thời, phân bổ nguồn lực phù hợp hơn cho những khu vực có số lượng khách hàng tiềm năng cao. Việc phân nhóm khách hàng theo đặc điểm định tính cũng có thể hỗ trợ phân loại sản phẩm hiệu quả hơn.
5.4. Câu hỏi mở/Hướng nghiên cứu tiếp theo
Nếu có thêm thời gian và dữ liệu, có thể mở rộng phân tích bằng cách kết hợp với các biến định lượng như thu nhập, chi tiêu hàng tháng hoặc lịch sử mua hàng để hiểu sâu hơn về hành vi tiêu dùng. Ngoài ra, một câu hỏi quan trọng là liệu các đặc điểm nhân khẩu học có ảnh hưởng đến loại sản phẩm khách hàng mua hay không? Một hướng nghiên cứu khác là xem xét sự thay đổi hành vi tiêu dùng theo thời gian hoặc theo mùa để hỗ trợ dự báo nhu cầu hiệu quả hơn.