Motivations and Objectives

Dự án này được thực hiện nhằm xây dựng và phát triển một mô hình dự báo hành vi mua sắm của khách hàng dựa trên dữ liệu lịch sử về giao dịch. Bộ dữ liệu thô được cung cấp bao gồm các thông tin sau:

customer serial number (csn) là mã số của khách hàng.
transaction_info là thông tin cụ thể về giỏ hàng hóa đã mua của khách hàng trong đó: (1) article là mã hàng hóa, (2) salesquantity là số lượng mua, và (3) price là giá hàng.

Data Processing

Trước hết đọc dữ liệu thô và xem qua:

# Đọc dữ liệu: 
rm(list = ls())
library(tidyverse)
library(knitr)
df_tran <- read_csv("C:\\Users\\ADMIN\\Desktop\\VinIDRecruitChallenge\\VinIDRecruitChallenge_MLTrack_DataSet.csv")

# Xem qua một số giao dịch: 
df_tran %>% 
  slice(c(1, 8)) %>% 
  kable()

csn	date	transaction_info
Y2NgaWJoYw==	2018-03-02	[{‘article’: ‘10020163’, ‘salesquantity’: 2.0, ‘price’: 18250.0}]
Y2NgamRpZA==	2018-02-08	[{‘article’: ‘10225636’, ‘salesquantity’: 1.1420000000000001, ‘price’: 45900.18}, {‘article’: ‘10014829’, ‘salesquantity’: 1.0, ‘price’: 12000.0}, {‘article’: ‘10020649’, ‘salesquantity’: 1.0, ‘price’: 8200.0}, {‘article’: ‘10008535’, ‘salesquantity’: 1.0, ‘price’: 65400.0}, {‘article’: ‘10008553’, ‘salesquantity’: 1.0, ‘price’: 4000.0}, {‘article’: ‘10008611’, ‘salesquantity’: 2.0, ‘price’: 7000.0}, {‘article’: ‘10008895’, ‘salesquantity’: 1.0, ‘price’: 27700.0}, {‘article’: ‘10009067’, ‘salesquantity’: 1.0, ‘price’: 38000.0}, {‘article’: ‘10009156’, ‘salesquantity’: 1.0, ‘price’: 14500.0}, {‘article’: ‘10010004’, ‘salesquantity’: 1.0, ‘price’: 16000.0}, {‘article’: ‘10010264’, ‘salesquantity’: 3.0, ‘price’: 12333.33}, {‘article’: ‘10010266’, ‘salesquantity’: 1.0, ‘price’: 46400.0}, {‘article’: ‘10020822’, ‘salesquantity’: 2.0, ‘price’: 14900.0}, {‘article’: ‘10234347’, ‘salesquantity’: 1.0, ‘price’: 8500.0}, {‘article’: ‘10322779’, ‘salesquantity’: 1.0, ‘price’: 6700.0}, {‘article’: ‘10322780’, ‘salesquantity’: 1.0, ‘price’: 6700.0}]

Như vậy khách hàng có mã Y2NgaWJoYw== vào ngày 2018-03-02 chỉ mua một Item có mã là 10020163, số lượng mua là 2 và giá bán (cho một sản phẩm) là 18250. Với khách hàng có mã là Y2NgamRpZA== vào ngày 2018-02-08 thì người này mua nhiều hơn một sản phẩm và một một sản phẩm trong giỏ hàng được ngăn cách nhau bởi }, {. Đáng chú ý là với hàng hóa có mã 10225636 thì lượng mua là 1.1420000000000001.

Lượng mua là một số nguyên dương. Các chuỗi cửa hàng, nếu có bán nửa cân mực khô chẳng hạn, thì nó sẽ đóng thành gói và hệ thống lưu thông tin sẽ ghi nhận là “bán ra 1 gói mực”. Do vậy có thể suy luận rằng 1.1420000000000001 là một lỗi của hệ thống cơ sở dữ liệu.

Dựa trên những phân tích dữ liệu thô ở trên chúng ta viết hàm để extract ra các thông tin về một giao dịch như sau:

n <- nrow(df_tran) # Số lượng các giao dịch. 
tran_inf <- df_tran$transaction_info # Thông tin chung về giao dịch của khách hàng. 
tran_date <- df_tran$date # Thời điểm thực hiện giao dịch. 
cusID = df_tran$csn # Mã khách hàng. 

# Viết hàm Extract các thông tin về: (1) Mã hàng, (2) số lượng, và (3) giá: 

extract_transactionInfo <- function(k) {
  str_split(tran_inf[k], "\\}\\,", simplify = TRUE) %>% 
    str_split(":", simplify = TRUE) %>% 
    data.frame() %>% 
    select(-X1) %>% 
    mutate_all(function(x) {str_replace_all(x, "[^0-9]", "")}) %>% 
    mutate(StockCode = as.character(X2), Quantity = as.integer(X3) / 10, UnitPrice = as.numeric(X4) / 10) %>% 
    select(-contains("X")) %>% 
    mutate(InvoiceDate = tran_date[k], CustomerID = cusID[k]) %>% 
    select(CustomerID, InvoiceDate, everything()) %>% 
    return()
}

Hàm trên trả ra kết quả là một Data Frame. Ví dụ với giao dịch thứ 1 và thứ 8:

# Giao dịch thứ 1: 
extract_transactionInfo(1) %>% kable()

CustomerID	InvoiceDate	StockCode	Quantity	UnitPrice
Y2NgaWJoYw==	2018-03-02	10020163	2	18250

# Giao dịch thứ 8: 
extract_transactionInfo(8) %>% kable()

CustomerID	InvoiceDate	StockCode	Quantity	UnitPrice
Y2NgamRpZA==	2018-02-08	10225636	NA	459001.8
Y2NgamRpZA==	2018-02-08	10014829	1	12000.0
Y2NgamRpZA==	2018-02-08	10020649	1	8200.0
Y2NgamRpZA==	2018-02-08	10008535	1	65400.0
Y2NgamRpZA==	2018-02-08	10008553	1	4000.0
Y2NgamRpZA==	2018-02-08	10008611	2	7000.0
Y2NgamRpZA==	2018-02-08	10008895	1	27700.0
Y2NgamRpZA==	2018-02-08	10009067	1	38000.0
Y2NgamRpZA==	2018-02-08	10009156	1	14500.0
Y2NgamRpZA==	2018-02-08	10010004	1	16000.0
Y2NgamRpZA==	2018-02-08	10010264	3	123333.3
Y2NgamRpZA==	2018-02-08	10010266	1	46400.0
Y2NgamRpZA==	2018-02-08	10020822	2	14900.0
Y2NgamRpZA==	2018-02-08	10234347	1	8500.0
Y2NgamRpZA==	2018-02-08	10322779	1	6700.0
Y2NgamRpZA==	2018-02-08	10322780	1	6700.0

Giao dịch thứ 8 có Missing Data về lượng hàng mua cho mã 10225636 mà nguyên nhân bắt nguồn từ việc dữ liệu gốc ghi nhận số lượng của mã hàng này là 1.1420000000000001. Sử dụng hàm đã có để xử lí dữ liệu:

lapply(1:n, extract_transactionInfo) -> data_list
do.call("bind_rows", data_list) -> data_df
save(data_df, file = "data_df.RData") # Lưu lại dữ liệu.

Với các thông tin extract được chúng ta có thể xem qua:

load("C:\\Users\\ADMIN\\Desktop\\data_df.RData") # Load dữ liệu đã lưu. 
all_obj <- ls()
rm(list = all_obj[!str_detect(all_obj, "data_df")]) # Xóa các objects thừa. 

# Xem qua dữ liệu: 
data_df %>% 
  head() %>%
  kable()

CustomerID	InvoiceDate	StockCode	Quantity	UnitPrice
Y2NgaWJoYw==	2018-03-02	10020163	2	18250
Y2NgaWJoYw==	2018-03-04	10026562	3	13000
Y2NgaWJoYw==	2018-03-04	10320883	2	43000
Y2NgaWlpYA==	2018-02-27	10013531	1	17800
Y2NgaWlpYA==	2018-02-27	10015613	1	5600
Y2NgaWlpYA==	2018-02-27	10320578	1	5600

Đánh giá mức độ thiếu của dữ liệu:

# Hàm đánh giá dữ liệu trống: 
na_rate <- function(x) {100*sum(is.na(x)) / length(x)}

# Sử dụng hàm: 
data_df %>%
  summarise_all(na_rate) %>% 
  kable()

CustomerID	InvoiceDate	StockCode	Quantity	UnitPrice
0	0	0	8.975835	0

Có gần 9% dữ liệu là Missing ở cột biến Quantity. Như đã phân tích ở trên chúng ta có thể giả định rằng nguyên nhân đến từ việc nghi nhận không phù hợp của hệ thống cơ sở dữ liệu. Việc xử lí các dữ liệu trống này bằng các phương pháp thông thường (như thay thế bằng mean hay median) là không phù hợp. Nếu được cung cấp chi tiết hơn những thông tin về dữ liệu thô, về cách thức hệ thống ghi nhận cơ sở dữ liệu thì chúng ta có thể có cách xử lí Missing Data này phù hợp hơn.

Chúng ta cũng giả định rằng các Missing thuộc kiểu MAR (Missing at Random) và do vậy việc loại các Missing không ảnh hưởng đến việc xây dựng mô hình vì việc này là tương đương với việc mẫu quan sát được lấy ít hơn 9% so với ban đầu:

# Loại các Missing: 
data_df %>% filter(!is.na(Quantity)) -> my_df

# Tạo thêm một số biến số mà có thể sử dụng sau này: 

library(lubridate)

my_df %>% 
  rename(time_ymd = InvoiceDate) %>% 
  mutate(w_day = wday(time_ymd, label = TRUE, abbr = TRUE), 
         time_mon = month(time_ymd, label = TRUE, abbr = TRUE)) -> my_df

# Xem qua: 
my_df %>% 
  head() %>% 
  kable()

CustomerID	time_ymd	StockCode	Quantity	UnitPrice	w_day	time_mon
Y2NgaWJoYw==	2018-03-02	10020163	2	18250	Fri	Mar
Y2NgaWJoYw==	2018-03-04	10026562	3	13000	Sun	Mar
Y2NgaWJoYw==	2018-03-04	10320883	2	43000	Sun	Mar
Y2NgaWlpYA==	2018-02-27	10013531	1	17800	Tue	Feb
Y2NgaWlpYA==	2018-02-27	10015613	1	5600	Tue	Feb
Y2NgaWlpYA==	2018-02-27	10320578	1	5600	Tue	Feb

Dữ liệu được làm sạch ở trên giờ có thể được sử dụng cho phân tích và xây dựng mô hình dự báo hành vi mua sắm của khách hàng.

Exploratory Data Analysis

Bước phân tích khám phá dữ liệu này được thực hiện nhằm tìm kiếm một số insights có thể là quan trọng cho việc thiết kế - xây dựng mô hình dự báo hành vi của khách hàng sau này. Ví dụ chúng ta có thể thấy có một thời điểm đâu đó giữa Feb và Mar sản lượng bán ra tăng đột ngột. Đây có thể là kết quả của việc Rainbow Store thực hiện các chiến dịch khuyến mãi kích cầu mua sắm:

library(hrbrthemes)
theme_set(theme_modern_rc())

my_df %>% 
  group_by(time_ymd) %>% 
  summarise(sales = sum(Quantity)) %>% 
  ungroup() -> sales_byTime_hm

sales_byTime_hm %>% 
  mutate(sales = sales / 1000) %>% 
  ggplot(aes(time_ymd, sales)) + 
  geom_line() + 
  geom_point(color = "firebrick") + 
  scale_y_continuous(limits = c(0, 300)) + 
  labs(title = "Figure 1: Daily Quantity Sales (Thousands)", x = "Time", y = "Quantity")

Tương tự là doanh thu của Rainbow Store:

my_df %>% 
  mutate(money = Quantity*UnitPrice) -> my_df

my_df %>% 
  group_by(time_ymd) %>% 
  summarise(moneySales = sum(money)) %>% 
  ungroup() -> sales_byTime_money

sales_byTime_money %>% 
  mutate(moneySales = moneySales / 1000000000) %>% 
  ggplot(aes(time_ymd, moneySales)) + 
  geom_line() + 
  geom_point(color = "firebrick") + 
  labs(title = "Figure 2: Daily Monetary Sales (Billions)", x = "Time", y = "")

Sản lượng bán ra của Rainbow Store cao nhất ở Jun:

my_df %>% 
  group_by(time_mon) %>% 
  summarise_each(funs(sum), Quantity) %>% 
  mutate(Quantity = Quantity / 1000) %>% 
  ggplot(aes(time_mon, Quantity)) + 
  geom_col() + 
  theme(panel.grid.major.x = element_blank()) + 
  labs(title = "Figure 3: Quantity Sales in Thousands by Month", x = "Time", y = "Quanlity") + 
  scale_y_continuous(limits = c(0, 4000))

Tuy nhiên doanh thu thì có xu hướng giảm nhẹ qua các tháng ngoại trừ tháng May có doanh thu tăng lên:

my_df %>% 
  group_by(time_mon) %>% 
  summarise_each(funs(sum), money) %>% 
  mutate(money = money / 1000000000) %>% 
  ggplot(aes(time_mon, money)) + 
  geom_col() + 
  theme(panel.grid.major.x = element_blank()) + 
  labs(title = "Figure 4: Monetary Sales in Billions by Month", x = "Time", y = "")

Chúng ta cũng có thể thấy rằng doanh thu đến từ các Item có phân bố không đều: có một số mặt hàng mang lại doanh chu rất cao cho Rainbow Store:

my_df %>% 
  group_by(StockCode) %>% 
  summarise(sales = sum(money)) %>% 
  ungroup() %>% 
  arrange(-sales) %>% 
  mutate(StockCode = factor(StockCode, levels = StockCode)) %>% 
  mutate(total = sum(sales)) %>% 
  mutate(money_percent = sales / total) %>% 
  mutate(cum_money = cumsum(money_percent)) -> moneySales_Item



moneySales_Item %>% 
  mutate(sales = sales / 1000000000) %>% 
  ggplot(aes(StockCode, sales)) + 
  geom_col() + 
  theme(panel.grid.major.x = element_blank()) + 
  theme(axis.text.x = element_blank()) + 
  labs(title = "Figure 5: Money Sales by Product (Billions)", x = "", y = "")

Chúng ta có thể list ra danh sách các mặt hàng mà mang lại 80% doanh thu cho Rainbow Store:

moneySales_Item %>% 
  filter(cum_money <= 0.8) -> top80_sales

top80_items <- top80_sales %>% nrow()
top80_items / nrow(moneySales_Item)

## [1] 0.00843729

moneySales_Item %>% 
  select(-total) %>% 
  filter(StockCode %in% top80_sales$StockCode) %>% 
  mutate(ID = 1:top80_items) %>% 
  kable()

StockCode	sales	money_percent	cum_money	ID
10053361	456429446194	0.0652207	0.0652207	1
10069664	205408427811	0.0293515	0.0945721	2
10053663	205385103453	0.0293481	0.1239203	3
10053664	171035994195	0.0244399	0.1483602	4
10054850	169014480527	0.0241510	0.1725112	5
10054908	160322716792	0.0229090	0.1954202	6
10053716	127189715878	0.0181745	0.2135947	7
10054786	121005187343	0.0172908	0.2308856	8
10071533	115900281750	0.0165614	0.2474469	9
10053662	113814602744	0.0162633	0.2637103	10
10053676	103754862514	0.0148259	0.2785361	11
10053675	91333175078	0.0130509	0.2915870	12
10056225	86556505303	0.0123683	0.3039553	13
10055071	75922618487	0.0108488	0.3148042	14
10225636	75731762010	0.0108216	0.3256257	15
10086797	75372024326	0.0107701	0.3363959	16
10060637	70981630306	0.0101428	0.3465387	17
10053322	60778901472	0.0086849	0.3552236	18
10053749	58415519916	0.0083472	0.3635707	19
10053725	54927315183	0.0078487	0.3714195	20
10214403	53473614068	0.0076410	0.3790605	21
10054606	53233512314	0.0076067	0.3866672	22
10054870	53034097530	0.0075782	0.3942454	23
10053722	51666524058	0.0073828	0.4016282	24
10315134	49791909717	0.0071149	0.4087431	25
10053679	48567479158	0.0069400	0.4156831	26
10053660	48167635063	0.0068828	0.4225659	27
10053750	45031083030	0.0064346	0.4290006	28
10054905	44812042983	0.0064033	0.4354039	29
10053818	43440477674	0.0062073	0.4416113	30
10053440	42888239004	0.0061284	0.4477397	31
10053791	42561702119	0.0060818	0.4538215	32
10054858	40212396987	0.0057461	0.4595675	33
10236531	39472051754	0.0056403	0.4652078	34
10053687	38454572733	0.0054949	0.4707027	35
10054968	38366512033	0.0054823	0.4761850	36
10309060	37245336644	0.0053221	0.4815071	37
10053654	35899158023	0.0051297	0.4866369	38
10071527	35310428757	0.0050456	0.4916825	39
10236565	35238100724	0.0050353	0.4967178	40
10053669	34929598436	0.0049912	0.5017090	41
10053774	33872599335	0.0048402	0.5065492	42
10053645	33818836965	0.0048325	0.5113816	43
10053673	33762682646	0.0048245	0.5162061	44
10054928	33504466921	0.0047876	0.5209937	45
10053666	33094988950	0.0047290	0.5257227	46
10053674	33058858137	0.0047239	0.5304466	47
10053727	32799955580	0.0046869	0.5351335	48
10054848	32602625324	0.0046587	0.5397922	49
10231115	32329051607	0.0046196	0.5444118	50
10054624	31325548780	0.0044762	0.5488880	51
10053672	29554609249	0.0042232	0.5531111	52
10053362	29389927798	0.0041996	0.5573108	53
10071650	29387541738	0.0041993	0.5615100	54
10071517	27934205907	0.0039916	0.5655017	55
10071744	27735310899	0.0039632	0.5694648	56
10071540	27638460863	0.0039493	0.5734142	57
10053661	27584568037	0.0039416	0.5773558	58
10054789	25801155583	0.0036868	0.5810427	59
10054693	25763123172	0.0036814	0.5847240	60
10054881	25539209303	0.0036494	0.5883734	61
10054819	24962582033	0.0035670	0.5919404	62
10053352	24910574121	0.0035596	0.5954999	63
10307816	24465327451	0.0034959	0.5989959	64
10054625	23908682903	0.0034164	0.6024123	65
10055065	23381002657	0.0033410	0.6057532	66
10054793	23056925646	0.0032947	0.6090479	67
10055064	22792608200	0.0032569	0.6123048	68
10054871	22726467185	0.0032475	0.6155523	69
10308124	22013371013	0.0031456	0.6186978	70
10316269	21843804960	0.0031213	0.6218192	71
10054842	21741004839	0.0031066	0.6249258	72
10053740	21411330932	0.0030595	0.6279854	73
10053695	21209627842	0.0030307	0.6310161	74
10054708	21156634542	0.0030231	0.6340392	75
10060672	20914890578	0.0029886	0.6370278	76
10054892	20608601274	0.0029448	0.6399726	77
10237550	20512493474	0.0029311	0.6429037	78
10071516	20454613484	0.0029228	0.6458266	79
10053360	20358839329	0.0029091	0.6487357	80
10053769	20093110419	0.0028712	0.6516069	81
10054816	19908528619	0.0028448	0.6544517	82
10054697	19489637197	0.0027849	0.6572366	83
10054854	19413304450	0.0027740	0.6600106	84
10053820	19383359398	0.0027698	0.6627804	85
10316132	18586743031	0.0026559	0.6654363	86
10053779	18536200367	0.0026487	0.6680850	87
10054806	18262788249	0.0026096	0.6706946	88
10053686	18059175147	0.0025805	0.6732751	89
10054783	17473368085	0.0024968	0.6757720	90
10229621	17373627212	0.0024826	0.6782545	91
10071487	17308563037	0.0024733	0.6807278	92
10053377	16794599550	0.0023998	0.6831277	93
10056226	16773813161	0.0023969	0.6855245	94
10405705	16585495873	0.0023700	0.6878945	95
10404849	16450680138	0.0023507	0.6902452	96
10237432	15976029914	0.0022829	0.6925280	97
10053808	15640213722	0.0022349	0.6947629	98
10053325	15577383047	0.0022259	0.6969888	99
10053324	15317538489	0.0021888	0.6991776	100
10404850	15288687737	0.0021846	0.7013622	101
10071541	15277586199	0.0021831	0.7035453	102
10307829	15041879313	0.0021494	0.7056947	103
10085558	14796156915	0.0021143	0.7078090	104
10053308	14764309645	0.0021097	0.7099187	105
10054846	14692924528	0.0020995	0.7120182	106
10404878	14634134375	0.0020911	0.7141093	107
10054912	14619633243	0.0020890	0.7161984	108
10053942	14334870386	0.0020484	0.7182467	109
10053368	14299338336	0.0020433	0.7202900	110
10403736	14057404846	0.0020087	0.7222987	111
10237429	13576721190	0.0019400	0.7242387	112
10054700	13511655588	0.0019307	0.7261694	113
10054788	12865270351	0.0018384	0.7280078	114
10308125	12565635314	0.0017955	0.7298033	115
10053736	12521273631	0.0017892	0.7315926	116
10054830	12403602373	0.0017724	0.7333649	117
10083059	12296104218	0.0017570	0.7351220	118
10053954	12290995037	0.0017563	0.7368783	119
10053704	12026371030	0.0017185	0.7385968	120
10053374	11962966462	0.0017094	0.7403062	121
10054992	11946260885	0.0017070	0.7420132	122
10053670	11735120035	0.0016769	0.7436901	123
10308204	11643806709	0.0016638	0.7453539	124
10053307	11616420019	0.0016599	0.7470138	125
10053718	11559786791	0.0016518	0.7486656	126
10054729	11477426572	0.0016400	0.7503057	127
10054629	11415859242	0.0016312	0.7519369	128
10053642	11155605979	0.0015941	0.7535310	129
10054773	11124836657	0.0015897	0.7551207	130
10060630	11094463720	0.0015853	0.7567060	131
10316105	10945774400	0.0015641	0.7582701	132
10054807	10636599682	0.0015199	0.7597900	133
10054669	10572550361	0.0015107	0.7613007	134
10053461	10413181860	0.0014880	0.7627887	135
10053409	10331265495	0.0014763	0.7642649	136
10054695	10311556876	0.0014735	0.7657384	137
10053549	10307089575	0.0014728	0.7672112	138
10053351	10201644874	0.0014577	0.7686689	139
10053667	9932125807	0.0014192	0.7700882	140
10054667	9799785996	0.0014003	0.7714885	141
10053724	9743546846	0.0013923	0.7728808	142
10308269	9740962357	0.0013919	0.7742727	143
10231118	9688134566	0.0013844	0.7756571	144
10053950	9683930933	0.0013838	0.7770408	145
10308228	9570067804	0.0013675	0.7784083	146
10053685	9331376827	0.0013334	0.7797417	147
10053476	9288517330	0.0013273	0.7810690	148
10402904	9272117776	0.0013249	0.7823939	149
10054977	9201937245	0.0013149	0.7837088	150
10308235	9169815293	0.0013103	0.7850191	151
10054698	9117734907	0.0013029	0.7863220	152
10054838	8931201807	0.0012762	0.7875982	153
10307820	8906175536	0.0012726	0.7888708	154
10307827	8898140436	0.0012715	0.7901423	155
10054817	8834638382	0.0012624	0.7914047	156
10054835	8731081666	0.0012476	0.7926523	157
10054859	8606838398	0.0012299	0.7938822	158
10053331	8569222248	0.0012245	0.7951067	159
10404061	8506058868	0.0012155	0.7963221	160
10054344	8464015802	0.0012095	0.7975316	161
10071512	8454481011	0.0012081	0.7987397	162
10407045	8394225783	0.0011995	0.7999391	163

Như vậy 163 Items chủ lực này mang lại 80% doanh thu nên Rainbow Store nên tập trung công tác hậu cần - kho bãi - dự trữ (Logistic) cho nhóm hàng hóa này. Ví dụ, riêng mã hàng 10053361 đã tạo ra 6.52% doanh thu cho cửa hàng.

Approach to Modelling

Người thực hiện dự án này đề xuất sử dụng các Features có tên là R, F và M (có thể gọi là biến đầu vào Inputs) mô tả hành vi tiêu dùng của khách hàng với các định nghĩa như sau:

R (Recency) là khoảng thời gian gần đây nhất mà khách hàng mua hàng hoặc sử dụng dịch vụ (hoặc mua hàng).
F (Frequency) là tần suất mua hàng/sử dụng dịch vụ.
M (Monetary) là số tiền mà khách hàng mua hàng hóa/dịch vụ.

F và M là những inputs được tính trong một khoảng thời gian khảo sát nhất định (1 năm, một tháng, hoặc 1 quý hoặc là 5 tháng như tình huống của Project này). Riêng R thì phụ thuộc vào mốc thời gian lựa chọn của người làm mô hình và không ảnh hưởng đến kết quả của mô hình. Dưới đây là R codes cho tính toán R, F và M đồng thời tạo ra một cột biến mới có tên BuyNextMonth với mô tả cụ thể như sau: nếu một mã khách hàng, ví dụ, có thực hiện mua hàng trong 2 tháng Feb + Mar và cũng có thực hiện giao dịch trong tháng kế tiếp là Apr thì khách hàng này sẽ được ghi nhận là Yes ở cột biến BuyNextMonth và nếu khách hàng này không có bất kì giao dịch nào ở tháng Apr thì được nghi nhận là No.

#=====================================================
#   Extract các Features (RFM Inputs) và Split Data
#=====================================================

# Hàm thực hiện extract ra các inputs RFM: 

procesing_RFMdata <- function(month_training, month_lookback) {
  
  # Data sử dụng để huấn luyện mô hình: 
  train_df <- my_df %>% 
    filter(time_mon %in% month_training)
  
  # Data dùng để kiểm tra khách hàng sẽ mua ở tháng kế tiếp hay không: 
  lookback_df <- my_df %>% 
    filter(time_mon == month_lookback)
  
  # Các khách hàng trong 2 tháng liên tiếp: 
  customer_2months <- train_df$CustomerID %>% unique()
  
  # Các khách hàng có mặt ở tháng kế tiếp: 
  customer_next_month <- lookback_df$CustomerID %>% unique()
  
  # Tính M: 
  train_df %>% 
    group_by(CustomerID) %>% 
    summarise(money = sum(money)) %>% 
    ungroup() -> df_train_m
  
  # Tính F: 
  train_df %>% 
    group_by(CustomerID) %>% 
    count() %>% 
    ungroup() %>% 
    rename(freq = n) -> df_train_f
  
  # Tính R: 
  
  now_time <- max(train_df$time_ymd)
  y <- as.numeric(now_time - train_df$time_ymd)
  
  train_df %>% 
    mutate(recency = y) %>% 
    group_by(CustomerID) %>% 
    summarise(recency = min(recency)) %>% 
    ungroup() -> df_train_r
  
  # Join RFM: 
  df_modelling <- df_train_f %>% 
    full_join(df_train_m, by = "CustomerID") %>% 
    full_join(df_train_r, by = "CustomerID") %>% 
    mutate(BuyNextMonth = case_when(CustomerID %in% customer_next_month ~ "Yes", TRUE ~ "No")) %>% 
    mutate(BuyNextMonth = as.factor(BuyNextMonth))
  
  return(df_modelling )
  
  }

Chúng ta sử dụng RFM extract ra từ hai tháng Feb và Mar là Inputs:

# Sử dụng hàm để extract ra RFM: 
month_training23 <- c("Feb", "Mar")
procesing_RFMdata(month_training = month_training23, month_lookback = c("Apr")) -> df_modelling

# Xem qua dữ liệu: 
df_modelling %>% 
  head() %>% 
  kable()

CustomerID	freq	money	recency	BuyNextMonth
aGdgaGRm	21	14427449	20	No
aGdgbmdq	9	44511900	51	Yes
aGdgbWNm	6	99979199	46	Yes
aGdgcGNs	96	942962495	0	Yes
aGdgcGRp	59	352569255	33	Yes
aGdhb2Jn	2	244802756	1	No

Chúng ta có thể sử dụng nhiều mô hình phân loại để dự báo hành hành vi của khách hàng kể cả cách tiếp cận của thống kê truyền thống là Logistic cho đến các cách tiếp cận hiện đại hơn của Machine Learning. Để lựa chọn một mô hình có chất lượng dự báo tốt nhất mà predicts which customers make at least 1 purchase in a given month thì hướng tiếp cận đề xuất như sau:

Huấn luyện 15 mô hình phân loại trên cùng 15 mẫu validation data rồi tính toán trung bình Sensitivity tương ứng.
Sensitivity (hay còn gọi là Recall) được lựa chọn làm tiêu chí đánh giá và lựa chọn mô hình vì tiêu chí này cho biến tỉ lệ dự báo đúng những khách hàng sẽ mua hàng trong tháng tới. Chi tiết và giải thích chi tiết về tiêu chí này được trình bày ở đây và ở đây.
Mô hình nào có Sensitivity sẽ được lựa chọn cho dự báo hành vi tiêu dùng của khách hàng tháng kế tiếp.

Bước này đóng vai trò là thăm dò - tìm kiếm sơ bộ mô hình tốt nhất có thể. Dưới đây là R codes cho việc huấn luyện và so sánh chất lượng dự báo của mô hình dựa trên Sensitivity:

# Scaling 0-1 cho dữ liệu: 
df_forML <- df_modelling %>% 
  select(- CustomerID) %>% 
  mutate_if(is.numeric, function(x) {(x - min(x)) / (max(x) - min(x))})

# Chia dữ liệu theo tỉ lệ 80 - 20:

library(caret)
set.seed(1)
id <- createDataPartition(df_forML$BuyNextMonth, p = 0.8, list = FALSE)
df_train <- df_forML[id, ]
df_test <- df_forML[-id, ]

# Thiết lập các điều kiện tinh chỉnh và so sánh: 

set.seed(1)
number <- 5
repeats <- 3

control <- trainControl(method = "repeatedcv", 
                        number = number , 
                        repeats = repeats, 
                        classProbs = TRUE, 
                        savePredictions = "final", 
                        index = createResample(df_forML$BuyNextMonth, repeats*number), 
                        summaryFunction = twoClassSummary, 
                        allowParallel = TRUE)

# Sử dụng tính toán song song nhằm tiết kiệm thời gian training: 
library(doParallel)
registerDoParallel(cores = detectCores() - 1)

# 15 models được lựa chọn: 

my_models <- c("adaboost", "xgbTree", "svmRadial", 
               "knn",  "gbm", "C5.0", "ranger",
               "rf", "nnet", "glm", "lda", "treebag", 
               "bagFDA", "glmboost", "cforest")

# Huấn luyện mô hình: 

library(caretEnsemble)
set.seed(1)
system.time(model_list1 <- caretList(BuyNextMonth ~., 
                                     data = df_forML,
                                     trControl = control,
                                     metric = "ROC", 
                                     methodList = my_models))

## Iter   TrainDeviance   ValidDeviance   StepSize   Improve
##      1        1.3482             nan     0.1000    0.0190
##      2        1.3161             nan     0.1000    0.0157
##      3        1.2844             nan     0.1000    0.0159
##      4        1.2559             nan     0.1000    0.0135
##      5        1.2352             nan     0.1000    0.0103
##      6        1.2164             nan     0.1000    0.0092
##      7        1.2014             nan     0.1000    0.0077
##      8        1.1869             nan     0.1000    0.0070
##      9        1.1754             nan     0.1000    0.0054
##     10        1.1640             nan     0.1000    0.0058
##     20        1.1036             nan     0.1000    0.0017
##     40        1.0735             nan     0.1000    0.0002
##     50        1.0704             nan     0.1000    0.0001
## 
## note: only 2 unique complexity parameters in default grid. Truncating the grid to 2 .
## 
## note: only 2 unique complexity parameters in default grid. Truncating the grid to 2 .
## 
## # weights:  26
## initial  value 9433.194597 
## iter  10 value 7597.875242
## iter  20 value 7203.250534
## iter  30 value 7111.234719
## iter  40 value 7108.289764
## iter  50 value 7106.505261
## iter  60 value 7106.263299
## iter  70 value 7105.117909
## iter  80 value 7103.227087
## iter  90 value 7102.075021
## iter 100 value 7101.667148
## final  value 7101.667148 
## stopped after 100 iterations
## note: only 2 unique complexity parameters in default grid. Truncating the grid to 2 .

##    user  system elapsed 
##  254.92    7.66 2558.61

# Khai thác các kết quả của việc huấn luyện 15 mô hình: 
list_of_results <- lapply(my_models, function(x) {model_list1[[x]]$resample})

# Chuyển hóa về data frame: 

total_df <- do.call("bind_rows", list_of_results)
total_df %>% mutate(Model = lapply(my_models, function(x) {rep(x, number*repeats)}) %>% unlist()) -> total_df

# Tính trung bình của Sensitivity, AUC, và Specificity: 
total_df %>% 
  dplyr::select(-Resample) %>% 
  group_by(Model) %>% 
  summarise(avg_auc = mean(ROC), avg_sen = mean(Sens), avg_spec = mean(Spec)) %>% 
  ungroup() -> df_results


# Hàm hình ảnh hóa chất lượng phân loại của các mô hình: 


my_bar <- function(metric_name) {
  
  metric_name <- noquote(metric_name)
  my_colors <- c("#3E606F")
  
  df_results %>% 
    dplyr::select(Model, metric_name) -> df
  
  names(df) <- c("Model", "value")
  
  df %>% 
    arrange(value) %>%
    mutate(Model = factor(Model, levels = Model)) %>%
    mutate(label = paste0(round(100*value, 1), "%")) -> m
  
  m %>% 
    ggplot(aes(Model, value)) +
    geom_col(fill = my_colors, color = my_colors) +
    coord_flip() +
    geom_text(data = m, aes(label = label), hjust = 1.1, color = "white", size = 4) + 
    theme_ft_rc() + 
    theme(panel.grid = element_blank()) + 
    theme(axis.text.x = element_blank()) + 
    theme(axis.text.y = element_text(color = "white", size = 12)) + 
    scale_y_discrete(expand = c(0.01, 0)) + 
    labs(x = NULL, y = NULL)
}

# Chất lượng phân loại của các mô hình theo chiều giảm dần của các chỉ số: 
gridExtra::grid.arrange(my_bar("avg_auc") + labs(title = "AUC/ROC"), 
                        my_bar("avg_sen") + labs(title = "Sensitivity"), 
                        my_bar("avg_spec") + labs(title = "Specificity"), 
                        nrow = 1, padding = unit(99, "line"))

Kết quả trên chỉ ra rằng Neural Network (nnet) là mô hình ML có Sensitivity lớn nhất: trung bình là 81.6%. Tuy nhiên nếu lưu ý thêm tiêu chuẩn diện tích nằm dưới đường cong ROC thì GBM (Gradient Boosting Machines) lại là mô hình toàn diện hơn cả.

Do vậy mô hình kiến nghị được lựa chọn để dự báo một khách hàng “có mua ít nhất một item trong tháng tới hay không?” sẽ là GBM. Dưới đây là R codes huấn luyện GBM trên train data rồi đánh giá lại chất lượng dự báo của mô hình trên test data:

# Thiết lập các điều kiện tinh chỉnh: 
set.seed(1)
control_ml <- trainControl(method = "repeatedcv", 
                           number = number , 
                           repeats = repeats, 
                           classProbs = TRUE, 
                           summaryFunction = twoClassSummary, 
                           allowParallel = TRUE)

# Huấn luyện GBM: 
set.seed(29)
gbm_default <- train(BuyNextMonth ~., 
                     method = "gbm",
                     data = df_train,
                     trControl = control_ml,
                     metric = "ROC")

## Iter   TrainDeviance   ValidDeviance   StepSize   Improve
##      1        1.3391             nan     0.1000    0.0232
##      2        1.3013             nan     0.1000    0.0189
##      3        1.2705             nan     0.1000    0.0154
##      4        1.2424             nan     0.1000    0.0133
##      5        1.2201             nan     0.1000    0.0111
##      6        1.2010             nan     0.1000    0.0094
##      7        1.1826             nan     0.1000    0.0088
##      8        1.1678             nan     0.1000    0.0075
##      9        1.1545             nan     0.1000    0.0065
##     10        1.1426             nan     0.1000    0.0055
##     20        1.0835             nan     0.1000    0.0012
##     40        1.0583             nan     0.1000   -0.0001
##     50        1.0549             nan     0.1000   -0.0001

# Chất lượng dự báo của GBM: 
pred <- predict(gbm_default, df_test)
actual <- df_test$BuyNextMonth
confusionMatrix(pred, actual, positive = "Yes")

## Confusion Matrix and Statistics
## 
##           Reference
## Prediction   No  Yes
##        No  1085  477
##        Yes  256  833
##                                          
##                Accuracy : 0.7235         
##                  95% CI : (0.706, 0.7405)
##     No Information Rate : 0.5058         
##     P-Value [Acc > NIR] : < 2.2e-16      
##                                          
##                   Kappa : 0.4458         
##                                          
##  Mcnemar's Test P-Value : 4.441e-16      
##                                          
##             Sensitivity : 0.6359         
##             Specificity : 0.8091         
##          Pos Pred Value : 0.7649         
##          Neg Pred Value : 0.6946         
##              Prevalence : 0.4942         
##          Detection Rate : 0.3142         
##    Detection Prevalence : 0.4108         
##       Balanced Accuracy : 0.7225         
##                                          
##        'Positive' Class : Yes            
##

Thực tế có 1310 khách mua hàng trong tháng Apr và GBM dự báo đúng sẽ có 833 người (trong tổng số 1310) sẽ mua hàng. Nói cách khác Sensitivity là 63.59% (bằng 833 / (833 + 477)) như ta có thể thấy ở ma trận nhầm lẫn. Chỉ số đánh giá chất lượng khác của mô hình chúng ta quan tâm có thể là Accuracy = 72.23%.

Chúng ta cũng có thể minh họa ROC và tính diện tích nằm dưới đường cong AUC:

# Hàm tính AUC/ROC: 

auc_for_test <- function(pd_selected) {
  return(pROC::roc(actual, pd_selected))
}


# Hàm hình ảnh hóa AUC/ROC curve:
my_ROC_curve <- function(auc_object) {
  
  sen_spec_df <- data_frame(TPR = auc_object$sensitivities, 
                            FPR = 1 - auc_object$specificities)
  
  sen_spec_df %>% 
    ggplot(aes(x = FPR, ymin = 0, ymax = TPR))+
    geom_polygon(aes(y = TPR), fill = "red", alpha = 0.3)+
    geom_path(aes(y = TPR), col = "firebrick", size = 1.2) +
    geom_abline(intercept = 0, slope = 1, color = "gray37", size = 1, linetype = "dashed") +
    scale_y_continuous(labels = scales::percent) + 
    scale_x_continuous(labels = scales::percent) + 
    theme_bw() +
    coord_equal() %>% 
    return()
}


# Xác suất dự báo cho sự kiện "khách hàng sẽ mua hàng trong tháng kế tiếp": 

pd_pred <- predict(gbm_default, df_test, type = "prob") %>% pull(Yes) 
my_auc <- auc_for_test(pd_pred)

# Sử dụng hàm: 
my_auc %>% 
  my_ROC_curve() + 
  labs(x = "FPR (1 - Specificity)", 
       y = "TPR (Sensitivity)", 
       title = "Figure 3: Model Performance Based on Test Data", 
       subtitle = paste0("AUC Value for GBM Model: ", my_auc$auc %>% round(3)))

Trong hầu hết các ứng dụng thì ROC/AUC trên 65% là mô hình có thể sử dụng được. Trong tình huống của chúng ta thì GBM có ROC/AUC = 77.60% trên test data cũng là một kết quả khá cao.

Discussion Problem

Dưới đây là một số vấn đề chưa được giải quyết:

Thứ nhất, những kết quả mà chúng ta thu được từ việc sử dụng mô hình GBM trên test data thì đó mới chỉ là GBM mặc định chưa tinh chỉnh tham số. Bằng việc tinh chỉnh tham số tối ưu cho GBM chúng ta có thể đạt kết quả chính xác hơn khi dự báo có hay không một khách hàng sẽ mua hàng trong tháng kế tiếp. Tuy nhiên trong giới hạn thời gian 8h thì việc tinh chỉnh GBM là việc không khả thì vì thời gian training có thể rất lớn và đòi hỏi cấu hình phần cứng máy tính tương đối cao. Giải pháp khác là lựa chọn dịch vụ tính toán đám mây của Amazon. Riêng việc huấn luyện 15 mô hình ở trên cũng đã mất gần 2h.
Thứ hai, Assignment này không đưa ra một mục tiêu cụ thể nào cho việc xây dựng mô hình. Các mô hình ML có thể được tinh chỉnh (và lựa chọn) theo một tiêu chí nào đó như Accuracy, Recall hay ROC/AUC nhưng Assignment này thì không nêu rõ cụ thể. Do vậy, người xây dựng mô hình này tự đặt ra mục tiêu của việc xây dựng mô hình, ví dụ, là phải cover được ít nhất 70% khách hàng sẽ mua hàng trong tháng tới. Hiện tại GBM mặc định mới chỉ cover được 63.59% khách hàng sẽ mua hàng trong tháng tới. Mục tiêu này có thể đạt được bằng một trong hai cách: (1) tinh chỉnh/tìm kiếm tham số tối ưu cho GBM, hơạc (2) thay đổi ngưỡng xác suất khi phân loại vì ma trận nhầm lẫn mặc định sử dụng ngưỡng 0.5 cho phân loại. Vấn đề này đã được trình bày và giải quyết ở mục 3.3.
Việc tinh chỉnh các mô hình ML có thể rất mất thời gian. Chiến lược tinh chỉnh kiểu Grid Search sẽ liệt kê ra tất cả các sự kết hợp có thể có của các tham số rồi tìm kiếm một sự kết hợp cụ thể nào đó của tham số sao cho lượng phân loại của mô hình là cao nhất. Như vậy nếu chúng ta lựa chọn chỉ 5 tham số (con số này vẫn còn ít so với các tham số có thể tinh chỉnh) và mỗi một tham số chọn 10 ứng viên và sử dụng 5 folds cho Cross-Validation thì tổng số các mô hình mà máy tính sẽ phải chạy là 5×10^5 = 500.000 mô hình (nếu lựa chọn refit = False). Để cắt giảm thời gian huấn luyện chúng ta có thể thực hiện tinh chỉnh tham số theo kiểu hên - xui bằng cách chỉ chọn ngẫu nhiên, chẳng hạn, 50000 (tức là 10% của 500.000) sự kết hợp khác nhau của tham số để tinh chỉnh mô hình. Cách thức tinh chỉnh hên xui này gọi là Random Search. Chiến lược tinh chỉnh này là chúng ta có thể cắt giảm đáng kể thời gian tinh chỉnh với các giá phải trả là chúng ta có thể “bỏ sót” tham số tốt nhất của mô hình ML. Tuy vậy trong một số tình huống thì tinh chỉnh theo Random Seach có thể vẫn là không hiệu quả và chúng ta cần một chiến lược tinh chỉnh hiệu quả hơn là Bayesian Optimization có thể được thực hiện trên cả R lẫn Python. Nếu sử dụng Python thì Bayesian Optimization có thể được thực hiện như sau.
Về mặt kĩ thuật, có thể sử dụng thư viện h2o để huấn luyện và tinh chỉnh GBM. Việc sử dụng h2o cho huấn luyện và tinh chỉnh GBM (cũng như các mô hình ML nói chung) có một vài ưu thế: (1) chạy trên cả R và Python với cú pháp tương tự nhau, (2) được viết với lõi là ngôn ngữ Java nên triển khai ứng dụng ở dạng web service là rất tiện lợi, (3) thời gian training mô hình tương đối nhanh.

Tất cả những vấn đề này cần thời gian (cũng như phần cứng máy tính tương đối mạnh) và không thể giải quyết được trong khoảng thời gian là 8h.

Applications in Bussines Context

Giả sử mục tiêu được hạ xuống là mô hình cover được ít nhất 60% khách hàng sẽ mua hàng trong tháng tới (tức là tháng Apr) thì GBM mặc định của chúng ta thỏa mãn. Nếu vậy chúng ta sẽ gửi promotional e-mails cho 833 khách hàng có danh sách dưới đây (chỉ liệt kê 6 khách hàng đầu):

df_modelling[-id, ] %>% 
  mutate(BuyNextMonth_Predicted = actual) %>% 
  filter(BuyNextMonth_Predicted == "Yes") %>% 
  select(CustomerID, BuyNextMonth_Predicted) %>% 
  head() %>% 
  kable()

CustomerID	BuyNextMonth_Predicted
aGdobmNl	Yes
aGdobmZj	Yes
aGhkaWo=	Yes
aGhkcWpo	Yes
aGhpa2dk	Yes
aGNgaGNl	Yes

Còn nếu chúng ta muốn dự báo những khách hàng nào sẽ mua hàng trong tháng 5 (May) dựa trên dữ liệu giao dịch của hai tháng trước đó là Mar và Apr thì trước hết chúng ta training mô hình GBM (mặc định) trên dữ liệu của hai tháng Mar + Apr:

month_training34 <- c("Mar", "Apr")
procesing_RFMdata(month_training = month_training23, month_lookback = c("May")) -> df_modelling

df_forML <- df_modelling %>% 
  select(- CustomerID) %>% 
  mutate_if(is.numeric, function(x) {(x - min(x)) / (max(x) - min(x))})

set.seed(1)
id <- createDataPartition(df_forML$BuyNextMonth, p = 0.8, list = FALSE)
df_train <- df_forML[id, ]
df_test <- df_forML[-id, ]

set.seed(29)
gbm_default <- train(BuyNextMonth ~., 
                     method = "gbm",
                     data = df_train,
                     trControl = control_ml,
                     metric = "ROC")

## Iter   TrainDeviance   ValidDeviance   StepSize   Improve
##      1        1.3408             nan     0.1000    0.0201
##      2        1.3068             nan     0.1000    0.0171
##      3        1.2785             nan     0.1000    0.0141
##      4        1.2534             nan     0.1000    0.0118
##      5        1.2326             nan     0.1000    0.0100
##      6        1.2136             nan     0.1000    0.0093
##      7        1.1982             nan     0.1000    0.0076
##      8        1.1842             nan     0.1000    0.0064
##      9        1.1712             nan     0.1000    0.0062
##     10        1.1614             nan     0.1000    0.0044
##     20        1.1075             nan     0.1000    0.0008
##     40        1.0860             nan     0.1000   -0.0001
##     50        1.0824             nan     0.1000   -0.0001

Chất lượng dự báo của mô hình thể hiện qua ma trận nhầm lẫn:

# Chất lượng dự báo của GBM: 
pred <- predict(gbm_default, df_test)
actual <- df_test$BuyNextMonth
confusionMatrix(pred, actual, positive = "Yes")

## Confusion Matrix and Statistics
## 
##           Reference
## Prediction   No  Yes
##        No  1167  469
##        Yes  235  780
##                                           
##                Accuracy : 0.7344          
##                  95% CI : (0.7172, 0.7512)
##     No Information Rate : 0.5289          
##     P-Value [Acc > NIR] : < 2.2e-16       
##                                           
##                   Kappa : 0.4616          
##                                           
##  Mcnemar's Test P-Value : < 2.2e-16       
##                                           
##             Sensitivity : 0.6245          
##             Specificity : 0.8324          
##          Pos Pred Value : 0.7685          
##          Neg Pred Value : 0.7133          
##              Prevalence : 0.4711          
##          Detection Rate : 0.2942          
##    Detection Prevalence : 0.3829          
##       Balanced Accuracy : 0.7284          
##                                           
##        'Positive' Class : Yes             
##

GBM lúc này sẽ cover đúng 62.45% khách hàng sẽ mua hàng vào tháng May kế tiếp và dưới đây là danh sách 780 khách hàng đó:

df_modelling[-id, ] %>% 
  mutate(BuyNextMonth_Predicted = actual) %>% 
  filter(BuyNextMonth_Predicted == "Yes") %>% 
  select(CustomerID, BuyNextMonth_Predicted) %>% 
  head() %>% 
  kable()

CustomerID	BuyNextMonth_Predicted
aGdobmZj	Yes
aGdpbmFp	Yes
aGhna2Rk	Yes
aGhoaWlp	Yes
aGlga2k=	Yes
aGNhaWVm	Yes

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

Predict Customer Purchase

Mini Project for VinID’s Recruitment