Ứng dụng kỹ thuật phân cụm và luật kết hợp khai phá dữ liệu khách hàng sử dụng dịch vụ khách sạn

vironment 
Nguyễn Thị Kim Ngọc, Huỳnh Thị Kim Hà 105
Nghiên cứu động cơ sử dụng dịch vụ internet banking của khách hàng 
Researching into the motivation for using internet banking of customers 
Nguyễn Thị Thanh Nhàn 109
Bàn luận về mối quan hệ giữa trách nhiệm xã hội và hiệu quả hoạt động của doanh nghiệp 
Discussion on the relationship between social responsibilty and business efficiency of enterprises 
Lê Hà Như Thảo 113
ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ ĐẠI HỌC ĐÀ NẴNG, SỐ 12(97).2015, QUYỂN 2 1 
ỨNG DỤNG KỸ THUẬT PHÂN CỤM VÀ LUẬT KẾT HỢP 
KHAI PHÁ DỮ LIỆU KHÁCH HÀNG SỬ DỤNG DỊCH VỤ KHÁCH SẠN 
APPLYING CLUSTERING TECHNIQUE AND ASSOCIATION RULE 
TO MINE DATA OF CUSTOMERS USING HOTEL SERVICES 
Nguyễn Văn Chức, Đào Thị Giang 
Trường Đại học Kinh tế, Đại học Đà Nẵng; chuc.nv@due.edu.vn, giang.dt37K14@gmail.com 
Tóm tắt - Ngày nay, ngành công nghiệp du lịch, đặc biệt là kinh
doanh khách sạn đang phát triển mạnh mẽ. Dữ liệu khách hàng lưu
trú tại khách sạn được lưu trữ chứa rất nhiều tri thức giá trị. Tuy
nhiên, dữ liệu này lại không được khai thác triệt để. Trong khi đó, các
nhà quản trị khách sạn đang rất cần được hỗ trợ về vấn đề chăm
sóc khách hàng, đưa ra chính sách tối ưu trong quản lý từ những tri
thức có được, nếu dữ liệu của khách hàng được khai thác và sử
dụng hiệu quả. Bài báo tập trung nghiên cứu kỹ thuật phân cụm và
luật kết hợp trong khai phá dữ liệu để phân tích dữ liệu khách hàng
lưu trú tại khách sạn, giúp các nhà quản trị có thể nắm được đặc
điểm khách hàng và đưa ra được các quyết định kinh doanh hợp
lý.Trên cơ sở các tri thức phát hiện được, một giao tiếp trên nền web
được xây dựng để người dùng sử dụng các tri thức này vào phân
tích dữ liệu khách hàng sử dụng dịch vụ khi lưu trú tại khách sạn. 
 Abstract - Nowadays, tourism industry, especially hospitality
business has been developing strongly. Customer information
saved in hotels contains much valuable knowledge. However, this
data has not been exploited thoroughly. Meanwhile, the hospitality
business managers are yearning for being supported in customer
service to make optimal policies on hotel management from the
knowledge if the data has been exploited and used effectively. This
paper focuses on studying clustering technique and association
rule in data mining to analyse customer data in hotels to help the
managers understand customer characteristics and make better
decisions in business. Based on the knowledge discovered, the
research group also builds an interface on a web platform to help
users use that knowledge for analysing data of customers using
hotels services. 
Từ khóa - khai phá dữ liệu; phân tích hành vi; phân cụm; luật kết
hợp; dịch vụ khách sạn. 
 Key words - data mining; behavior analysis; clustering; association
rule; hotel services. 
1. Đặt vấn đề 
Cùng với sự phát triển của ngành du lịch, các khách sạn 
được liên tục xây dựng với nhiều quy mô khác nhau đã tạo 
nên sự cạnh tranh không ngừng. Để đáp ứng nhu cầu ngày 
càng cao của khách du lịch nước ngoài và nội địa, ngoài 
việc đáp ứng nhu cầu lưu trú của khách hàng thì vấn đề 
nâng cao chất lượng các dịch vụ khác tại khách sạn cũng 
rất quan trọng. Du khách sẵn sàng trả thêm các khoản chi 
phí hợp lý cho các dịch vụ cộng thêm của khách sạn khi nó 
thực sự cần thiết hoặc khiến họ hài lòng. Để tồn tại và phát 
triển trong thị trường đầy cạnh tranh này, các doanh nghiệp 
kinh doanh khách sạn cần hiểu được đối tượng du khách 
thường xuyên lưu trú tại khách sạn: Họ là ai và họ mong 
muốn những gì? Mang lại đúng giá trị mà du khách cần là 
phương pháp đơn giản nhất để phục vụ du khách ít tốn kém 
chi phí nhất và làm du khách hài lòng nhất. Để làm được 
điều này, các nhà quản lý cần có một chiến lược hợp lý dài 
hạn. Trên thực tế, các thông tin về khách hàng lưu trú tại 
khách sạn được lưu trữ với rất nhiều tri thức có giá trị, song 
các dữ liệu này lại không được khai thác hiệu quả. Do đó, 
rất cần có một hệ thống giúp người dùng phân tích các 
thông tin lưu trú của khách hàng tại khách sạn. Từ đó, các 
nhà quản trị có thể đưa ra được một số giải pháp hỗ trợ 
chăm sóc khách hàng, giúp khách sạn chủ động hơn với 
khách hàng trong việc cung cấp dịch vụ, nhờ đó giúp tăng 
chất lượng dịch vụ, nâng cao mức độ hài lòng của khách 
hàng, tăng cơ hội kinh doanh cho khách sạn. Bài báo tập 
trung nghiên cứu về kỹ thuật phân cụm và luật kết hợp để 
tìm ra tìm ra được các đặc điểm của từng nhóm khách hàng, 
biết được mối quan hệ giữa các thuộc tính liên quan đến 
hành vi lưu trú của khách hàng và dự báo được khả năng 
sử dụng dịch vụ cũng như khả năng đặt tour du lịch của 
khách hàng tại khách sạn. 
2. Sơ lược về kỹ thuật phân cụm và luật kết hợp 
2.1. Phân cụm dữ liệu 
Phân cụm dữ liệu là qui trình tìm cách nhóm các đối 
tượng đã cho vào các cụm (clusters), sao cho các đối tượng 
trong cùng 1 cụm càng giống nhau (similar) càng tốt và các 
đối tượng khác cụm thì càng khác nhau nhau (Dissimilar) 
càng tốt [3]. 
Mục đích của phân cụm là tìm ra bản chất bên trong các 
nhóm của dữ liệu. Có rất nhiều kỹ thuật phân cụm, như phân 
cụm phân hoạch, phân cụm phân cấp, phân cụm dựa trên mật 
độ... Tuy nhiên, không có tiêu chí nào được xem là tốt nhất 
để đánh giá hiệu quả của phân tích phân cụm, điều này phụ 
thuộc vào mục đích của bài toán phân cụm [3]. 
2.2. Luật kết hợp 
Trong lĩnh vực Data Mining, mục đích của luật kết hợp 
(Association Rule - AR) là tìm ra các mối quan hệ giữa các 
đối tượng trong khối lượng lớn dữ liệu. Nội dung cơ bản 
của luật kết hợp được tóm tắt như dưới đây [3]. 
Cho cơ sở dữ liệu giao dịch T gồm tập các giao dịch t1, 
t2, , tn. 
T = {t1, t2,, tn}. Mỗi giao dịch ti bao gồm tập các đối 
tượng I (gọi là itemset). 
I = {i1, i2, , im}. Một itemset gồm k items gọi là k-itemset. 
Mục đích của luật kết hợp là tìm ra sự kết hợp (tương 
quan) giữa các items. 
Những luật kết hợp này có dạng X →Y 
Hai tiêu chí rất quan trọng trong việc đánh giá luật kết 
hợp đó là độ hỗ trợ (support) và độ tin cậy (confidence). 
Công thức tính độ hỗ trợ và độ tin cậy của luật kết hợp 
X→Y [1]: 
2 Nguyễn Văn Chức, Đào Thị Giang 
ܵݑ݌݌݋ݎݐ	ሺܺ → ܻሻ ൌ ܲሺܺ ∪ ܻሻ ൌ ݊ሺܺ ∪ ܻሻܰ 
ܥ݋݂݊݅݀݁݊ܿ݁	ሺܺ → ܻሻ ൌ ܲሺܻ|ܺሻ ൌ ݊ሺܺ ∪ ܻሻ݊ሺܺሻ 
Trong đó: 
݊ሺܺሻ: Số giao dịch chứa X 
N: Tổng số giao dịch 
Các luật kết hợp có độ hỗ trợ và độ tin cậy lớn hơn hoặc 
bằng độ hỗ trợ tối thiểu (min_sup) và độ tin cậy tối thiểu 
(min_conf) gọi là các luật mạnh.min_sup và min_conf gọi 
là các giá trị ngưỡng (threshold) được xác định trước khi 
sinh các luật kết hợp [1]. 
3. Xây dựng hệ thống khai phá dữ liệu khách hàng sử 
dụng dịch vụ khách sạn 
3.1. Mô tả hệ thống 
Mục đích: Ứng dụng kỹ thuật phân cụm và luật kết hợp 
phân tích dữ liệu khách hàng sử dụng dịch vụ khách sạn. 
Đầu vào: Gồm các thông tin khách hàng sử dụng dịch vụ 
khách sạn: giới tính, quốc tịch, tuổi, nguồn khách,; thông 
tin về các dịch vụ khách sạn: giặt là, thuê xe, đặt tour. 
Đầu ra: Đưa ra đặc trưng của từng nhóm khách hàng, 
dự báo khả năng sử dụng dịch vụ và mối liên hệ giữa các 
thuộc tính liên quan đến hành vi lưu trú tại khách sạn của 
khách hàng 
3.2. Kịch bản triển khai hệ thống phân tích dữ liệu khách hàng: 
Hệ thống phân tích dữ liệu khách hàng được tiến hành 
theo các bước chính như Hình 1. 
Hình 1. Kịch bản triển khai hệ thống phân tích dữ liệu khách 
hàng sử dụng dịch vụ khách sạn 
Bước 1. Thu thập và tiền xử lý dữ liệu 
Dữ liệu thu thập được gần 2000 mẫu, từ hệ thống quản 
lý khách sạn Headway của khách sạn Thời Đại ở Đà Nẵng 
từ đầu năm 2014 đến 3/2015. 
Dữ liệu ban đầu gồm rất nhiều thuộc tính, sau quá trình 
tiền xử lý dữ liệu (sử dụng phương pháp trích chọn thuộc 
tính) để đánh giá mức độ ảnh hưởng của các thuộc tính đến 
hành vi lưu trú tại khách sạn của khách hàng, mô hình xác 
định được các thuộc tính như Bảng 1. 
Bảng 1. Mô tả dữ liệu 
STT Tên thuộc tính Kiểu dữ liệu Miền giá trị Giải thích 
1 ID Nominal 000001-002000 Mã khách hàng, khóa 
2 GioiTinh Nominal Nu, Nam Giới tính của khách hàng 
3 Tuoi Interval >=18 Độ tuổi của khách hàng 
4 QuocTich Nominal VIE, USA, CHN, JPN, AUS, . Quốc tịch của khách hàng 
5 NguonKhach Nominal KhachLe, KhachDoan, CongTy Nguồn khách hàng 
6 MucDichLuuTru Nominal DuLich, CongTac Mục đích lưu trú của khách hàng 
7 ThoiGianLuuTru Nominal >=1, <=12 Thời gian lưu trú của khách hàng (tháng lưu trú)
8 SoNgayLuuTru Interval >=1 Số ngày lưu trú tại khách sạn 
9 LoaiPhong Nominal StandardSingle, StandardDouble, 
StandardTwin, DeluxeSingle, DeluxeDouble, 
DeluxeTwin, VipSingle, VipDouble 
Loại phòng khách sạn 
10 HinhThucThanhToan Nominal TienMat, The, ChuyenKhoan Hình thức thanh toán 
11 GiatLa Nominal Co, Khong Dịch vụ giặt là 
12 ThueXe Nominal Co, Khong Dịch vụ thuê xe 
13 MuaVeMayBay Nominal Co, Không Dịch vụ mua vé máy bay cho khách 
14 DVMiniBar Nominal Co, Khong Dịch vụ mini bar 
15 MuaDoGiupKhach Nominal Co, Khong Dịch vụ mua đồ giúp khách 
16 ChenhLechHoaDon Nominal Co, Khong Dịch vụ thanh toán hóa đơn cho khách 
17 DoiTien Nominal Co, Khong Dịch vụ đổi tiền cho khách 
18 DatTourHue Nominal Co, Khong Đặt tour Huế 
19 DatTourBaNa Nominal Co, Khong Đặt tour Bà Nà 
20 DatTourNHS Nominal Co, Khong Đặt tour Ngũ Hành Sơn 
21 CityTour Nominal Co, Khong Đặt City tour 
22 DatTourSonTra Nominal Co, Khong Đặt tour Sơn Trà 
23 DatTourHoiAn Nominal Co, Khong Đặt tour Hội An 
24 DatTourCLC Nominal Co, Khong Đặt tour Cù Lao Chàm 
1. Thu 
thập và 
tiền xử 
lý dữ 
liệu
2. Xây 
dựng mô 
hình phân 
cụm và 
luật kết 
hợp
3. Phát 
hiện tri 
thức từ mô 
hình dự 
đoán
4. Ứng dụng tri 
thức phát hiện 
được vào dự đoán 
khách hàng sử 
dụng dịch vụ 
khách sạn
ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ ĐẠI HỌC ĐÀ NẴNG, SỐ 12(97).2015, QUYỂN 2 3 
Bước 2. Xây dựng mô hình phân cụm và luật kết hợp 
Mô hình phân cụm và luật kết hợp phân tích dữ liệu 
khách hàng sử dụng dịch vụ khách sạn được xây dựng trên 
công cụ khai phá dữ liệu Business Intelligence 
Development Studio (BIDS) của Microsoft. BIDS là công 
cụ rất mạnh cho phép triển khai các mô hình khai phá dữ 
liệu, được sử dụng rộng rãi hiện nay bởi khả năng kết nối 
dễ dàng với nhiều nguồn dữ liệu, giao diện dễ sử dụng và 
nhất là khả năng biểu diễn tri thức phát hiện được rất trực 
quan, dễ hiểu, dễ sử dụng. BIDS được tích hợp vào SQL 
SERVER 2005 trở về sau trong các phiên bản Enterprise 
hoặc Development [4]. 
Sau khi thực hiện các thao tác tiền xử lý dữ liệu để phù 
hợp với mô hình khai phá dữ liệu, sử dụng Microsoft 
Clustering với thuật toán K-means và Microsoft 
Association Rule với thuật toán Apriori trong BIDS để xây 
dựng mô hình phân tích dữ liệu khách hàng sử dụng dịch 
vụ khách sạn. 
Bước 3. Phát hiện tri thức từ mô hình phân cụm và luật kết hợp 
a. Mô hình phân cụm 
Hình 2. Kết quả phân cụm dữ liệu 
Hình 3. Đặc trưng từng cụm dữ liệu 
Từ mô hình phân cụm, cho ra được đặc trưng 6 nhóm 
khách hàng như sau: 
Cụm 1: Cụm này đa số là khách đoàn người nước 
ngoài, có thời gian lưu trú nhiều ngày, độ tuổi từ 20 đến 40, 
sử dụng nhiều dịch vụ như giặt là, thuê xe, đặt tour, đổi 
tiền... 
Cụm 2: Cụm này đa số là khách lẻ đi du lịch, lưu trú 
nhiều ngày, vào tháng 1 đến tháng 5, độ tuổi trên 30, 
thường ở loại phòng Deluxe, thanh toán bằng tiền mặt, sử 
dụng nhiều dịch vụ như giặt là, minibar, mua vé..., thường 
đặt Citytour, tour Bà Nà, Hội An. 
Cụm 3: Cụm này đa số là khách lẻ, đi công tác, tập 
trung vào tháng 6 đến tháng 12, độ tuổi từ 18 đến 35, 
thường ở loại phòng Deluxe, thanh toán bằng thẻ hoặc 
chuyển khoản, sử dụng nhiều dịch vụ như giặt là, thuê xe, 
đặt tour, đổi tiền... 
Cụm 4: Cụm này đa số là khách công ty, chỉ lưu trú 1 
ngày tại khách sạn, vào tháng 1 đến tháng 5, thường thuê 
xe, mua vé máy bay..., thanh toán chủ yếu bằng tiền mặt 
hoặc chuyển khoản. 
Cụm 5: Cụm này đa số là khách công ty, trong khoảng 
thời gian từ tháng 1 đến tháng 9, độ tuổi từ 26 đến 38, 
thường ở các phòng Single, thời gian lưu trú nhiều ngày, 
nên ngoài mục đích công tác, khách hàng thuộc nhóm này 
còn kết hợp đi du lịch, khách sạn thường thanh toán chênh 
lệch hóa đơn cho nhóm khách này. 
Cụm 6: Cụm này chủ yếu là khách đoàn Việt Nam, có 
thời gian lưu trú nhiều ngày, thường vào tháng 6 đến tháng 
10, tập trung nhiều vào tháng 7, sử dụng nhiều dịch vụ như 
giặt là, thuê xe, họ thường đặt tour Bà Nà, Cù Lao Chàm, 
Hội An, hình thức thanh toán bằng tiền mặt. 
b. Mô hình luật kết hợp 
Từ mô hình luật kết hợp đã xây dựng, phát hiện được 
tri thức về mối quan hệ giữa các thuộc tính liên quan đến 
hành vi lưu trú của khách hàng tại khách sạn. Sau đây là 
một số luật được trích ra từ mô hình: 
L1: Khách hàng đặt tour Ngũ Hành Sơn, vào tháng 3 
đến tháng 6 thì đặt tour Hội An, với độ tin cậy100%. 
L2: Khách hàng là khách đoàn, lưu trú tại khách sạn 
vào tháng 3 đến tháng 6 thì đặt tour Hội An, với độ tin cậy 
89,4%. 
L3: Khách ở loại phòng Deluxe Twin, vào tháng 3 đến 
tháng 6 thì đặt tour Hội An với độ tin cậy 87,4%. 
L4: Khách hàng là khách đoàn, đặt City Tour thì sẽ đặt 
tour Cù Lao Chàm với độ tin cậy 82,4%. 
Hình 4. Kết quả mô hình luật kết hợp 
Bước 4. Ứng dụng tri thức phát hiện được vào phân tích 
dữ liệu khách hàng lưu trú tại khách sạn 
Dựa vào các tri thức phát hiện được từ mô hình phân 
cụm và luật kết hợp, một hệ thống giao tiếp được xây dựng 
trên nền web cho phép người dùng sử dụng để tìm ra đặc 
điểm từng nhóm khách hàng, dự báo khả năng sử dụng dịch 
vụ của khách hàng. 
4 Nguyễn Văn Chức, Đào Thị Giang 
Hình 5. Giao tiếp người dùng 
với hệ thống phân tích dữ liệu khách hàng 
4. Kết luận và hướng phát triển 
Bài báo đã tìm hiểu về lý thuyết kỹ thuật phân cụm và 
luật kết hợp, từ đó nghiên cứu ứng dụng các kỹ thuật này 
vào xây dựng mô hình khai phá dữ liệu khách hàng lưu trú 
tại khách sạn. 
Dựa vào mô hình khai phá dữ liệu với hai kỹ thuật phân 
cụm dữ liệu và phát hiện luật kết hợp đã xây dựng, nhóm 
tác giả đã xây dựng thành công một giao tiếp trên nền web 
để hỗ trợ việc ra quyết định của các nhà quản lý khách sạn, 
giúp đưa ra được các chính sách riêng cho từng nhóm 
khách hàng, dự báo hành vi sử dụng dịch vụ khách sạn cũng 
như đặt tour du lịch của khách hàng. Trong thời gian tới sẽ 
nghiên cứu mở rộng sang lĩnh vực du lịch nhằm nâng cao 
hiệu quả trong việc phân tích hành vi du lịch của khách du 
lịch tại các công ty du lịch lữ hành. 
TÀI LIỆU THAM KHẢO 
[1] Nguyễn Đức Thuần, Nhập môn khai phá dữ liệu và quản trị tri thức, 
NXB Thông tin và Truyền thông, 2013. 
[2] Trần Thị Kim Hằng, Ứng dụng khai phá dữ liệu dự đoán bệnh đái 
tháo đường, Luận văn 2014. 
[3] Jiawei Han and Micheline Kamber, Datamining: Concepts and 
Techniques, Simon Fraser University, 2011. 
[4] JamieMacLennan, Z.T., Bogdan Crivat, Data Mining with Microsoft 
SQL Server 2008, Indianapolis, Indiana: Wiley Publishing, Inc, 2008. 
[5]  
[6]  
(BBT nhận bài: 24/07/2015, phản biện xong: 23/09/2015)