Phân cụm phân cấp theo phương pháp kết tụ: Hướng dẫn toàn diện năm 2026

Hệ thống CRM của bạn chứa đầy thông tin liên hệ, lịch sử đơn hàng từ cửa hàng trực tuyến, dữ liệu các chiến dịch tiếp thị, phiếu hỗ trợ và có thể cả các bảng tính Excel do các nhóm khác nhau tạo ra. Tất cả đều có mặt. Tất cả đều hữu ích. Nhưng thường thì mọi thứ lại bị trộn lẫn với nhau.

Đối với nhiều doanh nghiệp vừa và nhỏ, vấn đề không phải là thiếu dữ liệu. Mà là thiếu hệ thống. Một giám đốc bán lẻ muốn tìm hiểu những khách hàng nào có thói quen mua sắm tương tự nhau. Một trưởng bộ phận vận hành muốn xem những sản phẩm nào thường được mua cùng nhau. Một đội ngũ tài chính muốn phân biệt giữa các hành vi bình thường và những hành vi cần được chú ý. Nếu không có phương pháp rõ ràng, dữ liệu sẽ chỉ là một kho lưu trữ thay vì trở thành kim chỉ nam.

Đây là lúc agglomerative hierarchical clustering phát huy vai trò. Đây là một kỹ thuật machine learning tổ chức các quan sát thành nhóm bằng cách xây dựng một hệ thống phân cấp từ dưới lên. Đây không phải là kỹ thuật mới. Đó là một kỹ thuật đã được kiểm chứng: được giới thiệu từ những năm 60, tại Ý kỹ thuật này đã được áp dụng từ năm 1985 trong một dự án về dữ liệu kinh tế - xã hội, giúp thu gọn 50 vùng thành 7 cụm chính (tham khảo tại đây). Điều này quan trọng vì nó cho thấy một điều đơn giản: khi dữ liệu có vẻ hỗn loạn, phân cụm phân cấp có thể tiết lộ một cấu trúc dễ hiểu.

Nếu bạn muốn bắt đầu từ một góc nhìn rộng hơn về việc sử dụng dữ liệu trong doanh nghiệp, hướng dẫn này về phân tích dữ liệu doanh nghiệp là một bổ sung tuyệt vời.

Mục lục

• Giới thiệu Từ Sự Hỗn Loạn của Dữ Liệu đến Sự Rõ Ràng Chiến Lược
• Điều gì phân biệt phương pháp này với các phương pháp khác
• Câu hỏi đầu tiên: bạn đo độ tương đồng như thế nào
• Câu hỏi thứ hai: bạn hợp nhất hai cụm như thế nào
• So sánh các phương pháp linkage
• Cách lựa chọn dựa trên bối cảnh doanh nghiệp
• Một ví dụ cụ thể
• Chi phí tính toán cũng quan trọng
• Cách đọc dendrogram mà không cần thuật ngữ kỹ thuật thừa thãi
• Cách chọn điểm cắt
• Chuẩn bị dữ liệu đúng cách
• Ví dụ triển khai cơ bản
• Ba quyết định thực sự quan trọng
• Phân khúc khách hàng thực sự hữu ích cho marketing
• Sản phẩm và tồn kho
• Rủi ro tài chính và an ninh mạng
• Đâu là điểm nghẽn thực sự của một đội ngũ nội bộ
• Điều gì thay đổi với một quy trình tự động hóa
• Kết luận và Những Điểm Chính Cần Ghi Nhớ

Giới thiệu: Từ sự hỗn loạn của dữ liệu đến sự rõ ràng về chiến lược

Sáng thứ Hai. Trưởng phòng kinh doanh mở hệ thống CRM, bộ phận tiếp thị xem xét các chiến dịch với kết quả rất khác nhau, bộ phận hậu cần báo cáo về những sản phẩm có tốc độ luân chuyển khó dự đoán. Dữ liệu thì có sẵn, nhưng lại thiếu một bản đồ hữu ích để đưa ra quyết định.

Đây chính là lúc một nhà quản lý doanh nghiệp vừa và nhỏ bắt đầu đặt ra những câu hỏi đúng đắn. Những khách hàng nào thực sự có hành vi tương tự nhau? Những sản phẩm nào xứng đáng có một chiến lược riêng biệt? Những chi nhánh hay lĩnh vực kinh doanh nào cần được quản lý theo những cách tiếp cận khác nhau, dù hiện tại tất cả đều được tổng hợp trong cùng một báo cáo?

Agglomerative hierarchical clustering giúp biến sự hỗn loạn này thành một cấu trúc dễ hiểu. Thay vì ngay lập tức áp đặt các danh mục được quyết định sẵn từ trước, phương pháp này tổ chức các phần tử theo độ tương đồng và cho thấy các nhóm hình thành như thế nào từng bước một. Kết quả không chỉ là một bài tập thống kê. Đó là một hỗ trợ cụ thể cho phân khúc thương mại, ưu tiên vận hành và các lựa chọn định vị.

Đối với một doanh nghiệp, vấn đề không phải là biết tên của thuật toán. Vấn đề là phải vận dụng hiệu quả ba yếu tố thực tiễn sau: lựa chọn phương pháp liên kết phù hợp với trường hợp cụ thể, đọc biểu đồ phân nhánh mà không bị lạc vào các chi tiết kỹ thuật, và xác định điểm cắt phân cấp để thu được các cụm dữ liệu có giá trị cho hoạt động kinh doanh.

Đây chính là điểm khác biệt giữa việc áp dụng phân cụm trong nghiên cứu học thuật và trong quản lý.

Nếu bạn đang làm việc với phân khúc, báo cáo hoặc phân tích dữ liệu doanh nghiệp để đưa ra quyết định nhanh hơn và cụ thể hơn, phương pháp này giúp bạn nhìn thấy các mối quan hệ vẫn ẩn giấu trong các file Excel. Và với các công cụ như Electe, ngay cả một doanh nghiệp vừa và nhỏ không có đội ngũ data scientist cũng có thể đưa cách tiếp cận này vào quy trình hàng ngày, từ việc đọc dữ liệu đến lựa chọn vận hành.

Phân cụm phân cấp kết tụ là gì và hoạt động như thế nào

Agglomerative hierarchical clustering bắt đầu từ dưới lên. Mỗi bản ghi ban đầu là một nhóm riêng biệt. Sau đó thuật toán so sánh độ tương đồng, hợp nhất hai phần tử gần nhau nhất và lặp lại bước này cho đến khi xây dựng được một hệ thống phân cấp hoàn chỉnh.

Đối với một doanh nghiệp vừa và nhỏ, phương pháp này rất hữu ích vì nó phản ánh một quy trình ra quyết định thực tế. Ban đầu, bạn chưa biết chính xác mình cần bao nhiêu phân khúc. Bạn chỉ biết rằng một số khách hàng có hành vi tương tự nhau, một số sản phẩm có mô hình tương đồng và một số lĩnh vực kinh doanh cần được xem xét cùng nhau. Phương pháp phân cụm kết tụ sắp xếp các mối quan hệ này mà không bắt buộc bạn phải xác định ngay số lượng nhóm.

Cơ chế hoạt động rất đơn giản:

1. Mỗi quan sát bắt đầu riêng lẻ. Một khách hàng, một sản phẩm hoặc một giao dịch là các cụm riêng biệt.
2. Tính toán mức độ khác biệt giữa hai phần tử hoặc hai nhóm.
3. Hợp nhất các cụm gần nhau nhất theo quy tắc đã chọn.
4. Cập nhật cấu trúc và lặp lại việc so sánh.
5. Tiếp tục cho đến khi có một cây phân cấp duy nhất thể hiện tất cả các khả năng gộp nhóm.

Đây là điểm thường gây ra sự nhầm lẫn. Thuật toán không ngay lập tức trả về “4 cụm chính xác” hay “6 phân đoạn đúng”. Trước tiên, nó sẽ xây dựng một bản đồ lân cận. Quyết định về số lượng nhóm cần giữ lại sẽ được đưa ra sau đó, khi bạn phân tích cấu trúc phân cấp đó dựa trên mục tiêu kinh doanh.

Một ví dụ sẽ giúp bạn hiểu rõ hơn. Nếu bạn đang phân tích danh mục khách hàng, bạn có thể nhận thấy rằng một số khách hàng có điểm chung về tần suất mua hàng, một số khác về giá trị trung bình, và một số khác nữa về tính mùa vụ. Phương pháp phân cụm kết hợp (agglomerative clustering) không bắt buộc bạn phải chọn ngay mức độ chi tiết. Phương pháp này cho phép bạn quan sát cả các nhóm nhỏ (micro-groups) – hữu ích cho các chiến dịch tiếp thị nhắm mục tiêu – lẫn các phân khúc lớn (macro-segments) – hữu ích để xác định ngân sách, dịch vụ và các ưu tiên kinh doanh.

Điều gì khiến phương pháp này khác biệt so với các phương pháp khác

Sự khác biệt về mặt thực tiễn so với các phương pháp như k-means rất đơn giản. Với k-means, bạn phải quyết định trước số lượng cụm muốn tìm. Với phương pháp phân cụm phân cấp tích hợp, bạn xây dựng một hệ thống phân cấp và sau đó mới quyết định dừng lại ở đâu.

Đối với một nhà quản lý, điều này mang lại sự thay đổi lớn. Điều đó có nghĩa là có thể bắt đầu từ một câu hỏi mở, chứ không phải từ một câu trả lời đã được giả định sẵn. Nếu đội ngũ kinh doanh nghi ngờ rằng có nhiều nhóm khách hàng khác nhau nhưng chưa biết chính xác có bao nhiêu nhóm, phương pháp này sẽ cung cấp một góc nhìn hữu ích hơn để thảo luận về chiến lược.

Nó còn được ưa chuộng vì một lý do khác. Kết quả rất dễ hiểu. Bạn không chỉ có các nhãn cuối cùng được gán cho các bản ghi, mà còn có một lộ trình cho thấy cách các nhóm được hình thành từng bước một. Chính cấu trúc phân cấp này khiến phương pháp này trở nên hữu ích trong các quyết định kinh doanh, bởi nó kết nối phân tích thống kê với một lựa chọn cụ thể: khi nào việc phân tách các nhóm là hợp lý để thu được những thông tin hữu ích.

Quy tắc thực tế: hãy sử dụng phân cụm phân cấp khi bạn muốn khám phá cấu trúc của dữ liệu trước khi xác định các phân khúc vận hành ổn định.

Nếu bạn muốn so sánh cách tiếp cận này với các thuật toán machine learning khác cho các vấn đề kinh doanh khác nhau, nên đánh giá chúng dựa trên quyết định bạn cần đưa ra, chứ không chỉ dựa trên kỹ thuật.

Các chỉ số khoảng cách và phương pháp liên kết: Lựa chọn quyết định cấu trúc cụm của bạn

Hai doanh nghiệp có thể sử dụng cùng một thuật toán nhưng lại có được các phân khúc rất khác nhau. Lý do, gần như luôn luôn, nằm ở đây: trong việc lựa chọn cách đo khoảng cách và cách quyết định nhóm nào sẽ được hợp nhất.

Đối với một nhà quản lý của doanh nghiệp vừa và nhỏ, đây không phải là một chi tiết kỹ thuật nhỏ nhặt. Đó là một quyết định có thể thay đổi kết quả hoạt động. Nó có thể giúp bạn tạo ra các nhóm dữ liệu hữu ích cho các chiến dịch tiếp thị và định giá, hoặc dẫn đến những nhóm dữ liệu khó hiểu mà đội ngũ không thể tận dụng được.

Câu hỏi đầu tiên: Làm thế nào để đo lường mức độ tương đồng?

Thước đo khoảng cách dùng để đo mức độ khác biệt giữa hai quan sát. Nếu bạn đang phân tích khách hàng, sản phẩm hoặc điểm bán, đây là quy tắc mà thuật toán dùng để so sánh các hồ sơ.

Các loại phổ biến nhất là:

• Khoảng cách Euclidean. Đo khoảng cách theo đường thẳng giữa hai điểm. Phù hợp khi bạn làm việc với các biến số có thể so sánh với nhau, ví dụ doanh thu, tần suất mua hàng và giá trị đơn hàng trung bình, sau khi đã chuẩn hóa đúng cách.
• Khoảng cách Manhattan. Tính tổng các chênh lệch tuyệt đối trên từng biến. Hoạt động tốt khi bạn muốn một thước đo ít nhạy cảm hơn với các sai lệch đơn lẻ và gần với logic “theo khối” hơn, hữu ích trong một số tập dữ liệu vận hành.

Đây là nơi thường xảy ra một sai lầm phổ biến. Nếu một biến có phạm vi giá trị rộng hơn hẳn so với các biến khác, nó sẽ chi phối toàn bộ quá trình tính toán khoảng cách. Trên thực tế, quá trình phân cụm sẽ gần như chỉ dựa vào cột dữ liệu đó. Vì vậy, trước khi chọn phương pháp liên kết, nên kiểm tra xem dữ liệu đã được chuẩn hóa hay chưa.

Câu hỏi thứ hai: Làm thế nào để kết hợp hai cụm máy chủ?

Linkage xuất hiện sau đó. Nó không so sánh hai điểm đơn lẻ, mà so sánh hai nhóm đã được hình thành.

Một ví dụ minh họa hay là như thế này: hệ thống đo lường quyết định cách bạn đo khoảng cách giữa hai cửa hàng trên bản đồ. Còn hệ thống liên kết quyết định cách bạn đánh giá khoảng cách giữa hai chuỗi cửa hàng hoàn toàn khác nhau. Sự khác biệt là rất lớn.

Các phương pháp chính là:

• Single linkage. Xem xét hai điểm gần nhau nhất giữa các cụm khác nhau.
• Complete linkage. Xem xét hai điểm xa nhau nhất.
• Average linkage. Sử dụng khoảng cách trung bình giữa tất cả các điểm của hai cụm.
• Ward. Hợp nhất các cụm sao cho mức độ biến động nội bộ tăng ít nhất có thể.

So sánh các phương pháp liên kết

Lựa chọn đúng đắn phụ thuộc vào quyết định mà bạn phải đưa ra trong công ty, chứ không phải dựa trên một sở thích trừu tượng.

Nếu mục tiêu của bạn là tìm ra các nhóm liên kết bởi những điểm tương đồng dần dần, single linkage có thể hữu ích trong giai đoạn khám phá. Còn nếu bạn cần xây dựng các phân khúc rõ ràng để phân bổ cho các chiến dịch, bảng giá hoặc cấp độ dịch vụ, trong nhiều trường hợp complete hoặc Ward tạo ra các nhóm dễ diễn giải hơn. Average linkage thường là một lựa chọn cân bằng tốt khi bạn không muốn các cụm quá cứng nhắc cũng không muốn các cấu trúc quá kéo dài.

Quy tắc thực tế: nếu bạn cần trình bày các cụm cho bộ phận kinh doanh, marketing hoặc ban lãnh đạo, hãy bắt đầu từ Ward. Nếu kết quả có vẻ quá “gượng ép”, hãy so sánh với average linkage.

Cách lựa chọn dựa trên bối cảnh doanh nghiệp

Trong các tài liệu học thuật, người ta thường chỉ dừng lại ở phần định nghĩa. Ngược lại, trong doanh nghiệp, cần phải có một cơ sở lý luận để đưa ra quyết định.

Hãy sử dụng bản nhạc này:

• Bạn muốn các cụm gọn gàng và dễ giải thích? Hãy bắt đầu từ complete hoặc Ward.
• Bạn muốn khám phá các mối liên kết yếu hoặc cấu trúc rất bất thường? Hãy cân nhắc single linkage.
• Bạn muốn một sự thỏa hiệp giữa tính ổn định và độ linh hoạt? Hãy thử average linkage.
• Bạn có các biến với thang đo khác nhau hoặc hỗn hợp các chỉ số không đồng nhất? Hãy kiểm tra trước việc chuẩn bị dữ liệu và thước đo, nếu không linkage sẽ bị đánh giá không công bằng.

Nói cách khác, không có phương pháp nào là tốt nhất tuyệt đối. Chỉ có phương pháp phù hợp nhất với nhu cầu kinh doanh mà thôi.

Một ví dụ cụ thể

Giả sử bạn muốn phân khúc khách hàng của một doanh nghiệp vừa và nhỏ trong lĩnh vực bán lẻ dựa trên tần suất mua hàng, giá trị đơn hàng trung bình và số lượng danh mục sản phẩm được mua.

Với single linkage, bạn có thể thu được một cụm rất rộng, được nối bởi các bước chuyển dần giữa các khách hàng khá khác biệt với nhau. Điều này hữu ích nếu bạn muốn quan sát tính liên tục trong hành vi, nhưng kém hữu ích hơn nếu bạn cần tạo ra các hành động thương mại riêng biệt.

Với complete linkage, các nhóm trở nên chặt chẽ hơn. Khách hàng trong mỗi cụm giống nhau hơn, nhờ đó đội marketing dễ dàng xây dựng các chương trình khuyến mãi riêng biệt hơn.

Với Ward, bạn thường thu được các phân khúc gọn gàng và dễ đọc. Vì lý do này, đây là lựa chọn thường được sử dụng khi mục tiêu không chỉ là phân tích, mà là đi đến một quyết định.

Chi phí tính toán cũng rất quan trọng

Phương pháp phân cụm phân cấp kết hợp (Agglomerative hierarchical clustering) có thể gây ra gánh nặng khi xử lý các tập dữ liệu lớn. Điều này có tác động thực tế: thời gian xử lý kéo dài, tiêu tốn nhiều bộ nhớ hơn và ít không gian hơn để thực hiện các thử nghiệm nhanh trên các chỉ số và phương pháp liên kết khác nhau.

Đối với một doanh nghiệp vừa và nhỏ, vấn đề không phải là bàn luận về lý thuyết của các thuật toán. Vấn đề là phải biết liệu việc phân tích có thể thực hiện được hay không với dữ liệu hiện có, thời gian của đội ngũ và các công cụ đang sử dụng.

Vì vậy, lựa chọn kỹ thuật cần phải trả lời được ba câu hỏi đơn giản sau:

• các cụm có đủ rõ ràng để định hướng hành động không?
• phương pháp này có phản ánh tốt cấu trúc thực tế của dữ liệu không?
• quy trình có bền vững mà không cần quá nhiều công việc thủ công không?

Đây chính là lúc một nền tảng như ELECTE tác dụng. Nền tảng này giúp đơn giản hóa phần kỹ thuật phức tạp nhất trong quá trình thiết lập và tạo điều kiện thuận lợi hơn cho việc so sánh các phương án khác nhau, ngay cả khi doanh nghiệp không có đội ngũ chuyên gia phân tích dữ liệu nội bộ. Giá trị thực sự không nằm ở việc “thực hiện phân cụm”. Mà nằm ở việc lựa chọn một phương pháp phân khúc mà doanh nghiệp có thể hiểu rõ, xác thực và áp dụng vào thực tế.

Xây dựng và giải thích sơ đồ phân loại Chuyển đổi cây phân loại thành hành động

Giá trị thực sự của agglomerative hierarchical clustering xuất hiện khi bạn nhìn vào đầu ra đặc trưng nhất của nó: dendrogram. Đây không phải là một biểu đồ trang trí. Đó là một bản đồ để ra quyết định.

Cách đọc sơ đồ phân nhánh mà không cần những thuật ngữ chuyên môn rườm rà

Trên trục ngang, bạn sẽ thấy các quan sát hoặc các nhóm nhỏ các quan sát. Trên trục dọc, bạn sẽ thấy khoảng cách hoặc mức độ khác biệt tại đó các sự hợp nhất xảy ra.

Quy tắc trực quan quan trọng nhất là như sau: sự hợp nhất diễn ra càng cao, các nhóm được nối càng khác biệt.

Điều này giúp bạn thực hiện một việc mà nhiều nhà quản lý đánh giá cao ngay lập tức. Bạn không chỉ đơn thuần chấp nhận số lượng cụm được xác định bởi một công thức “bí ẩn”. Thay vào đó, bạn đang phân tích cấu trúc dữ liệu và quyết định điểm dừng phù hợp nhất.

Ví dụ:

• nếu nhiều lần hợp nhất diễn ra ở độ cao thấp, dữ liệu chứa các nhóm rất giống nhau;
• nếu tại một điểm nào đó xuất hiện một bước nhảy dọc rõ rệt, bạn có thể đang hợp nhất các nhóm đã khá khác biệt;
• bước nhảy đó thường báo hiệu một điểm tốt để cắt cây.

Một dendrogram chuyển một quyết định thống kê thành một quyết định trực quan. Vì vậy nó hữu ích cả trong cuộc họp, không chỉ trong notebook Python.

Một hình ảnh minh họa có thể giúp ghi nhớ khái niệm này:

Cách chọn điểm cắt

Nhiều người thường bối rối ở bước này. “Tôi nên duy trì bao nhiêu cụm?” Câu trả lời trung thực là: điều đó phụ thuộc vào vấn đề mà bạn muốn giải quyết.

Nếu bạn cần triển khai các hoạt động kinh doanh, quá nhiều cụm sẽ làm phức tạp quá trình vận hành. Ngược lại, nếu bạn đang phân tích các hành vi rất khác nhau, quá ít cụm có thể làm lu mờ các mẫu hành vi hữu ích.

Một tiêu chí thực tiễn là như sau:

1. Nhìn vào những bước nhảy dọc lớn nhất trong dendrogram.
2. Vẽ một đường ngang tại vị trí một bước nhảy đáng kể.
3. Đếm các nhánh bị cắt. Đó là số lượng cụm kết quả.

Giả sử đường cắt đó cắt ngang bốn nhánh chính. Bạn sẽ có bốn đoạn. Lúc đó, công việc quản lý không còn mang tính thống kê nữa. Nó trở thành công việc phân tích và diễn giải.

Hãy tự hỏi bản thân:

• các nhóm này có ý nghĩa đối với marketing, bán hàng hoặc vận hành không?
• tôi có thể mô tả chúng theo cách dễ hiểu không?
• mỗi nhóm có dẫn đến một hành động khác nhau không?

Quan sát thực tế: dendrogram tốt nhất không phải là cái tinh tế nhất. Đó là cái cho phép bạn biện minh cho một lựa chọn phân khúc trước những người sẽ sử dụng nó.

Hướng dẫn thực hành với Python và Scikit-learn

Bạn có một bộ dữ liệu khách hàng, một số biến hữu ích và một câu hỏi cụ thể: liệu có những nhóm khách hàng nào cần được áp dụng các chiến lược kinh doanh khác nhau không? Python chính là công cụ giúp biến câu hỏi này thành một bài kiểm tra nhanh chóng, dễ hiểu và có thể lặp lại.

Để làm điều này, thường người ta sử dụng scikit-learn để tạo mô hình và SciPy để vẽ dendrogram. Phần kỹ thuật khá dễ tiếp cận. Phần tạo nên sự khác biệt, đối với một doanh nghiệp vừa và nhỏ, là thiết lập dữ liệu đúng cách và đọc kết quả một cách có phán đoán.

Chuẩn bị dữ liệu một cách chính xác

Sai lầm phổ biến nhất xuất phát từ giai đoạn trước khi xây dựng thuật toán. Nếu bạn đưa vào cùng một mô hình cả một biến như doanh thu hàng năm và một biến như số lượng đơn hàng, thì biến có quy mô lớn hơn có nguy cơ chiếm tỷ trọng lớn hơn nhiều. Do đó, cụm kết quả cuối cùng sẽ phản ánh các đơn vị đo lường nhiều hơn là những điểm tương đồng thực sự giữa các khách hàng hoặc sản phẩm.

Việc chuẩn hóa (standardization) giúp tránh vấn đề này. Trên thực tế, bạn đưa các biến số về một thang đo có thể so sánh được. Đây là một lựa chọn đơn giản, nhưng nó thay đổi kết quả một cách cụ thể, đặc biệt nếu bạn muốn sử dụng Ward linkage, vốn hoạt động tốt với dữ liệu số được chuẩn bị kỹ.

Trước khi ra mắt mẫu sản phẩm, hãy kiểm tra ba điểm sau:

• Các biến số trên các thang đo khác nhau. Hãy chuẩn hóa chúng.
• Các biến phân loại. Hãy chuyển đổi chúng sang định dạng mà mô hình có thể sử dụng.
• Giá trị thiếu. Hãy xử lý chúng trước, nếu không việc phân cụm sẽ trở nên mong manh hoặc không thể sử dụng được.

Một ví dụ minh họa hữu ích là như sau: bạn đang so sánh các khách hàng như thể phải đánh giá họ bằng cùng một đơn vị đo lường. Nếu một khách hàng được đo lường bằng euro còn khách hàng khác bằng số liệu thô, thì sự so sánh đó đã bắt đầu trong tình trạng mất cân bằng.

Ví dụ cơ bản về việc triển khai

Dưới đây là một ví dụ cơ bản với scikit-learn:

import pandas as pdfrom sklearn.preprocessing import StandardScalerfrom sklearn.cluster import AgglomerativeClustering# Esempio: dataset con variabili numerichedf = pd.DataFrame({"frequenza_acquisto": [12, 10, 2, 3, 15, 1],"scontrino_medio": [80, 75, 20, 25, 95, 15],"numero_categorie": [5, 4, 1, 2, 6, 1]})# 1. Scalingscaler = StandardScaler()X_scaled = scaler.fit_transform(df)# 2. Modellomodel = AgglomerativeClustering(n_clusters=3,linkage="ward")# 3. Assegnazione clusterlabels = model.fit_predict(X_scaled)df["cluster"] = labelsprint(df)

Mã nguồn rất ngắn gọn. Việc đọc hiểu về quản lý mới là điều quan trọng hơn.

Trong ví dụ này, bạn đang nói với mô hình: "hãy nhóm các quan sát này thành 3 cụm, kết hợp dần dần các trường hợp giống nhau nhất". Kết quả cuối cùng là cột cluster, tức là nhãn được gán cho mỗi hàng trong tập dữ liệu. Từ đó bắt đầu công việc hữu ích cho doanh nghiệp: hiểu điều gì phân biệt cụm 0 với cụm 1, và những quyết định nào đáng được đưa ra.

Nếu bạn muốn hiển thị cả cấu trúc phân cấp đầy đủ, bạn thường sẽ sử dụng scipy.cluster.hierarchy.linkage cùng với dendrogram. Scikit-learn giúp bạn có được các nhóm. SciPy giúp bạn thấy chúng được hình thành như thế nào.

Ba quyết định thực sự quan trọng

Trong doanh nghiệp, giá trị của việc phân cụm không phụ thuộc vào mức độ phức tạp của hệ thống. Nó phụ thuộc vào chất lượng của ba quyết định.

• Những biến nào cần đưa vào. Nếu bạn chọn các cột ít hữu ích, bạn sẽ nhận được các cụm khó diễn giải.
• Loại linkage nào nên dùng. Ward thường là một lựa chọn nền tảng tốt với dữ liệu số đã được chuẩn hóa, nhưng không phải lúc nào cũng là lựa chọn tốt nhất cho mọi bài toán.
• Bao nhiêu cụm thì kết quả mới có thể sử dụng được. Một mô hình với 8 nhóm có thể trông chính xác, nhưng lại trở nên khó quản lý đối với marketing, bán hàng hoặc vận hành.

Ở đây, ta có thể thấy sự khác biệt giữa một bài tập kỹ thuật và một công cụ ra quyết định. Một nhà quản lý không cần phải "phân cụm" một cách trừu tượng. Họ cần các phân khúc có thể đặt tên, giải thích và áp dụng được.

Vì vậy, nếu bạn đang làm việc với Python, đừng chỉ dừng lại ở nhãn được mô hình gán cho. Hãy xem xét giá trị trung bình của các biến cho từng cụm, so sánh các hồ sơ đã xuất hiện và tự hỏi ngay: liệu nhóm này có cần một cách xử lý khác so với các nhóm còn lại không? Nếu câu trả lời là không, thì vấn đề không nằm ở mã nguồn. Thông thường, vấn đề nằm ở việc lựa chọn biến, phương pháp liên kết hoặc điểm cắt.

Các ví dụ ứng dụng giúp phát triển doanh nghiệp của bạn

Một thuật toán thực sự đáng chú ý khi nó thay đổi một hành động cụ thể. Agglomerative hierarchical clustering trở nên hữu ích khi nó biến các hàng dữ liệu thành các phân khúc mà doanh nghiệp có thể sử dụng.

Phân khúc khách hàng thực sự hữu ích cho hoạt động tiếp thị

Nhiều doanh nghiệp vừa và nhỏ vẫn phân khúc khách hàng theo cách rất đơn giản. Tuổi tác, khu vực địa lý, có thể là mức doanh thu. Đó là bước khởi đầu, nhưng thường là chưa đủ.

Với phương pháp phân cụm phân cấp, bạn có thể kết hợp các biến số hành vi như tần suất mua hàng, giá trị đơn hàng trung bình, danh mục ưa thích và phản ứng với các chương trình khuyến mãi. Kết quả thu được không chỉ là một danh sách các hồ sơ. Đó là một hệ thống phân cấp giúp bạn nhận ra những nhóm nào thực sự có mối liên hệ chặt chẽ với nhau và những nhóm nào cần được tiếp cận bằng các thông điệp khác nhau.

Điều này giúp đội ngũ tiếp thị đưa ra những quyết định chính xác hơn:

• Khách hàng trung thành cần được bảo vệ bằng các chương trình loyalty
• Khách hàng mua sắm không thường xuyên cần được kích hoạt lại bằng các chiến dịch riêng
• Khách hàng mới cần được đồng hành đến lần mua thứ hai
• Hồ sơ không ổn định cần được theo dõi trước khi họ rời đi

Sản phẩm và hàng tồn kho

Trong lĩnh vực bán lẻ và thương mại điện tử, phân cụm không chỉ giúp hiểu rõ khách hàng mà còn giúp hiểu rõ các sản phẩm.

Bạn có thể phân nhóm các sản phẩm dựa trên xu hướng bán hàng, thói quen mua kèm, tính thời vụ hoặc phản ứng với các chương trình khuyến mãi. Điều này giúp cải thiện các quyết định vận hành khác nhau:

• Danh mục sản phẩm. Bạn hiểu được những sản phẩm nào có động lực tương tự nhau.
• Khuyến mãi. Bạn xây dựng các gói combo mạch lạc hơn.
• Tồn kho. Bạn tránh xử lý theo cùng một cách các mặt hàng có hành vi rất khác nhau.

Lợi thế về mặt quản lý ở đây là rất rõ ràng. Bạn không chỉ xem xét từng SKU riêng lẻ. Thay vào đó, bạn đang xác định các nhóm sản phẩm có thể được lập kế hoạch một cách tổng thể.

Khi các sản phẩm di chuyển theo các cụm tương tự nhau, các quyết định về đặt hàng lại và khuyến mãi cũng trở nên nhất quán hơn.

Rủi ro tài chính và an ninh mạng

Trong lĩnh vực tài chính, phân cụm có thể giúp phân biệt các mẫu dữ liệu bình thường với những mẫu cần được phân tích thêm. Phương pháp này không thể thay thế các biện pháp kiểm soát theo quy định hay các mô hình chuyên sâu, nhưng có thể là một công cụ hữu ích để nhóm các hành vi tương tự lại với nhau và phát hiện ra các bất thường.

Sau đó còn có một hướng đi thú vị trong lĩnh vực an ninh mạng. Một góc nhìn mới nổi liên quan đến việc sử dụng AHC nâng cao cho lưu lượng mạng tại các doanh nghiệp vừa và nhỏ của Ý. Vào năm 2025, các cuộc tấn công ransomware nhắm vào các doanh nghiệp vừa và nhỏ ngành CNTT của Ý đã tăng 27%, và các framework AHC dựa trên inner-products đã cải thiện khả năng phát hiện outlier lên 18% trên các tập dữ liệu lưu lượng mạng của Ý (tham khảo JMLR được trích dẫn tại đây).

Điều này rất hữu ích nếu được hiểu đúng cách. Điều đó không có nghĩa là mọi doanh nghiệp vừa và nhỏ đều phải ngay lập tức xây dựng một hệ thống phân cụm cho mục đích bảo mật. Tuy nhiên, điều đó có nghĩa là phân cụm theo cấp bậc không chỉ giới hạn trong lĩnh vực tiếp thị hay bán lẻ. Nó có thể trở thành một khung phân tích đa chiều, từ hành vi khách hàng cho đến việc giám sát rủi ro.

Cách ELECTE quá trình phân cụm cho doanh nghiệp của bạn

Bạn có dữ liệu khách hàng trong hệ thống CRM, đơn hàng trên nền tảng thương mại điện tử, tỷ suất lợi nhuận trong tệp Excel và một số thông tin vận hành trong hệ thống quản lý doanh nghiệp. Chừng nào các dữ liệu này vẫn còn tách biệt, việc phân cụm chỉ là một bài tập lý thuyết. Đối với một doanh nghiệp vừa và nhỏ, vấn đề không phải là nhận ra rằng việc phân cụm có thể hữu ích. Vấn đề là làm sao để tạo ra các cụm dữ liệu dễ hiểu, nhất quán và đủ tin cậy để làm cơ sở cho các quyết định kinh doanh hoặc vận hành.

Chính ở điểm này, một nền tảng như ELECTE công việc thủ công và làm cho phương pháp này trở nên thiết thực hơn đối với những người cần ra quyết định, chứ không phải lập trình.

Điều gì thực sự khiến một đội ngũ nội bộ bị đình trệ

Trên thực tế, có bốn trở ngại thường gặp.

• Nguồn dữ liệu phân tán giữa CRM, e-commerce, tệp cục bộ và các công cụ tài chính
• Các biến khó chuẩn bị, vì chúng có thang đo và đơn vị khác nhau
• Việc lựa chọn linkage không trực quan, đặc biệt khi không rõ nên ưu tiên tính gọn, sự ổn định hay độ nhạy với outlier
• Kết quả khó đọc đối với các nhà quản lý và đội ngũ vận hành không làm việc hàng ngày với Python

Điểm bị đánh giá thấp nhất chính là điều này: thuật toán thôi chưa đủ. Cần có một quy trình đưa dữ liệu thô đến một phân khúc mà doanh nghiệp có thể sử dụng. Electe đã hỗ trợ ngay từ bước đầu tiên, kết nối các nguồn dữ liệu doanh nghiệp một cách có tổ chức. Nếu bạn muốn xem những tích hợp nào khả dụng, bạn có thể tham khảo trang các nguồn dữ liệu có thể kết nối trong Electe.

Ngoài ra còn có một khó khăn thứ hai, mang tính chiến lược hơn là kỹ thuật. Việc lựa chọn phương pháp liên kết không phù hợp có thể dẫn đến việc tạo ra các nhóm khách hàng không mang lại nhiều giá trị cho doanh nghiệp, ngay cả khi mô hình đã được thực hiện đúng cách. Một nhà quản lý không cần phải nắm rõ từng chi tiết toán học. Điều họ cần là hiểu được cấu hình nào sẽ tạo ra các phân khúc đủ ổn định để hỗ trợ một chiến dịch tiếp thị, chính sách tồn kho hoặc việc rà soát danh mục khách hàng.

Những thay đổi khi áp dụng quy trình làm việc tự động

Với quy trình làm việc tự động, quá trình này giống một dây chuyền sản xuất được tổ chức bài bản hơn là một chuỗi các thử nghiệm thủ công. Dữ liệu được nhập vào, được xử lý một cách nhất quán, các cấu hình khác nhau được so sánh với nhau và kết quả cuối cùng được trình bày dưới dạng dễ đọc.

Cụ thể, quy trình có thể diễn ra theo các bước sau:

1. Thu thập dữ liệu từ các hệ thống doanh nghiệp vào một môi trường duy nhất.
2. Chuẩn bị các biến theo các quy tắc nhất quán, để doanh thu không có trọng số quá mức so với tần suất mua hàng.
3. So sánh nhiều cấu hình clustering mà không cần lặp lại thủ công từng lần thử.
4. Đọc các nhóm có thể diễn giải được, với nhãn và mẫu hình có ý nghĩa đối với bán hàng, marketing hoặc vận hành.
5. Chuyển các cụm thành quyết định, ví dụ như ưu tiên thương mại, phân khúc khuyến mãi hoặc chính sách đặt hàng lại.

Lợi ích không nằm ở chính việc tự động hóa. Mà nằm ở chỗ thời gian của đội ngũ được dành cho phần quan trọng nhất: phân tích sơ đồ phân nhánh, lựa chọn mức độ phân đoạn phù hợp và quyết định cách xử lý các nhóm đó.

Đối với một doanh nghiệp vừa và nhỏ (SME), điều này mang lại sự thay đổi lớn. Thay vì phải băn khoăn một cách trừu tượng về việc nên sử dụng phương pháp Ward, trung bình hay toàn diện, việc so sánh giờ đây trở nên thiết thực hơn: phương pháp nào sẽ tạo ra các cụm dữ liệu rõ ràng hơn cho khách hàng, sản phẩm và mục tiêu của chúng ta? ELECTE câu hỏi này ELECTE dễ dàng hơn, ngay cả khi doanh nghiệp không có đội ngũ chuyên gia dữ liệu nội bộ.

Do đó, tự động hóa không thay thế được sự phán đoán của nhà quản lý. Nó chỉ giúp đặt sự phán đoán đó vào đúng vị trí trong quy trình.

Kết luận và những điểm chính cần ghi nhớ

Agglomerative hierarchical clustering không chỉ là một chủ đề trong giáo trình đại học. Đó là một công cụ cụ thể để sắp xếp dữ liệu mà nếu không, sẽ vẫn còn rời rạc.

Có một số điểm chính cần lưu ý, tuy ít nhưng rất quan trọng:

• Bắt đầu từ dưới lên. Mỗi quan sát bắt đầu riêng lẻ và dần dần được kết hợp với những quan sát tương tự khác.
• Không áp đặt k ngay từ đầu. Điều này khiến phương pháp hữu ích khi bạn chưa biết bao nhiêu phân khúc là hợp lý.
• Việc lựa chọn linkage làm thay đổi kết quả. Ward, complete, average và single không tạo ra cùng một cấu trúc.
• Dendrogram giúp đưa ra quyết định. Đây không chỉ là một hình ảnh trực quan. Đó là một công cụ để chuyển cấu trúc thống kê thành hành động quản lý.

Đối với một doanh nghiệp vừa và nhỏ, giá trị thực sự nằm ở đây. Đó là việc hiểu rõ hơn về khách hàng, sản phẩm và các hoạt động kinh doanh mà không chỉ dựa vào trực giác. Nếu đội ngũ của bạn có kiến thức kỹ thuật, bạn có thể bắt đầu với Python và scikit-learn. Ngược lại, nếu bạn muốn nhanh chóng thu được những thông tin phân tích dễ hiểu, một phương pháp tự động hóa sẽ giúp giảm thiểu rào cản và tiết kiệm thời gian.

Vấn đề không phải là sử dụng một thuật toán “tiên tiến”. Vấn đề là đưa ra những quyết định rõ ràng hơn, dựa trên bối cảnh cụ thể hơn và ít bị nhiễu loạn hơn.

Nếu bạn muốn biến dữ liệu rời rạc thành các phân khúc rõ ràng và các quyết định vận hành, hãy khám phá cách Electe giúp việc phân tích trở nên dễ tiếp cận ngay cả khi không có đội ngũ data scientist. Bạn có thể kết nối các nguồn dữ liệu của mình, nhận được insight dễ hiểu và chuyển từ phân tích sang hành động nhanh hơn.