Ứng dụng mô hình Hybrid trong dự báo CLV và hoạch định chiến lược quản trị khách hàng tại chuỗi bán lẻ XYZ, Nhật Bản

Abstract

Doanh nghiệp bán lẻ XYZ tại Nhật Bản vận hành hơn 150 cửa hàng với cơ sở dữ liệu CRM khoảng 465.000 thành viên hoạt động, nhưng chưa có công cụ định lượng để dự báo giá trị vòng đời khách hàng (CLV). Tập dữ liệu phân tích ghi nhận 468.816 khách hàng và 1.687.100 giao dịch trong 24 tháng (09/2023-08/2025); tỷ lệ khách hàng mua một lần lên đến 54% trong khi chỉ 4,4% giao dịch có sử dụng điểm thưởng, cho thấy khoảng cách lớn giữa dữ liệu CRM sẵn có và năng lực khai thác. Nghiên cứu nhằm: (1) xây dựng mô hình dự báo CLV cá nhân hóa, (2) phân tích các tín hiệu hành vi được mô hình khai thác, và (3) phân cụm khách hàng phục vụ marketing phân khúc. Mô hình hybrid BG/NBD-Gamma-Gamma tính CLV cơ sở, sau đó XGBoost hiệu chỉnh trên 10 biến đầu vào (RFMT, hành vi điểm thưởng, trả hàng); áp dụng chia dữ liệu theo thời gian để tránh rò rỉ; hồi quy tuyến tính giải thích tín hiệu hành vi; K-means phân cụm khách hàng. Mô hình hybrid giảm MAE 28,9% so với BG/NBD-GG đơn lẻ và cân bằng độ chính xác với khả năng diễn giải. UsePoint (mức sử dụng điểm thưởng) là tín hiệu hành vi được mô hình khai thác mạnh nhất (hệ số X đã chuẩn hóa = 0,154), trong khi GivePoint có hệ số dương nhỏ; giả thuyết về tác động của chương trình điểm thưởng đến tần suất mua hàng bị bác bỏ. K-means xác định 4 phân khúc: VIP (0,9%), Trung thành (57,1%), Đại gia thỉnh thoảng (0,6%) và Vãng lai (41,4%); nhóm Trung thành đóng góp 55,2% doanh thu. Nghiên cứu đề xuất bốn hướng ưu tiên: (1) thí điểm chuyển trọng tâm từ tặng điểm sang thúc đẩy sử dụng điểm (kiểm chứng bằng A/B testing - chi tiết Phụ lục 4); (2) cải thiện trải nghiệm CRM để tăng tỷ lệ giao dịch có sử dụng điểm từ 4,4% hiện tại; (3) marketing phân khúc cho từng nhóm khách hàng; (4) tích hợp mô hình CLV hybrid vào hệ thống CRM. Hướng nghiên cứu tương lai bao gồm ứng dụng deep learning và các thử nghiệm A/B để kiểm chứng hiệu quả nhân quả.