Bài toán phân nhóm đối với khách hàng sử dụng dịch vụ gọi xe trực tuyến tại thị trường miền Bắc Việt Nam

ICYREB2021|Chủđề4:Cơngnghệtàichínhvàcácchủđềkhác

861


BÀI TỐN PHÂN NHĨM ĐỐI VỚI KHÁCH HÀNG SỬ DỤNG DỊCH VỤ
GỌI XE TRỰC TUYẾN TẠI THỊ TRƯỜNG MIỀN BẮC VIỆT NAM
Nguyễn Thị Thùy Trang - Dương Hoàng Long Phan Thị Minh Châm - Ngô Thị Kiều Loan - Trần Bình Minh
Trường Đại học Kinh tế Quốc dân
Tóm tắt
Phân nhóm khách hàng là việc phân chia, sắp xếp khách hàng với các đặc điểm chung
về hành vi, thu nhập, độ tuổi, sở thích,... thành các nhóm khác nhau. Việc phân nhóm này
giúp cho các nhà tiếp thị tổ chức quản lý tốt hơn mối quan hệ giữa công ty và khách hàng,
đưa ra các mục tiêu, chiến lược tiếp cận khách hàng theo hướng cá nhân hóa. Trong bài viết,
dữ liệu được thu thập gồm 306 khách hàng đã từng sử dụng dịch vụ đặt xe công nghệ. Bộ dữ
liệu này được phân tích thơng qua các phương pháp phân cụm (clustering methods) trong
thống kê và học máy không giám sát (unsupervised learning). Các thuật tốn đó cịn được gọi
là K-means và Elbow. Đây vốn là các thuật toán nổi tiếng đã được áp dụng thành công trong
nhiều lĩnh vực như: Sale, Marketing, CRM (Customer Relationship Management). Về kết quả,
nhóm đã tìm ra 4 phân khúc hữu dụng và đã mô tả thành công đặc điểm nhân khẩu học, tần
suất đặt xe, sự hài lòng, lòng trung thành đối với từng nhóm phân khúc này. Từ đó góp phần
giúp các hãng xe công nghệ nâng cao hiệu quả của việc chăm sóc và tiếp thị khách hàng.
Từ khóa: Kinh doanh chia sẻ, phân khúc khách hàng, phương pháp phân cụm,
phương pháp Elbow, thuật toán K-means.
RIDE-HAILING CUSTOMER SEGMENTATION
USING K MEANS METHOD FOR THE NORTHEN VIETNAM MARKET
Abstract
Customer grouping is the activity of dividing and arranging customers with common
characteristics in terms of behavior, income, age, interests, etc into different groups.
Grouping customers helps organizations better manage the relationship between them and
their customers. It enables them to set effective goals and strategies to reach customers

individually. In this article, the collected data includes 306 customers who have used both
ride-hailing and car-hailing services before. The data set is analyzed with the help of
clustering methods in statistics and unsupervised machine learning. The algorithms used in
this research are also known as K-means and Elbow. These are well-known computer
algorithms that have been applied in many fields: Marketing, CRM, Sale. Regarding the
results, we discover four customer segments and successfully describe the demographics,

9a3f31 93f39f8323 b7c7bda 5203 f0b7cfc8a c3 f0f81bf915 5a0f4ac5 d8ccf40c
9ad4424 f89 c65 43b7d34 d53 b38a2a3 9fe6 b66 c26 c305 fca4 9a3c4eb5 1abf55f8
0700b7a c6a4 5f9a c00a 0780 4c0e 4706 f58e f34 f4e 1d01 beb f4d539ab2fe7 2f5 b
fb5225288a 8a06 f7fda9338 0380 3efb56b3d3a d4680 f23 e90abcc8a38 c23fcd2
51a0663 7b4 c4a20 104dc58 ee9e c3358 fa7d28b0 be58 c90a 6d7 d8a86 b865 52a6d
6e21c6e5ac96df3e c0e4 ba33 d28bbd1a 77d5 c8a2 275a70 1b94 bfae 8f4 720ff3 f
83ff16454 d0ff6fcfdbe1 f08 e06e5a 6cd3b1 d29 b9dca760 db7 f556 09c19b6825
5eb1ed 75b67ec4b3 b724ea 3df9a79ee fed 76173 5a128 1900e 0583 282baa 080ae
f63 cf3 5b45 14a0 c2044 2ad20 8079 6f6 21eb 87ff30d3dbd7 f42b05b2 2642 df6a5
1542c8c8 9b7 d27 cd5 c6e4 6a36f0d7 fde f4a69a 3f4 f9e8 4338 c49 d5bb12 f0d7 2e
1dbd4e07a9 1c7 7d20 1f6 7f1 65a7 f0c61ad6 df3847e 1ccdb5b90 e55d132e2 0091
83b3df3 b9c9b0a b9a32e 9c3 1d17 42070 6f9 c33 be4 fc1ae 74a0 c925a c2abfb d9c
b7f2 6ed3 145d0590e e1b3 7b30 baa4 f57b256 ce438 96e0 c368 7e01 f543 f03 e2b7
37e1d7 8ef3 d65a 0d2 dfe5 d520 d3a7 c33e4 8616 1c1 b19 c079aa f860 76df75 8aaf
4ae631e b7f0c1 86eaad2 c0e 6da48 ec1 0486 d93aa2 b8ee3 f47 e8aa258 5cf946 46
4eaf5 c63b2742 99306 4530 f7d12e f440 d783a0 6390 b97e c6 cc7 2bf3e9df7 f50 c
c9a261 d2d34b1 efbbfb7384 77f7a47 c4a6a6 b238 d80 d82 c788 c191 9164 f6aa3 9
4f93 cd1 7a6554 3d1 803b33cb1b0aaac28 737ff67 eeb6 d176 38e03 7bfa 2d26 7d6
9bc7 1d71 3c1 5f4 b0e2e 94a1a2 6b9 c145 69b1 b468 87d5d0 c3ae4 db99 e612 dbf4e
60b7d9e7b725dd9 f50 c9d7 492d37c83dfeef4c1 3a54 c46ab8b8 b76d37b5 ba073
9b50b3a4b1 3035a 2090 fe268 5c6 f34 e2c6 8c7 22b2f8 1e8e30 3a5a41e e60e6 c3 d
3c4e9 c15 4862 b190e 839a2 4b65 f52 c9 c748 2d8b0cde295 0f8 cd2344a b0d0 1a3e
c0436 79c9eb0 35f44646 e76db058 e3ab1 69e0 8b8 f6a7 f4f7a709 9cbf7e4 d9d18

48d75e 1a7b3 d5e3 d2e3 e3b9a d7e5a 4a3208ff 6a14 f2e1 cde7 6ae8ab3eb4e f91 5
651275 5a4512 dbfeaa8e0 c007 31b7 93c9fb06e3 bbf5451 b51 754a04 4cc62ae2 3
ff88a1cbdbcf9 e618 9f8 f6d2ceae 7271 0729 fae7 c225a c51 b4b0 8a6b1 d8d1a0f
5c1b3da8 b4d1 3cb1d8 42b0 31b0 c1 d4866 f33 06e49a 758 c5e1 f6d9b6 bcb0ab0 b7
e96c2 6ff6cf34 bb20 f31 2b5aa7 d385 b70e 5dc1dc9c7598 53e1a5 687a7 b87d7c7
e3e5c3 fe58 b4bb6fb04 0e9e1 7c5e 6d8 f65 d4d0a 892e cad7 550bb49 f5d5b15 853
fcb8 3a671 1d63 8f3 f9ee 7a6ce801 da406 40601 63f4cf649 89d3 f70 06a71 19c1e
60fc9a3568 5c2 f07a d8ae cc5 c6 c0b053 f5e51 0c5 2d72fb b8f78a8fc6 f6bb5a50
dd0 f7f2e735 dbb70b67e24 f8d49d37ef9b07 65fa4 2fc4a398 3b9 2f5 56098 3a26
77b722 c4 fae8b59b5 9d83 9de6 b1b2ffcf49e1 b8e68 7ef1 868 cb81 fa6 f59b8dc7
e0139ad11e2 f920 9375e 71ad4ec2 2d1 c08a6 0e5b9b10 bb1 f83 e3659 d02 06359 d
b20c9a7bb9bfe635 b043 55e4 cc6 72273 d1d79b7276 bbf45a67 0bc6d24a 4c7 755
15e7a2 f607a4 f08 57e99 957e 98995fb 6a2727 f5a c8e5 8f9 1e92b4444 8e711 ec2
79b746 615a7 5776a7 2a0e7aa 3ff897afe 5a8c580 c38a7 69f8dd1 e477 0e2d52a4
1b9c74ab4a 2c2 99439 d6db85 3d45 2d8 bb4 b5db54f2dce47 c50e d23a3 56d7 c33 4
f8580 5c0 59f50a73 09dc4e33 c49 80aa85 b19 d0761 7ec0544aa4 2f0 632d8493 f2
b9a21a9 fc3a 5b6 b2908 cc6e38 f2b920 fc5 dbba 12c04c4ee52 b94b5fe7 353d7a7
d51760 f2 f3 c4b2 5b45 12c999b7db65c158dcba b7d2e5e8 8914a d13 f4f82856 55
70b476 6952 4967 472eb 9b1 1d0 d9534 8e65 b6fb150 e08e9 6375 cf24e2ffb d904 5
91b408 5421 d8efc3 c2b046fda430 d2c2a5da 83725 0e70 db16 8c7 71cd59a6 9aae
c5fe8 3a106 f37 c8 f17fc4e 1e5c0e1 f29b0942 c58 c5 f6a131 7d6 c681 0a7be 6667


862

ICYREB2021|Chủđề4:Cơngnghệtàichínhvàcácchủđềkhác


booking frequency, satisfaction, and loyalty for each of these groups. This result is a valuable
source of information in helping technology car companies improve their business activities.

Keywords: Sharing business, customer segmentation, clustering method, Elbow
method, K-means algorithm.
1. Giới thiệu
Ngày nay, sự phát triển của khoa học công nghệ, cụ thể là Internet cùng với nhiều
tiện ích khác đã khiến cho dịch vụ đặt xe trực tuyến ngày càng trở nên phổ biến. Số lượng
khách hàng sử dụng dịch vụ này đã chứng kiến sự gia tăng nhanh chóng trong những năm
gần đây. Cụ thể, tổng số cuốc xe cơng nghệ được hồn tất tại Việt Nam trong năm 2019 là
429,5 triệu cuốc. Trong 6 tháng đầu năm 2020, mặc dù chịu tác động mạnh mẽ từ diễn
biến phức tạp của dịch COVID-19, tại Việt Nam vẫn có tới 83,8 triệu cuốc xe cơng nghệ
được hồn tất (Tiểu Phượng, 2020).
Bên cạnh sự gia tăng đó, những khách hàng thân thiết sẽ mang đến lợi ích lâu dài cho
bất kì doanh nghiệp nào, và đây cũng là yếu tố mà các doanh nghiệp tập trung song song với
việc tiếp cận khách hàng mới. Vì vậy, lịng trung thành của khách hàng có ý nghĩa quan trọng
đối với sự phát triển của mỗi doanh nghiệp. Tuy nhiên, trong thực tế, khách hàng thường có
xu hướng phân thành các nhóm với các đặc điểm khác nhau dựa trên nhân khẩu học, sở thích,
hành vi… Vì vậy, việc phát hiện ra các phân khúc khách hàng với các đặc điểm khác nhau
như vậy đóng vai trị rất lớn đối với các cơng ty nói chung và các nhà cung cấp dịch vụ vận tải
trực tuyến nói riêng. Với phương pháp này, các nhà cung cấp sẽ đưa ra được phương thức tiếp
thị hiệu quả, tập trung giải quyết đúng yêu cầu của từng khách hàng, nâng cao lợi thế cạnh
tranh. Từ đó giữ chân người sử dụng, nâng cao sự hài lòng đối với dịch vụ vận tải trực tuyến
và thu về lợi nhuận nhiều hơn.
Với bối cảnh như vậy, nhóm tác giả đã quyết định thực hiện bài nghiên cứu “Bài tốn
phân nhóm đối với khách hàng sử dụng dịch vụ đặt xe trực tuyến tại thị trường miền Bắc
Việt Nam” nhằm tìm ra một số phân khúc khách hàng có ý nghĩa từ đó phần nào giúp doanh
nghiệp nắm bắt và tìm hiểu các đặc điểm của tập khách hàng.
2. Tổng quan nghiên cứu & Phương pháp nghiên cứu
2.1. Tổng quan nghiên cứu và cơ sở lý thuyết
Dưới tác động của cuộc Cách mạng công nghệ 4.0, nền kinh tế chia sẻ nói chung và
các mơ hình kinh doanh chia sẻ nói riêng phát triển mạnh mẽ và nhanh chóng. Trong đó, mơ
hình kinh doanh chia sẻ xe công nghệ nổi bật hơn cả với câu chuyện thành cơng của hai mơ

hình dịch vụ taxi và xe ơm cộng đồng Uber và Grab. Mơ hình kinh doanh này được cấu thành
bởi sự tham gia của ba bên: khách hàng, tài xế và nền tảng. Cụ thể, các doanh nghiệp cung
cấp các siêu ứng dụng để kết nối khách hàng - người có nhu cầu di chuyển với tài xế - người
có nhu cầu tối đa hóa lợi ích từ tài sản nhàn rỗi (Trần Bình Minh và cộng sự, 2021).

9a3f31 93f39f8323 b7c7bda 5203 f0b7cfc8a c3 f0f81bf915 5a0f4ac5 d8ccf40c
9ad4424 f89 c65 43b7d34 d53 b38a2a3 9fe6 b66 c26 c305 fca4 9a3c4eb5 1abf55f8
0700b7a c6a4 5f9a c00a 0780 4c0e 4706 f58e f34 f4e 1d01 beb f4d539ab2fe7 2f5 b
fb5225288a 8a06 f7fda9338 0380 3efb56b3d3a d4680 f23 e90abcc8a38 c23fcd2
51a0663 7b4 c4a20 104dc58 ee9e c3358 fa7d28b0 be58 c90a 6d7 d8a86 b865 52a6d
6e21c6e5ac96df3e c0e4 ba33 d28bbd1a 77d5 c8a2 275a70 1b94 bfae 8f4 720ff3 f
83ff16454 d0ff6fcfdbe1 f08 e06e5a 6cd3b1 d29 b9dca760 db7 f556 09c19b6825
5eb1ed 75b67ec4b3 b724ea 3df9a79ee fed 76173 5a128 1900e 0583 282baa 080ae
f63 cf3 5b45 14a0 c2044 2ad20 8079 6f6 21eb 87ff30d3dbd7 f42b05b2 2642 df6a5
1542c8c8 9b7 d27 cd5 c6e4 6a36f0d7 fde f4a69a 3f4 f9e8 4338 c49 d5bb12 f0d7 2e
1dbd4e07a9 1c7 7d20 1f6 7f1 65a7 f0c61ad6 df3847e 1ccdb5b90 e55d132e2 0091
83b3df3 b9c9b0a b9a32e 9c3 1d17 42070 6f9 c33 be4 fc1ae 74a0 c925a c2abfb d9c
b7f2 6ed3 145d0590e e1b3 7b30 baa4 f57b256 ce438 96e0 c368 7e01 f543 f03 e2b7
37e1d7 8ef3 d65a 0d2 dfe5 d520 d3a7 c33e4 8616 1c1 b19 c079aa f860 76df75 8aaf
4ae631e b7f0c1 86eaad2 c0e 6da48 ec1 0486 d93aa2 b8ee3 f47 e8aa258 5cf946 46
4eaf5 c63b2742 99306 4530 f7d12e f440 d783a0 6390 b97e c6 cc7 2bf3e9df7 f50 c
c9a261 d2d34b1 efbbfb7384 77f7a47 c4a6a6 b238 d80 d82 c788 c191 9164 f6aa3 9
4f93 cd1 7a6554 3d1 803b33cb1b0aaac28 737ff67 eeb6 d176 38e03 7bfa 2d26 7d6
9bc7 1d71 3c1 5f4 b0e2e 94a1a2 6b9 c145 69b1 b468 87d5d0 c3ae4 db99 e612 dbf4e
60b7d9e7b725dd9 f50 c9d7 492d37c83dfeef4c1 3a54 c46ab8b8 b76d37b5 ba073
9b50b3a4b1 3035a 2090 fe268 5c6 f34 e2c6 8c7 22b2f8 1e8e30 3a5a41e e60e6 c3 d
3c4e9 c15 4862 b190e 839a2 4b65 f52 c9 c748 2d8b0cde295 0f8 cd2344a b0d0 1a3e
c0436 79c9eb0 35f44646 e76db058 e3ab1 69e0 8b8 f6a7 f4f7a709 9cbf7e4 d9d18
48d75e 1a7b3 d5e3 d2e3 e3b9a d7e5a 4a3208ff 6a14 f2e1 cde7 6ae8ab3eb4e f91 5
651275 5a4512 dbfeaa8e0 c007 31b7 93c9fb06e3 bbf5451 b51 754a04 4cc62ae2 3

ff88a1cbdbcf9 e618 9f8 f6d2ceae 7271 0729 fae7 c225a c51 b4b0 8a6b1 d8d1a0f
5c1b3da8 b4d1 3cb1d8 42b0 31b0 c1 d4866 f33 06e49a 758 c5e1 f6d9b6 bcb0ab0 b7
e96c2 6ff6cf34 bb20 f31 2b5aa7 d385 b70e 5dc1dc9c7598 53e1a5 687a7 b87d7c7
e3e5c3 fe58 b4bb6fb04 0e9e1 7c5e 6d8 f65 d4d0a 892e cad7 550bb49 f5d5b15 853
fcb8 3a671 1d63 8f3 f9ee 7a6ce801 da406 40601 63f4cf649 89d3 f70 06a71 19c1e
60fc9a3568 5c2 f07a d8ae cc5 c6 c0b053 f5e51 0c5 2d72fb b8f78a8fc6 f6bb5a50
dd0 f7f2e735 dbb70b67e24 f8d49d37ef9b07 65fa4 2fc4a398 3b9 2f5 56098 3a26
77b722 c4 fae8b59b5 9d83 9de6 b1b2ffcf49e1 b8e68 7ef1 868 cb81 fa6 f59b8dc7
e0139ad11e2 f920 9375e 71ad4ec2 2d1 c08a6 0e5b9b10 bb1 f83 e3659 d02 06359 d
b20c9a7bb9bfe635 b043 55e4 cc6 72273 d1d79b7276 bbf45a67 0bc6d24a 4c7 755
15e7a2 f607a4 f08 57e99 957e 98995fb 6a2727 f5a c8e5 8f9 1e92b4444 8e711 ec2
79b746 615a7 5776a7 2a0e7aa 3ff897afe 5a8c580 c38a7 69f8dd1 e477 0e2d52a4
1b9c74ab4a 2c2 99439 d6db85 3d45 2d8 bb4 b5db54f2dce47 c50e d23a3 56d7 c33 4
f8580 5c0 59f50a73 09dc4e33 c49 80aa85 b19 d0761 7ec0544aa4 2f0 632d8493 f2
b9a21a9 fc3a 5b6 b2908 cc6e38 f2b920 fc5 dbba 12c04c4ee52 b94b5fe7 353d7a7
d51760 f2 f3 c4b2 5b45 12c999b7db65c158dcba b7d2e5e8 8914a d13 f4f82856 55
70b476 6952 4967 472eb 9b1 1d0 d9534 8e65 b6fb150 e08e9 6375 cf24e2ffb d904 5
91b408 5421 d8efc3 c2b046fda430 d2c2a5da 83725 0e70 db16 8c7 71cd59a6 9aae
c5fe8 3a106 f37 c8 f17fc4e 1e5c0e1 f29b0942 c58 c5 f6a131 7d6 c681 0a7be 6667


ICYREB2021|Chủđề4:Cơngnghệtàichínhvàcácchủđềkhác

863


Chính thức xâm nhập vào thị trường Việt Nam vào năm 2014 với sự xuất hiện của
Uber và Grab, mô hình chia sẻ xe cơng nghệ đã kéo theo sự chuyển dịch của một lượng lớn
khách hàng đang sử dụng taxi truyền thống sang việc gọi xe qua ứng dụng. Điều này cho thấy
nhu cầu di chuyển theo hình thức này là không nhỏ ở thị trường Việt Nam. Tuy nhiên, về vấn

đề phân khúc khách hàng, các hãng xe công nghệ Việt Nam mới chỉ dừng lại ở việc xác định
nhóm đối tượng với những đặc điểm chung về mặt nghề nghiệp, độ tuổi, nhu cầu, tính cách,
khu vực mà chưa đi sâu vào phân tích, chia nhóm tệp khách hàng nhằm cung cấp dịch vụ tốt
nhất cho từng nhóm đối tượng và tối đa sự hài lịng khách hàng.
Vì vậy, trong bài nghiên cứu này, nhóm tập trung nghiên cứu sâu các đặc điểm của
khách hàng sử dụng dịch vụ gọi xe công nghệ ở Việt Nam thông qua các nhân tố về nhân
khẩu như giới tính, độ tuổi, nghề nghiệp, thu nhập, tần suất sử dụng và các nhân tố khác như
độ hài lòng - “mức độ trạng thái, cảm giác của một người bắt nguồn từ việc so sánh kết quả
nhận được từ việc tiêu dùng sản phẩm/dịch vụ với kỳ vọng ban đầu của họ” (Kotler, 2000) và
lòng trung thành - “việc khách hàng sử dụng một sản phẩm/dịch vụ và có xu hướng lặp lại
hành động đó” (Chaudhuri, 1999). Từ đó, khách hàng được chia thành các tập nhỏ nhằm phản
ánh cụ thể hơn nhu cầu của họ và giúp các hãng xe công nghệ có cái nhìn sâu hơn về độ hài
lịng và lòng trung của người sử dụng.
2.2. Phương pháp nghiên cứu
Trong đề tài này, phương pháp phân cụm (cluster analysis) là phương pháp nghiên cứu
chính được áp dụng. Phương pháp này giúp phân tập dữ liệu thành nhiều cụm/nhóm khác
nhau mà ở mỗi cụm/nhóm đều có những đặc điểm chung giữa các quan sát (King, 2015). Đây
cũng là phương pháp được áp dụng vô cùng hiệu quả trong các mảng như Marketing, Sales
hay CRM để đưa ra các chiến dịch quảng cáo, bán hàng hướng tới khách hàng mục tiêu. Do
đó, phương pháp này cịn được biết đến là phân tích phân khúc (segmentation analysis).
Dựa trên cấu trúc, phân tích cụm bao gồm hai dạng cơ bản: Phân cấp (Hierarchical
clustering) và Phân nhóm (Partitional clustering). Trong phân tích phân cấp, các quan sát
được gom từ những cụm nhỏ thành cụm lớn hoặc ngược lại. Trong khi đó, ở phân tích nhóm,
các quan sát được gộp thành cụm dựa trên sự giống nhau của chúng. Điểm khác nhau chính
giữa hai phương pháp này nằm ở chỗ phân tích nhóm là phân tích một cấp. Trước khi phân
cụm, số lượng nhóm (cluster) phải được xác định trước. Cụ thể, trong đề tài này, phương pháp
K-means sẽ được sử dụng chính để tiến hành phân cụm khách hàng.
Phương pháp phân cụm K-means clustering phân nhóm/cụm các quan sát dựa trên giá
trị đại diện của các điểm tâm trung tính dựa trên giá trị trung bình Mean của các quan sát
trong cluster (Bigdatauni, 2020). Theo phương pháp này, số lượng cụm cần phân - k, được

xác định trước. Mỗi cụm sẽ được biểu diễn bằng tâm centroid tương ứng với giá trị trung bình
của các điểm được gán cho cụm.
Phân cụm K-means là thuật toán học máy không giám sát được sử dụng để phân dữ
liệu thành các cụm (cluster) khác nhau sao cho dữ liệu trong cùng một cụm có tính chất giống
nhau (MacQueen, 1967). Số lượng cụm, kí hiệu k, cần được chỉ định trước. Đồng thời, các

9a3f31 93f39f8323 b7c7bda 5203 f0b7cfc8a c3 f0f81bf915 5a0f4ac5 d8ccf40c
9ad4424 f89 c65 43b7d34 d53 b38a2a3 9fe6 b66 c26 c305 fca4 9a3c4eb5 1abf55f8
0700b7a c6a4 5f9a c00a 0780 4c0e 4706 f58e f34 f4e 1d01 beb f4d539ab2fe7 2f5 b
fb5225288a 8a06 f7fda9338 0380 3efb56b3d3a d4680 f23 e90abcc8a38 c23fcd2
51a0663 7b4 c4a20 104dc58 ee9e c3358 fa7d28b0 be58 c90a 6d7 d8a86 b865 52a6d
6e21c6e5ac96df3e c0e4 ba33 d28bbd1a 77d5 c8a2 275a70 1b94 bfae 8f4 720ff3 f
83ff16454 d0ff6fcfdbe1 f08 e06e5a 6cd3b1 d29 b9dca760 db7 f556 09c19b6825
5eb1ed 75b67ec4b3 b724ea 3df9a79ee fed 76173 5a128 1900e 0583 282baa 080ae
f63 cf3 5b45 14a0 c2044 2ad20 8079 6f6 21eb 87ff30d3dbd7 f42b05b2 2642 df6a5
1542c8c8 9b7 d27 cd5 c6e4 6a36f0d7 fde f4a69a 3f4 f9e8 4338 c49 d5bb12 f0d7 2e
1dbd4e07a9 1c7 7d20 1f6 7f1 65a7 f0c61ad6 df3847e 1ccdb5b90 e55d132e2 0091
83b3df3 b9c9b0a b9a32e 9c3 1d17 42070 6f9 c33 be4 fc1ae 74a0 c925a c2abfb d9c
b7f2 6ed3 145d0590e e1b3 7b30 baa4 f57b256 ce438 96e0 c368 7e01 f543 f03 e2b7
37e1d7 8ef3 d65a 0d2 dfe5 d520 d3a7 c33e4 8616 1c1 b19 c079aa f860 76df75 8aaf
4ae631e b7f0c1 86eaad2 c0e 6da48 ec1 0486 d93aa2 b8ee3 f47 e8aa258 5cf946 46
4eaf5 c63b2742 99306 4530 f7d12e f440 d783a0 6390 b97e c6 cc7 2bf3e9df7 f50 c
c9a261 d2d34b1 efbbfb7384 77f7a47 c4a6a6 b238 d80 d82 c788 c191 9164 f6aa3 9
4f93 cd1 7a6554 3d1 803b33cb1b0aaac28 737ff67 eeb6 d176 38e03 7bfa 2d26 7d6
9bc7 1d71 3c1 5f4 b0e2e 94a1a2 6b9 c145 69b1 b468 87d5d0 c3ae4 db99 e612 dbf4e
60b7d9e7b725dd9 f50 c9d7 492d37c83dfeef4c1 3a54 c46ab8b8 b76d37b5 ba073
9b50b3a4b1 3035a 2090 fe268 5c6 f34 e2c6 8c7 22b2f8 1e8e30 3a5a41e e60e6 c3 d
3c4e9 c15 4862 b190e 839a2 4b65 f52 c9 c748 2d8b0cde295 0f8 cd2344a b0d0 1a3e
c0436 79c9eb0 35f44646 e76db058 e3ab1 69e0 8b8 f6a7 f4f7a709 9cbf7e4 d9d18
48d75e 1a7b3 d5e3 d2e3 e3b9a d7e5a 4a3208ff 6a14 f2e1 cde7 6ae8ab3eb4e f91 5

651275 5a4512 dbfeaa8e0 c007 31b7 93c9fb06e3 bbf5451 b51 754a04 4cc62ae2 3
ff88a1cbdbcf9 e618 9f8 f6d2ceae 7271 0729 fae7 c225a c51 b4b0 8a6b1 d8d1a0f
5c1b3da8 b4d1 3cb1d8 42b0 31b0 c1 d4866 f33 06e49a 758 c5e1 f6d9b6 bcb0ab0 b7
e96c2 6ff6cf34 bb20 f31 2b5aa7 d385 b70e 5dc1dc9c7598 53e1a5 687a7 b87d7c7
e3e5c3 fe58 b4bb6fb04 0e9e1 7c5e 6d8 f65 d4d0a 892e cad7 550bb49 f5d5b15 853
fcb8 3a671 1d63 8f3 f9ee 7a6ce801 da406 40601 63f4cf649 89d3 f70 06a71 19c1e
60fc9a3568 5c2 f07a d8ae cc5 c6 c0b053 f5e51 0c5 2d72fb b8f78a8fc6 f6bb5a50
dd0 f7f2e735 dbb70b67e24 f8d49d37ef9b07 65fa4 2fc4a398 3b9 2f5 56098 3a26
77b722 c4 fae8b59b5 9d83 9de6 b1b2ffcf49e1 b8e68 7ef1 868 cb81 fa6 f59b8dc7
e0139ad11e2 f920 9375e 71ad4ec2 2d1 c08a6 0e5b9b10 bb1 f83 e3659 d02 06359 d
b20c9a7bb9bfe635 b043 55e4 cc6 72273 d1d79b7276 bbf45a67 0bc6d24a 4c7 755
15e7a2 f607a4 f08 57e99 957e 98995fb 6a2727 f5a c8e5 8f9 1e92b4444 8e711 ec2
79b746 615a7 5776a7 2a0e7aa 3ff897afe 5a8c580 c38a7 69f8dd1 e477 0e2d52a4
1b9c74ab4a 2c2 99439 d6db85 3d45 2d8 bb4 b5db54f2dce47 c50e d23a3 56d7 c33 4
f8580 5c0 59f50a73 09dc4e33 c49 80aa85 b19 d0761 7ec0544aa4 2f0 632d8493 f2
b9a21a9 fc3a 5b6 b2908 cc6e38 f2b920 fc5 dbba 12c04c4ee52 b94b5fe7 353d7a7
d51760 f2 f3 c4b2 5b45 12c999b7db65c158dcba b7d2e5e8 8914a d13 f4f82856 55
70b476 6952 4967 472eb 9b1 1d0 d9534 8e65 b6fb150 e08e9 6375 cf24e2ffb d904 5
91b408 5421 d8efc3 c2b046fda430 d2c2a5da 83725 0e70 db16 8c7 71cd59a6 9aae
c5fe8 3a106 f37 c8 f17fc4e 1e5c0e1 f29b0942 c58 c5 f6a131 7d6 c681 0a7be 6667


864

ICYREB2021|Chủđề4:Cơngnghệtàichínhvàcácchủđềkhác


cụm xác định theo tiêu chí làm sao giá trị total within-cluster variation là nhỏ nhất. Theo đó,
giá trị total within-cluster được tính như sau:
!

!"!. !"#ℎ!"#$$ =

!

(!! − !! )!

!(!! ) =
!!!

!!! !! !!!

Ở đây, xi là dữ liệu thuộc cụm Ck, µk là giá trị trung bình của các điểm trong cụm Ck.
2.3. Mô tả dữ liệu
Bộ dữ liệu thu thập được gồm 306 quan sát là các khách hàng đã và đang sử dụng
dịch vụ đặt xe trực tuyến trên thị trường miền Bắc Việt Nam. Để có được bộ dữ liệu này,
nhóm chúng tơi đã tiến hành khảo sát với 358 đối tượng thông qua 2 cách: (1) thả mẫu câu
hỏi trực tuyến thông qua nền tảng Google Biểu mẫu trên các nhóm online dành cho học
sinh và người đi làm ở miền Bắc, (2) thả phiếu trực tiếp và thu lại ngay khi trả lời xong tại
các khu vực công cộng tập trung đông người như bến xe, trường học, cổng bệnh viện tại
thành phố Hà Nội. Quá trình khảo sát diễn ra trong 30 ngày, từ 10/02/2021 - 10/03/2021.
Tuy nhiên sau quá trình sàng lọc các phiếu trả lời, các câu trả lời khảo sát chỉ còn
lại 306 quan sát hợp lệ (chiếm tỉ lệ 85,47%).
3. Kết quả và thảo luận
3.1. Thống kê mô tả dữ liệu
Bộ dữ liệu bao gồm 306 biến quan sát được chia thành 4 nhóm: nhân khẩu học, độ hài
lịng, lịng trung thành, tần suất sử dụng. Sau q trình xử lý, chúng tôi rút ra được một vài
đặc điểm về các biến nhân khẩu học như dưới đây:
Bảng 1: Bảng thống kê dữ liệu cho các biến nhân khẩu học
Tình trạng việc làm

Tỉ lệ

Thu nhập

Tỉ lệ

Độ tuổi

Tỉ lệ

HS, SV đi làm bán thời gian

22,50

Dưới 3 triệu

35,40

18 – 21

32,40

HS, SV không đi làm

19,30

Từ 3 – 6 triệu

15,14

22 – 25

26,80

Thất nghiệp

1,00

Từ 6 – 9 triệu

15,10

Trên 25

40,80

Người đi làm bán thời gian

16,00

Trên 9 triệu

34,36

Người đi làm toàn thời gian

41,20

Tổng số

100,00

Tổng số

100,00

Tổng số

100,00

Nguồn: Dựa trên tính tốn của nhóm tác giả
•

Tỷ lệ giới tính được phân bố khá đồng đều với Nam đạt 50,7% và Nữ đạt 49,3%.

•
Phân bố của 3 mốc tuổi trong nghiên cứu: Từ 18 đến 21 - mốc tuổi đang đi học
(32,4%); Từ 22 đến 25 - mốc tuổi mới tốt nghiệp (26,8%); Trên 25 - mốc tuổi đi làm (40,8%).
•
Phân bố của 5 nhóm nghề nghiệp trong nghiên cứu: Học sinh, sinh viên đi làm
bán thời gian (19,3%); Học sinh, sinh viên không đi làm (22,5%); Thất nghiệp (1%); Người đi
làm bán thời gian (16%); Người đi làm toàn thời gian (41,2%).

9a3f31 93f39f8323 b7c7bda 5203 f0b7cfc8a c3 f0f81bf915 5a0f4ac5 d8ccf40c
9ad4424 f89 c65 43b7d34 d53 b38a2a3 9fe6 b66 c26 c305 fca4 9a3c4eb5 1abf55f8
0700b7a c6a4 5f9a c00a 0780 4c0e 4706 f58e f34 f4e 1d01 beb f4d539ab2fe7 2f5 b
fb5225288a 8a06 f7fda9338 0380 3efb56b3d3a d4680 f23 e90abcc8a38 c23fcd2
51a0663 7b4 c4a20 104dc58 ee9e c3358 fa7d28b0 be58 c90a 6d7 d8a86 b865 52a6d
6e21c6e5ac96df3e c0e4 ba33 d28bbd1a 77d5 c8a2 275a70 1b94 bfae 8f4 720ff3 f

83ff16454 d0ff6fcfdbe1 f08 e06e5a 6cd3b1 d29 b9dca760 db7 f556 09c19b6825
5eb1ed 75b67ec4b3 b724ea 3df9a79ee fed 76173 5a128 1900e 0583 282baa 080ae
f63 cf3 5b45 14a0 c2044 2ad20 8079 6f6 21eb 87ff30d3dbd7 f42b05b2 2642 df6a5
1542c8c8 9b7 d27 cd5 c6e4 6a36f0d7 fde f4a69a 3f4 f9e8 4338 c49 d5bb12 f0d7 2e
1dbd4e07a9 1c7 7d20 1f6 7f1 65a7 f0c61ad6 df3847e 1ccdb5b90 e55d132e2 0091
83b3df3 b9c9b0a b9a32e 9c3 1d17 42070 6f9 c33 be4 fc1ae 74a0 c925a c2abfb d9c
b7f2 6ed3 145d0590e e1b3 7b30 baa4 f57b256 ce438 96e0 c368 7e01 f543 f03 e2b7
37e1d7 8ef3 d65a 0d2 dfe5 d520 d3a7 c33e4 8616 1c1 b19 c079aa f860 76df75 8aaf
4ae631e b7f0c1 86eaad2 c0e 6da48 ec1 0486 d93aa2 b8ee3 f47 e8aa258 5cf946 46
4eaf5 c63b2742 99306 4530 f7d12e f440 d783a0 6390 b97e c6 cc7 2bf3e9df7 f50 c
c9a261 d2d34b1 efbbfb7384 77f7a47 c4a6a6 b238 d80 d82 c788 c191 9164 f6aa3 9
4f93 cd1 7a6554 3d1 803b33cb1b0aaac28 737ff67 eeb6 d176 38e03 7bfa 2d26 7d6
9bc7 1d71 3c1 5f4 b0e2e 94a1a2 6b9 c145 69b1 b468 87d5d0 c3ae4 db99 e612 dbf4e
60b7d9e7b725dd9 f50 c9d7 492d37c83dfeef4c1 3a54 c46ab8b8 b76d37b5 ba073
9b50b3a4b1 3035a 2090 fe268 5c6 f34 e2c6 8c7 22b2f8 1e8e30 3a5a41e e60e6 c3 d
3c4e9 c15 4862 b190e 839a2 4b65 f52 c9 c748 2d8b0cde295 0f8 cd2344a b0d0 1a3e
c0436 79c9eb0 35f44646 e76db058 e3ab1 69e0 8b8 f6a7 f4f7a709 9cbf7e4 d9d18
48d75e 1a7b3 d5e3 d2e3 e3b9a d7e5a 4a3208ff 6a14 f2e1 cde7 6ae8ab3eb4e f91 5
651275 5a4512 dbfeaa8e0 c007 31b7 93c9fb06e3 bbf5451 b51 754a04 4cc62ae2 3
ff88a1cbdbcf9 e618 9f8 f6d2ceae 7271 0729 fae7 c225a c51 b4b0 8a6b1 d8d1a0f
5c1b3da8 b4d1 3cb1d8 42b0 31b0 c1 d4866 f33 06e49a 758 c5e1 f6d9b6 bcb0ab0 b7
e96c2 6ff6cf34 bb20 f31 2b5aa7 d385 b70e 5dc1dc9c7598 53e1a5 687a7 b87d7c7
e3e5c3 fe58 b4bb6fb04 0e9e1 7c5e 6d8 f65 d4d0a 892e cad7 550bb49 f5d5b15 853
fcb8 3a671 1d63 8f3 f9ee 7a6ce801 da406 40601 63f4cf649 89d3 f70 06a71 19c1e
60fc9a3568 5c2 f07a d8ae cc5 c6 c0b053 f5e51 0c5 2d72fb b8f78a8fc6 f6bb5a50
dd0 f7f2e735 dbb70b67e24 f8d49d37ef9b07 65fa4 2fc4a398 3b9 2f5 56098 3a26
77b722 c4 fae8b59b5 9d83 9de6 b1b2ffcf49e1 b8e68 7ef1 868 cb81 fa6 f59b8dc7
e0139ad11e2 f920 9375e 71ad4ec2 2d1 c08a6 0e5b9b10 bb1 f83 e3659 d02 06359 d
b20c9a7bb9bfe635 b043 55e4 cc6 72273 d1d79b7276 bbf45a67 0bc6d24a 4c7 755
15e7a2 f607a4 f08 57e99 957e 98995fb 6a2727 f5a c8e5 8f9 1e92b4444 8e711 ec2

79b746 615a7 5776a7 2a0e7aa 3ff897afe 5a8c580 c38a7 69f8dd1 e477 0e2d52a4
1b9c74ab4a 2c2 99439 d6db85 3d45 2d8 bb4 b5db54f2dce47 c50e d23a3 56d7 c33 4
f8580 5c0 59f50a73 09dc4e33 c49 80aa85 b19 d0761 7ec0544aa4 2f0 632d8493 f2
b9a21a9 fc3a 5b6 b2908 cc6e38 f2b920 fc5 dbba 12c04c4ee52 b94b5fe7 353d7a7
d51760 f2 f3 c4b2 5b45 12c999b7db65c158dcba b7d2e5e8 8914a d13 f4f82856 55
70b476 6952 4967 472eb 9b1 1d0 d9534 8e65 b6fb150 e08e9 6375 cf24e2ffb d904 5
91b408 5421 d8efc3 c2b046fda430 d2c2a5da 83725 0e70 db16 8c7 71cd59a6 9aae
c5fe8 3a106 f37 c8 f17fc4e 1e5c0e1 f29b0942 c58 c5 f6a131 7d6 c681 0a7be 6667


ICYREB2021|Chủđề4:Cơngnghệtàichínhvàcácchủđềkhác

865


•
Tỷ lệ của các nhóm thu nhập trong nghiên cứu: Dưới 3 triệu VNĐ (35,40%) và
Trên 9 triệu VNĐ (34,36%) có tỷ lệ xấp xỉ nhau và chiếm hai vị trí cao nhất. Ngồi ra, hai
nhóm cịn lại là nhóm thu nhập Từ 3 - 6 triệu VNĐ và Từ 6 - 9 triệu VNĐ có phân bố gần
bằng nhau với tỷ lệ là 15,14 và 15,10%.
Hình 1: Tần suất đặt xe của khách hàng trong giai đoạn Covid-19

Nguồn: Dựa trên tính tốn của nhóm tác giả
Về các biến cịn lại: Tần suất sử dụng, Lòng trung thành, Độ hài lịng, nhóm chúng tơi
nhận thấy tần suất di chuyển giảm mạnh từ trước so với sau dịch. Cụ thể, trong giai đoạn
trước dịch, giá trị trung bình của tần suất sử dụng là 3,56 lần/tháng sau đó giảm mạnh xuống
1,74 ở giai đoạn trong dịch. Sau khi dịch giảm bớt, tần suất sử dụng có tăng lên thành 2,81
lần/tháng nhưng không đạt được giá trị như ở giai đoạn trước dịch (Hình 1).
Bảng 2: Thống kê mơ tả bộ dữ liệu cho biến tần suất, độ hài lòng, lòng trung thành
Tần

suất Tần

suất

Tần

suất

Độ

hài

Lịng trung

trước dịch

trong dịch

sau dịch

lịng

thành

Quan sát

306

306

306

306

306

Trung bình

3,55

1,74

2,80

3,90

3,54

Độ lệch chuẩn

4,65

3,58

3,73

0,69

0,84

GT nhỏ nhất

0

0

0

1,66

1

Phân vị 25%

1

0

0

3,33

3

Phân vị 50%

2

0

1

4

3,5

Phân vị 75%

5

2

4

4,33

4

GT lớn nhất

31

25

23

5

5

Nguồn: Dựa trên tính tốn của nhóm tác giả
Về Độ hài lòng và Lòng trung thành, mức độ đồng ý của khách hàng với các biến này
được đánh giá theo thang đo Likert 5. Trong đó:
•

Giá trị 1, 2 – Độ hài lịng/trung thành ở mức thấp.

•

Giá trị 3 – Độ hài lịng/trung thành ở mức trung bình.

•

Giá trị 4, 5 - Độ hài lòng/trung thành ở mức cao.

9a3f31 93f39f8323 b7c7bda 5203 f0b7cfc8a c3 f0f81bf915 5a0f4ac5 d8ccf40c
9ad4424 f89 c65 43b7d34 d53 b38a2a3 9fe6 b66 c26 c305 fca4 9a3c4eb5 1abf55f8
0700b7a c6a4 5f9a c00a 0780 4c0e 4706 f58e f34 f4e 1d01 beb f4d539ab2fe7 2f5 b
fb5225288a 8a06 f7fda9338 0380 3efb56b3d3a d4680 f23 e90abcc8a38 c23fcd2
51a0663 7b4 c4a20 104dc58 ee9e c3358 fa7d28b0 be58 c90a 6d7 d8a86 b865 52a6d
6e21c6e5ac96df3e c0e4 ba33 d28bbd1a 77d5 c8a2 275a70 1b94 bfae 8f4 720ff3 f
83ff16454 d0ff6fcfdbe1 f08 e06e5a 6cd3b1 d29 b9dca760 db7 f556 09c19b6825
5eb1ed 75b67ec4b3 b724ea 3df9a79ee fed 76173 5a128 1900e 0583 282baa 080ae
f63 cf3 5b45 14a0 c2044 2ad20 8079 6f6 21eb 87ff30d3dbd7 f42b05b2 2642 df6a5
1542c8c8 9b7 d27 cd5 c6e4 6a36f0d7 fde f4a69a 3f4 f9e8 4338 c49 d5bb12 f0d7 2e
1dbd4e07a9 1c7 7d20 1f6 7f1 65a7 f0c61ad6 df3847e 1ccdb5b90 e55d132e2 0091
83b3df3 b9c9b0a b9a32e 9c3 1d17 42070 6f9 c33 be4 fc1ae 74a0 c925a c2abfb d9c
b7f2 6ed3 145d0590e e1b3 7b30 baa4 f57b256 ce438 96e0 c368 7e01 f543 f03 e2b7
37e1d7 8ef3 d65a 0d2 dfe5 d520 d3a7 c33e4 8616 1c1 b19 c079aa f860 76df75 8aaf

4ae631e b7f0c1 86eaad2 c0e 6da48 ec1 0486 d93aa2 b8ee3 f47 e8aa258 5cf946 46
4eaf5 c63b2742 99306 4530 f7d12e f440 d783a0 6390 b97e c6 cc7 2bf3e9df7 f50 c
c9a261 d2d34b1 efbbfb7384 77f7a47 c4a6a6 b238 d80 d82 c788 c191 9164 f6aa3 9
4f93 cd1 7a6554 3d1 803b33cb1b0aaac28 737ff67 eeb6 d176 38e03 7bfa 2d26 7d6
9bc7 1d71 3c1 5f4 b0e2e 94a1a2 6b9 c145 69b1 b468 87d5d0 c3ae4 db99 e612 dbf4e
60b7d9e7b725dd9 f50 c9d7 492d37c83dfeef4c1 3a54 c46ab8b8 b76d37b5 ba073
9b50b3a4b1 3035a 2090 fe268 5c6 f34 e2c6 8c7 22b2f8 1e8e30 3a5a41e e60e6 c3 d
3c4e9 c15 4862 b190e 839a2 4b65 f52 c9 c748 2d8b0cde295 0f8 cd2344a b0d0 1a3e
c0436 79c9eb0 35f44646 e76db058 e3ab1 69e0 8b8 f6a7 f4f7a709 9cbf7e4 d9d18
48d75e 1a7b3 d5e3 d2e3 e3b9a d7e5a 4a3208ff 6a14 f2e1 cde7 6ae8ab3eb4e f91 5
651275 5a4512 dbfeaa8e0 c007 31b7 93c9fb06e3 bbf5451 b51 754a04 4cc62ae2 3
ff88a1cbdbcf9 e618 9f8 f6d2ceae 7271 0729 fae7 c225a c51 b4b0 8a6b1 d8d1a0f
5c1b3da8 b4d1 3cb1d8 42b0 31b0 c1 d4866 f33 06e49a 758 c5e1 f6d9b6 bcb0ab0 b7
e96c2 6ff6cf34 bb20 f31 2b5aa7 d385 b70e 5dc1dc9c7598 53e1a5 687a7 b87d7c7
e3e5c3 fe58 b4bb6fb04 0e9e1 7c5e 6d8 f65 d4d0a 892e cad7 550bb49 f5d5b15 853
fcb8 3a671 1d63 8f3 f9ee 7a6ce801 da406 40601 63f4cf649 89d3 f70 06a71 19c1e
60fc9a3568 5c2 f07a d8ae cc5 c6 c0b053 f5e51 0c5 2d72fb b8f78a8fc6 f6bb5a50
dd0 f7f2e735 dbb70b67e24 f8d49d37ef9b07 65fa4 2fc4a398 3b9 2f5 56098 3a26
77b722 c4 fae8b59b5 9d83 9de6 b1b2ffcf49e1 b8e68 7ef1 868 cb81 fa6 f59b8dc7
e0139ad11e2 f920 9375e 71ad4ec2 2d1 c08a6 0e5b9b10 bb1 f83 e3659 d02 06359 d
b20c9a7bb9bfe635 b043 55e4 cc6 72273 d1d79b7276 bbf45a67 0bc6d24a 4c7 755
15e7a2 f607a4 f08 57e99 957e 98995fb 6a2727 f5a c8e5 8f9 1e92b4444 8e711 ec2
79b746 615a7 5776a7 2a0e7aa 3ff897afe 5a8c580 c38a7 69f8dd1 e477 0e2d52a4
1b9c74ab4a 2c2 99439 d6db85 3d45 2d8 bb4 b5db54f2dce47 c50e d23a3 56d7 c33 4
f8580 5c0 59f50a73 09dc4e33 c49 80aa85 b19 d0761 7ec0544aa4 2f0 632d8493 f2
b9a21a9 fc3a 5b6 b2908 cc6e38 f2b920 fc5 dbba 12c04c4ee52 b94b5fe7 353d7a7
d51760 f2 f3 c4b2 5b45 12c999b7db65c158dcba b7d2e5e8 8914a d13 f4f82856 55
70b476 6952 4967 472eb 9b1 1d0 d9534 8e65 b6fb150 e08e9 6375 cf24e2ffb d904 5
91b408 5421 d8efc3 c2b046fda430 d2c2a5da 83725 0e70 db16 8c7 71cd59a6 9aae
c5fe8 3a106 f37 c8 f17fc4e 1e5c0e1 f29b0942 c58 c5 f6a131 7d6 c681 0a7be 6667

866

ICYREB2021|Chủđề4:Cơngnghệtàichínhvàcácchủđềkhác


Để cấu thành lên biến Độ hài lịng, nhóm chúng tơi đã đưa ra bảng hỏi gồm 5 nhóm
yếu tố ảnh hưởng đến Độ hài lòng là Niềm tin (3 nhận định) , Hài lòng (4 nhận định), Nhận
thức giá trị (4 nhận định), Nguy cơ (3 nhận định) và Sự hữu ích (5 nhận định). Biến Lịng
trung thành có 1 yếu tố ảnh hưởng với 4 nhận định. Các biến sử dụng cho bài tốn phân nhóm
đã được lấy theo giá trị trung bình của các nhận định. Giá trị trung bình của hai biến này là
tương đối cao so với các biến khác trong nghiên cứu (Độ hài lịng – 3,9, Lịng trung thành –
3,54). Ngồi ra, hai biến này cũng có độ lệch chuẩn tương đối thấp (Độ hài lòng – 0,69, Lòng
trung thành – 0,84) thể hiện rằng các đối tượng được khảo sát có quan điểm khá đồng thuận
về hai nhân tố này.
3.2. Kết quả phân khúc khách hàng
Kết quả phân tích dữ liệu của chúng tôi dựa trên phương pháp phân cụm K-means
trong ngôn ngữ lập trình Python. Cụ thể, tệp khách hàng được phân khúc dựa trên các yếu
tố về Giới tính, Độ tuổi, Nghề nghiệp, Thu nhập, Tần suất sử dụng, Độ hài lịng và Lịng
trung thành.
Trong phần này, chúng tơi sử dụng hàm K-means trong ngơn ngữ lập trình Python để
phân khúc khách hàng thành các nhóm riêng biệt dựa trên thói quen đặt xe, nhận thức hài lịng
và lịng trung thành. Thuật tốn này có khả năng xác định được phân khúc hoặc cụm khách
hàng có sự tương quan nào đó.
Hình 2: Số cụm tối ưu (sử dụng Hàm plt.plot() trong gói matplotlib của Python)

Nguồn: Dựa trên tính tốn của nhóm tác giả trên phần mềm Python
Sau khi tải và chuẩn hóa bộ dữ liệu trên Python, phương pháp Elbow được áp dụng để
xác định số cụm k tối ưu. Theo đó, phương pháp này cho ra giá trị WSS (Total within-cluster

sum of square) hay còn gọi là k từ 1 - 10. Kết quả được biểu thị trên đồ thị bởi một đường
cong nối các giá trị đã tính. Vị trí uốn cong trên đường cong thể hiện số cụm tối ưu (Hình 2).
Như vậy, phương pháp Elbow đã gợi ý số cụm tối ưu cho bộ dữ liệu của nhóm là k =
4. Tiếp tục thực hiện phân cụm với thuật tốn K-means cho k = 4, nhóm thu được hình ảnh
phân cụm như sau (Hình 3):

9a3f31 93f39f8323 b7c7bda 5203 f0b7cfc8a c3 f0f81bf915 5a0f4ac5 d8ccf40c
9ad4424 f89 c65 43b7d34 d53 b38a2a3 9fe6 b66 c26 c305 fca4 9a3c4eb5 1abf55f8
0700b7a c6a4 5f9a c00a 0780 4c0e 4706 f58e f34 f4e 1d01 beb f4d539ab2fe7 2f5 b
fb5225288a 8a06 f7fda9338 0380 3efb56b3d3a d4680 f23 e90abcc8a38 c23fcd2
51a0663 7b4 c4a20 104dc58 ee9e c3358 fa7d28b0 be58 c90a 6d7 d8a86 b865 52a6d
6e21c6e5ac96df3e c0e4 ba33 d28bbd1a 77d5 c8a2 275a70 1b94 bfae 8f4 720ff3 f
83ff16454 d0ff6fcfdbe1 f08 e06e5a 6cd3b1 d29 b9dca760 db7 f556 09c19b6825
5eb1ed 75b67ec4b3 b724ea 3df9a79ee fed 76173 5a128 1900e 0583 282baa 080ae
f63 cf3 5b45 14a0 c2044 2ad20 8079 6f6 21eb 87ff30d3dbd7 f42b05b2 2642 df6a5
1542c8c8 9b7 d27 cd5 c6e4 6a36f0d7 fde f4a69a 3f4 f9e8 4338 c49 d5bb12 f0d7 2e
1dbd4e07a9 1c7 7d20 1f6 7f1 65a7 f0c61ad6 df3847e 1ccdb5b90 e55d132e2 0091
83b3df3 b9c9b0a b9a32e 9c3 1d17 42070 6f9 c33 be4 fc1ae 74a0 c925a c2abfb d9c
b7f2 6ed3 145d0590e e1b3 7b30 baa4 f57b256 ce438 96e0 c368 7e01 f543 f03 e2b7
37e1d7 8ef3 d65a 0d2 dfe5 d520 d3a7 c33e4 8616 1c1 b19 c079aa f860 76df75 8aaf
4ae631e b7f0c1 86eaad2 c0e 6da48 ec1 0486 d93aa2 b8ee3 f47 e8aa258 5cf946 46
4eaf5 c63b2742 99306 4530 f7d12e f440 d783a0 6390 b97e c6 cc7 2bf3e9df7 f50 c
c9a261 d2d34b1 efbbfb7384 77f7a47 c4a6a6 b238 d80 d82 c788 c191 9164 f6aa3 9
4f93 cd1 7a6554 3d1 803b33cb1b0aaac28 737ff67 eeb6 d176 38e03 7bfa 2d26 7d6
9bc7 1d71 3c1 5f4 b0e2e 94a1a2 6b9 c145 69b1 b468 87d5d0 c3ae4 db99 e612 dbf4e
60b7d9e7b725dd9 f50 c9d7 492d37c83dfeef4c1 3a54 c46ab8b8 b76d37b5 ba073
9b50b3a4b1 3035a 2090 fe268 5c6 f34 e2c6 8c7 22b2f8 1e8e30 3a5a41e e60e6 c3 d
3c4e9 c15 4862 b190e 839a2 4b65 f52 c9 c748 2d8b0cde295 0f8 cd2344a b0d0 1a3e
c0436 79c9eb0 35f44646 e76db058 e3ab1 69e0 8b8 f6a7 f4f7a709 9cbf7e4 d9d18
48d75e 1a7b3 d5e3 d2e3 e3b9a d7e5a 4a3208ff 6a14 f2e1 cde7 6ae8ab3eb4e f91 5

651275 5a4512 dbfeaa8e0 c007 31b7 93c9fb06e3 bbf5451 b51 754a04 4cc62ae2 3
ff88a1cbdbcf9 e618 9f8 f6d2ceae 7271 0729 fae7 c225a c51 b4b0 8a6b1 d8d1a0f
5c1b3da8 b4d1 3cb1d8 42b0 31b0 c1 d4866 f33 06e49a 758 c5e1 f6d9b6 bcb0ab0 b7
e96c2 6ff6cf34 bb20 f31 2b5aa7 d385 b70e 5dc1dc9c7598 53e1a5 687a7 b87d7c7
e3e5c3 fe58 b4bb6fb04 0e9e1 7c5e 6d8 f65 d4d0a 892e cad7 550bb49 f5d5b15 853
fcb8 3a671 1d63 8f3 f9ee 7a6ce801 da406 40601 63f4cf649 89d3 f70 06a71 19c1e
60fc9a3568 5c2 f07a d8ae cc5 c6 c0b053 f5e51 0c5 2d72fb b8f78a8fc6 f6bb5a50
dd0 f7f2e735 dbb70b67e24 f8d49d37ef9b07 65fa4 2fc4a398 3b9 2f5 56098 3a26
77b722 c4 fae8b59b5 9d83 9de6 b1b2ffcf49e1 b8e68 7ef1 868 cb81 fa6 f59b8dc7
e0139ad11e2 f920 9375e 71ad4ec2 2d1 c08a6 0e5b9b10 bb1 f83 e3659 d02 06359 d
b20c9a7bb9bfe635 b043 55e4 cc6 72273 d1d79b7276 bbf45a67 0bc6d24a 4c7 755
15e7a2 f607a4 f08 57e99 957e 98995fb 6a2727 f5a c8e5 8f9 1e92b4444 8e711 ec2
79b746 615a7 5776a7 2a0e7aa 3ff897afe 5a8c580 c38a7 69f8dd1 e477 0e2d52a4
1b9c74ab4a 2c2 99439 d6db85 3d45 2d8 bb4 b5db54f2dce47 c50e d23a3 56d7 c33 4
f8580 5c0 59f50a73 09dc4e33 c49 80aa85 b19 d0761 7ec0544aa4 2f0 632d8493 f2
b9a21a9 fc3a 5b6 b2908 cc6e38 f2b920 fc5 dbba 12c04c4ee52 b94b5fe7 353d7a7
d51760 f2 f3 c4b2 5b45 12c999b7db65c158dcba b7d2e5e8 8914a d13 f4f82856 55
70b476 6952 4967 472eb 9b1 1d0 d9534 8e65 b6fb150 e08e9 6375 cf24e2ffb d904 5
91b408 5421 d8efc3 c2b046fda430 d2c2a5da 83725 0e70 db16 8c7 71cd59a6 9aae
c5fe8 3a106 f37 c8 f17fc4e 1e5c0e1 f29b0942 c58 c5 f6a131 7d6 c681 0a7be 6667


ICYREB2021|Chủđề4:Cơngnghệtàichínhvàcácchủđềkhác

867


Hình 3: Kết quả phân cụm với k = 4

Nguồn: Dựa trên tính tốn của nhóm tác giả trên phần mềm Python

Thuật tốn phân cụm K-means giúp phân chia nhóm khách hàng thành 4 cụm khách
hàng 0-1-2-3 với số lượng quan sát lần lượt là 194 – 14 – 24 – 74 khách hàng. Biểu đồ radar
sau đây cho cái nhìn trực quan về đặc điểm nhân khẩu học, tần suất sử dụng, độ hài lòng và
lòng trung thành của từng cụm (Hình 4).
Hình 4: Biểu đồ radar của bốn phân khúc khách hàng

Nguồn: Dựa trên tính tốn của nhóm tác giả trên phần mềm Python
Bảng 3: Dữ liệu về Tình trạng nghề nghiệp, Thu nhập của 4 phân cụm khách hàng
Cụm

NN1

NN2

NN3

NN4

NN5

<3tr

3-6tr

6-9tr

>9tr

0

0,268

0,180

0,005

0,159

0,386

0,361

0,154

0,165

0,319

1

0,357

0,357

0,071

0,071

0,143

0,714

0,000

0,000

0,285

2

0,208

0,083

0,000

0,125

0,583

0,250

0,125

0,208

0,417

3

0,094

0,229

0,013

0,189

0,473

0,297

0,175

0,121

0,405

9a3f31 93f39f8323 b7c7bda 5203 f0b7cfc8a c3 f0f81bf915 5a0f4ac5 d8ccf40c
9ad4424 f89 c65 43b7d34 d53 b38a2a3 9fe6 b66 c26 c305 fca4 9a3c4eb5 1abf55f8
0700b7a c6a4 5f9a c00a 0780 4c0e 4706 f58e f34 f4e 1d01 beb f4d539ab2fe7 2f5 b
fb5225288a 8a06 f7fda9338 0380 3efb56b3d3a d4680 f23 e90abcc8a38 c23fcd2
51a0663 7b4 c4a20 104dc58 ee9e c3358 fa7d28b0 be58 c90a 6d7 d8a86 b865 52a6d
6e21c6e5ac96df3e c0e4 ba33 d28bbd1a 77d5 c8a2 275a70 1b94 bfae 8f4 720ff3 f
83ff16454 d0ff6fcfdbe1 f08 e06e5a 6cd3b1 d29 b9dca760 db7 f556 09c19b6825
5eb1ed 75b67ec4b3 b724ea 3df9a79ee fed 76173 5a128 1900e 0583 282baa 080ae
f63 cf3 5b45 14a0 c2044 2ad20 8079 6f6 21eb 87ff30d3dbd7 f42b05b2 2642 df6a5
1542c8c8 9b7 d27 cd5 c6e4 6a36f0d7 fde f4a69a 3f4 f9e8 4338 c49 d5bb12 f0d7 2e
1dbd4e07a9 1c7 7d20 1f6 7f1 65a7 f0c61ad6 df3847e 1ccdb5b90 e55d132e2 0091
83b3df3 b9c9b0a b9a32e 9c3 1d17 42070 6f9 c33 be4 fc1ae 74a0 c925a c2abfb d9c

b7f2 6ed3 145d0590e e1b3 7b30 baa4 f57b256 ce438 96e0 c368 7e01 f543 f03 e2b7
37e1d7 8ef3 d65a 0d2 dfe5 d520 d3a7 c33e4 8616 1c1 b19 c079aa f860 76df75 8aaf
4ae631e b7f0c1 86eaad2 c0e 6da48 ec1 0486 d93aa2 b8ee3 f47 e8aa258 5cf946 46
4eaf5 c63b2742 99306 4530 f7d12e f440 d783a0 6390 b97e c6 cc7 2bf3e9df7 f50 c
c9a261 d2d34b1 efbbfb7384 77f7a47 c4a6a6 b238 d80 d82 c788 c191 9164 f6aa3 9
4f93 cd1 7a6554 3d1 803b33cb1b0aaac28 737ff67 eeb6 d176 38e03 7bfa 2d26 7d6
9bc7 1d71 3c1 5f4 b0e2e 94a1a2 6b9 c145 69b1 b468 87d5d0 c3ae4 db99 e612 dbf4e
60b7d9e7b725dd9 f50 c9d7 492d37c83dfeef4c1 3a54 c46ab8b8 b76d37b5 ba073
9b50b3a4b1 3035a 2090 fe268 5c6 f34 e2c6 8c7 22b2f8 1e8e30 3a5a41e e60e6 c3 d
3c4e9 c15 4862 b190e 839a2 4b65 f52 c9 c748 2d8b0cde295 0f8 cd2344a b0d0 1a3e
c0436 79c9eb0 35f44646 e76db058 e3ab1 69e0 8b8 f6a7 f4f7a709 9cbf7e4 d9d18
48d75e 1a7b3 d5e3 d2e3 e3b9a d7e5a 4a3208ff 6a14 f2e1 cde7 6ae8ab3eb4e f91 5
651275 5a4512 dbfeaa8e0 c007 31b7 93c9fb06e3 bbf5451 b51 754a04 4cc62ae2 3
ff88a1cbdbcf9 e618 9f8 f6d2ceae 7271 0729 fae7 c225a c51 b4b0 8a6b1 d8d1a0f
5c1b3da8 b4d1 3cb1d8 42b0 31b0 c1 d4866 f33 06e49a 758 c5e1 f6d9b6 bcb0ab0 b7
e96c2 6ff6cf34 bb20 f31 2b5aa7 d385 b70e 5dc1dc9c7598 53e1a5 687a7 b87d7c7
e3e5c3 fe58 b4bb6fb04 0e9e1 7c5e 6d8 f65 d4d0a 892e cad7 550bb49 f5d5b15 853
fcb8 3a671 1d63 8f3 f9ee 7a6ce801 da406 40601 63f4cf649 89d3 f70 06a71 19c1e
60fc9a3568 5c2 f07a d8ae cc5 c6 c0b053 f5e51 0c5 2d72fb b8f78a8fc6 f6bb5a50
dd0 f7f2e735 dbb70b67e24 f8d49d37ef9b07 65fa4 2fc4a398 3b9 2f5 56098 3a26
77b722 c4 fae8b59b5 9d83 9de6 b1b2ffcf49e1 b8e68 7ef1 868 cb81 fa6 f59b8dc7
e0139ad11e2 f920 9375e 71ad4ec2 2d1 c08a6 0e5b9b10 bb1 f83 e3659 d02 06359 d
b20c9a7bb9bfe635 b043 55e4 cc6 72273 d1d79b7276 bbf45a67 0bc6d24a 4c7 755
15e7a2 f607a4 f08 57e99 957e 98995fb 6a2727 f5a c8e5 8f9 1e92b4444 8e711 ec2
79b746 615a7 5776a7 2a0e7aa 3ff897afe 5a8c580 c38a7 69f8dd1 e477 0e2d52a4
1b9c74ab4a 2c2 99439 d6db85 3d45 2d8 bb4 b5db54f2dce47 c50e d23a3 56d7 c33 4
f8580 5c0 59f50a73 09dc4e33 c49 80aa85 b19 d0761 7ec0544aa4 2f0 632d8493 f2
b9a21a9 fc3a 5b6 b2908 cc6e38 f2b920 fc5 dbba 12c04c4ee52 b94b5fe7 353d7a7
d51760 f2 f3 c4b2 5b45 12c999b7db65c158dcba b7d2e5e8 8914a d13 f4f82856 55
70b476 6952 4967 472eb 9b1 1d0 d9534 8e65 b6fb150 e08e9 6375 cf24e2ffb d904 5

91b408 5421 d8efc3 c2b046fda430 d2c2a5da 83725 0e70 db16 8c7 71cd59a6 9aae
c5fe8 3a106 f37 c8 f17fc4e 1e5c0e1 f29b0942 c58 c5 f6a131 7d6 c681 0a7be 6667


868

ICYREB2021|Chủđề4:Cơngnghệtàichínhvàcácchủđềkhác



Nguồn: Dựa trên tính tốn của nhóm tác giả1
Bảng 4: Dữ liệu về Tần suất, Độ hài lòng,
Lòng trung thành, Tuổi của 4 phân cụm khách hàng
Trước

Trong

Sau

Độ

Lòng

dịch

dịch

dịch

hài lòng

trung thành

0

0,000

0,000

0,000

0,000

1

1,000

1,000

1,000

2

0,499

0,283

3

0,194

0,142

18-21

22-25

> 25

0,000

0,288

0,324

0,386

1,000

0,657

0,571

0,285

0,143

0,727

0,315

1,000

0,250

0,125

0,625

0,265

0,744

0,920

0,270

0,283

0,446

Nguồn: Dựa trên tính tốn của nhóm tác giả
Phân cụm 0
Phân cụm 0 là nhóm khách hàng có tần suất sử dụng dịch vụ đặt xe công nghệ trong cả
3 thời điểm: trước, trong và sau dịch thấp nhất. Cụ thể, tần suất đặt xe trung bình trong 1
tháng của phân cụm này trước dịch Covid-19 là 1,24 lần/tháng. Giai đoạn trong dịch giảm
xuống còn 0,4 lần/tháng và tăng lên 0,8 lần/tháng vào khoảng thời gian sau dịch (Hình 5).
Đặc biệt, độ hài lòng và lòng trung thành của phân khúc khách hàng này ở mức thấp nhất
trong cả 4 phân cụm (Bảng 4).
Phân cụm này bao gồm 194 khách hàng - chiếm số lượng lớn nhất trong cả 4 phân

cụm, trong đó nam chiếm 54% và nữ chiếm 46%. Thu nhập bình qn một tháng chủ yếu của
nhóm khách hàng này là dưới 3 triệu với 36,1% và trên 9 triệu với 32%. Về độ tuổi, số người
thuộc nhóm tuổi từ 18 - 21, 22 - 25 và trên 25 lần lượt là 28,9%; 32,4% và 38,7%. Về nghề
nghiệp, có 26,8% đang là sinh viên và không đi làm thêm, 18% là sinh viên và có cơng việc
bán thời gian, 15,9% là người đi làm bán thời gian, 38,6% là người đi làm tồn thời gian. Số
lượng người khơng có việc làm chiếm rất ít, khoảng 5,1% (Bảng 3&4).
Phân cụm 1
Phân cụm 1 là nhóm khách hàng thường xuyên sử dụng dịch vụ nhất trong cả 3 thời
điểm. Cụ thể, trước dịch, giá trị trung bình về tần suất đặt xe trên tháng của khách hàng thuộc
phân cụm này là 18,8 lần/tháng. Tại thời điểm trong dịch, giá trị này giảm xuống 13,8
lần/tháng và tiếp tục giảm xuống 12,6 lần/tháng sau dịch (Hình 5). Hơn thế, mức độ hài lịng
của phân cụm này cũng cao nhất so với 3 phân cụm cịn lại. Tuy nhiên, lịng trung thành của
nhóm này lại thấp hơn so với độ hài lòng, và đứng thứ 3 trong số 4 nhóm (Bảng 4).
Phân cụm này có số lượng ít nhất, bao gồm 14 khách hàng với số lượng nam giới
vẫn chiếm ưu thế (57,1%). Thu nhập bình qn 1 tháng của nhóm này chỉ tập trung vào 2
khoảng, đó là dưới 3 triệu VNĐ (71,4%) và trên 9 triệu VNĐ (28,6%). Đa số khách hàng
của phân cụm này thuộc nhóm tuổi 18 - 21 (57,1%), tiếp đến là nhóm 22 - 25 với 28,6%,
nhóm trên 25 tuổi chiếm ít nhất với 14,3%. Tình trạng nghề nghiệp chủ yếu của họ là sinh


1NN1: nhóm HSSV đi làm bán thời gian, NN2: nhóm HSSV khơng đi làm, NN3: nhóm Thất nghiệp, NN4:
nhóm Người đi làm bán thời gian, NN5: nhóm Người đi làm tồn thời gian

9a3f31 93f39f8323 b7c7bda 5203 f0b7cfc8a c3 f0f81bf915 5a0f4ac5 d8ccf40c
9ad4424 f89 c65 43b7d34 d53 b38a2a3 9fe6 b66 c26 c305 fca4 9a3c4eb5 1abf55f8
0700b7a c6a4 5f9a c00a 0780 4c0e 4706 f58e f34 f4e 1d01 beb f4d539ab2fe7 2f5 b
fb5225288a 8a06 f7fda9338 0380 3efb56b3d3a d4680 f23 e90abcc8a38 c23fcd2
51a0663 7b4 c4a20 104dc58 ee9e c3358 fa7d28b0 be58 c90a 6d7 d8a86 b865 52a6d
6e21c6e5ac96df3e c0e4 ba33 d28bbd1a 77d5 c8a2 275a70 1b94 bfae 8f4 720ff3 f
83ff16454 d0ff6fcfdbe1 f08 e06e5a 6cd3b1 d29 b9dca760 db7 f556 09c19b6825

5eb1ed 75b67ec4b3 b724ea 3df9a79ee fed 76173 5a128 1900e 0583 282baa 080ae
f63 cf3 5b45 14a0 c2044 2ad20 8079 6f6 21eb 87ff30d3dbd7 f42b05b2 2642 df6a5
1542c8c8 9b7 d27 cd5 c6e4 6a36f0d7 fde f4a69a 3f4 f9e8 4338 c49 d5bb12 f0d7 2e
1dbd4e07a9 1c7 7d20 1f6 7f1 65a7 f0c61ad6 df3847e 1ccdb5b90 e55d132e2 0091
83b3df3 b9c9b0a b9a32e 9c3 1d17 42070 6f9 c33 be4 fc1ae 74a0 c925a c2abfb d9c
b7f2 6ed3 145d0590e e1b3 7b30 baa4 f57b256 ce438 96e0 c368 7e01 f543 f03 e2b7
37e1d7 8ef3 d65a 0d2 dfe5 d520 d3a7 c33e4 8616 1c1 b19 c079aa f860 76df75 8aaf
4ae631e b7f0c1 86eaad2 c0e 6da48 ec1 0486 d93aa2 b8ee3 f47 e8aa258 5cf946 46
4eaf5 c63b2742 99306 4530 f7d12e f440 d783a0 6390 b97e c6 cc7 2bf3e9df7 f50 c
c9a261 d2d34b1 efbbfb7384 77f7a47 c4a6a6 b238 d80 d82 c788 c191 9164 f6aa3 9
4f93 cd1 7a6554 3d1 803b33cb1b0aaac28 737ff67 eeb6 d176 38e03 7bfa 2d26 7d6
9bc7 1d71 3c1 5f4 b0e2e 94a1a2 6b9 c145 69b1 b468 87d5d0 c3ae4 db99 e612 dbf4e
60b7d9e7b725dd9 f50 c9d7 492d37c83dfeef4c1 3a54 c46ab8b8 b76d37b5 ba073
9b50b3a4b1 3035a 2090 fe268 5c6 f34 e2c6 8c7 22b2f8 1e8e30 3a5a41e e60e6 c3 d
3c4e9 c15 4862 b190e 839a2 4b65 f52 c9 c748 2d8b0cde295 0f8 cd2344a b0d0 1a3e
c0436 79c9eb0 35f44646 e76db058 e3ab1 69e0 8b8 f6a7 f4f7a709 9cbf7e4 d9d18
48d75e 1a7b3 d5e3 d2e3 e3b9a d7e5a 4a3208ff 6a14 f2e1 cde7 6ae8ab3eb4e f91 5
651275 5a4512 dbfeaa8e0 c007 31b7 93c9fb06e3 bbf5451 b51 754a04 4cc62ae2 3
ff88a1cbdbcf9 e618 9f8 f6d2ceae 7271 0729 fae7 c225a c51 b4b0 8a6b1 d8d1a0f
5c1b3da8 b4d1 3cb1d8 42b0 31b0 c1 d4866 f33 06e49a 758 c5e1 f6d9b6 bcb0ab0 b7
e96c2 6ff6cf34 bb20 f31 2b5aa7 d385 b70e 5dc1dc9c7598 53e1a5 687a7 b87d7c7
e3e5c3 fe58 b4bb6fb04 0e9e1 7c5e 6d8 f65 d4d0a 892e cad7 550bb49 f5d5b15 853
fcb8 3a671 1d63 8f3 f9ee 7a6ce801 da406 40601 63f4cf649 89d3 f70 06a71 19c1e
60fc9a3568 5c2 f07a d8ae cc5 c6 c0b053 f5e51 0c5 2d72fb b8f78a8fc6 f6bb5a50
dd0 f7f2e735 dbb70b67e24 f8d49d37ef9b07 65fa4 2fc4a398 3b9 2f5 56098 3a26
77b722 c4 fae8b59b5 9d83 9de6 b1b2ffcf49e1 b8e68 7ef1 868 cb81 fa6 f59b8dc7
e0139ad11e2 f920 9375e 71ad4ec2 2d1 c08a6 0e5b9b10 bb1 f83 e3659 d02 06359 d
b20c9a7bb9bfe635 b043 55e4 cc6 72273 d1d79b7276 bbf45a67 0bc6d24a 4c7 755
15e7a2 f607a4 f08 57e99 957e 98995fb 6a2727 f5a c8e5 8f9 1e92b4444 8e711 ec2
79b746 615a7 5776a7 2a0e7aa 3ff897afe 5a8c580 c38a7 69f8dd1 e477 0e2d52a4

1b9c74ab4a 2c2 99439 d6db85 3d45 2d8 bb4 b5db54f2dce47 c50e d23a3 56d7 c33 4
f8580 5c0 59f50a73 09dc4e33 c49 80aa85 b19 d0761 7ec0544aa4 2f0 632d8493 f2
b9a21a9 fc3a 5b6 b2908 cc6e38 f2b920 fc5 dbba 12c04c4ee52 b94b5fe7 353d7a7
d51760 f2 f3 c4b2 5b45 12c999b7db65c158dcba b7d2e5e8 8914a d13 f4f82856 55
70b476 6952 4967 472eb 9b1 1d0 d9534 8e65 b6fb150 e08e9 6375 cf24e2ffb d904 5
91b408 5421 d8efc3 c2b046fda430 d2c2a5da 83725 0e70 db16 8c7 71cd59a6 9aae
c5fe8 3a106 f37 c8 f17fc4e 1e5c0e1 f29b0942 c58 c5 f6a131 7d6 c681 0a7be 6667


ICYREB2021|Chủđề4:Cơngnghệtàichínhvàcácchủđềkhác

869


viên và sinh viên có cơng việc bán thời gian, đều chiếm 35,7%. Số lượng người có
cơng việc bán thời gian và người khơng có việc làm là giống nhau với 7,1%. Người đi
làm toàn thời gian chiếm 14,4% (Bảng 3&4).
Phân cụm 2
Tần suất sử dụng của nhóm khách hàng thuộc phân cụm nhóm 2 cũng bị ảnh
hưởng khá nhiều vì dịch Covid. Cụ thể, trước dịch, giá trị trung bình về tần suất đặt xe
trên tháng của khách hàng thuộc phân cụm này là 4,6 lần/tháng. Tại thời điểm trong
dịch, giá trị này giảm xuống 2,3 lần/tháng và tăng nhẹ lên 3,9 lần/tháng sau dịch
((Hình 5). Về lịng trung thành, khách hàng ở nhóm này có lịng trung thành cao nhất
dù độ hài lòng chỉ xếp thứ ba (Bảng 4).
Phân cụm này bao gồm 24 khách hàng với độ tuổi chủ yếu nằm trong nhóm trên
25, trong đó khách hàng nam chiếm 41,7% và khách hàng nữ chiếm 58,3%. Khách
hàng thuộc phân cụm 2 chủ yếu đang làm việc tồn thời gian với mức thu nhập bình
qn tháng rơi vào khoảng trên 9 triệu VNĐ. Ngoài ra, khách hàng thuộc nhóm này có
tần suất sử dụng thuộc tầm trung so với 4 cụm trong cả 3 thời điểm trước, trong và sau
dịch (Bảng 3&4).

Phân cụm 3
Tần suất sử dụng của phân cụm nhóm 3 cũng thuộc tầm trung, xếp thứ hai, sau
phân cụm 1. Cụ thể, trước dịch, giá trị trung bình về tần suất đặt xe trên tháng của
khách hàng thuộc phân cụm này là 10 lần/tháng. Tại thời điểm trong dịch, giá trị này
giảm xuống 4,2 lần/tháng và tăng trở lại lên 9,4 lần/tháng sau dịch (Hình 5). Mức độ
hài lòng và lòng trung thành của khách hàng thuộc phân cụm này nằm ở mức khá cao,
luôn xếp thứ hai trong 4 nhóm, với mức đánh giá lần lượt 0,7/1 và 0,9/1 cho hai hai
yếu tố trên (Bảng 4).
Phân cụm này bao gồm 74 khách hàng. Độ tuổi chủ yếu của khách hàng thuộc
phân cụm nằm trong nhóm trên 25 tuổi. Tỷ lệ giới tính trong nhóm này không chênh
lệch quá nhiều khi số lượng nam giới chiếm 54% và số lượng nữ giới chiếm 46%.
Khách hàng thuộc phân cụm này cũng chủ yếu làm việc toàn thời gian, số lượng này
chiếm 47% trong tổng số lượng khách hàng trong nhóm 3. Thu nhập bình qn của
nhóm chủ yếu rơi vào khoảng trên 9 triệu VNĐ/tháng (Bảng 3&4).

9a3f31 93f39f8323 b7c7bda 5203 f0b7cfc8a c3 f0f81bf915 5a0f4ac5 d8ccf40c
9ad4424 f89 c65 43b7d34 d53 b38a2a3 9fe6 b66 c26 c305 fca4 9a3c4eb5 1abf55f8
0700b7a c6a4 5f9a c00a 0780 4c0e 4706 f58e f34 f4e 1d01 beb f4d539ab2fe7 2f5 b
fb5225288a 8a06 f7fda9338 0380 3efb56b3d3a d4680 f23 e90abcc8a38 c23fcd2
51a0663 7b4 c4a20 104dc58 ee9e c3358 fa7d28b0 be58 c90a 6d7 d8a86 b865 52a6d
6e21c6e5ac96df3e c0e4 ba33 d28bbd1a 77d5 c8a2 275a70 1b94 bfae 8f4 720ff3 f
83ff16454 d0ff6fcfdbe1 f08 e06e5a 6cd3b1 d29 b9dca760 db7 f556 09c19b6825
5eb1ed 75b67ec4b3 b724ea 3df9a79ee fed 76173 5a128 1900e 0583 282baa 080ae
f63 cf3 5b45 14a0 c2044 2ad20 8079 6f6 21eb 87ff30d3dbd7 f42b05b2 2642 df6a5
1542c8c8 9b7 d27 cd5 c6e4 6a36f0d7 fde f4a69a 3f4 f9e8 4338 c49 d5bb12 f0d7 2e
1dbd4e07a9 1c7 7d20 1f6 7f1 65a7 f0c61ad6 df3847e 1ccdb5b90 e55d132e2 0091
83b3df3 b9c9b0a b9a32e 9c3 1d17 42070 6f9 c33 be4 fc1ae 74a0 c925a c2abfb d9c
b7f2 6ed3 145d0590e e1b3 7b30 baa4 f57b256 ce438 96e0 c368 7e01 f543 f03 e2b7
37e1d7 8ef3 d65a 0d2 dfe5 d520 d3a7 c33e4 8616 1c1 b19 c079aa f860 76df75 8aaf
4ae631e b7f0c1 86eaad2 c0e 6da48 ec1 0486 d93aa2 b8ee3 f47 e8aa258 5cf946 46

4eaf5 c63b2742 99306 4530 f7d12e f440 d783a0 6390 b97e c6 cc7 2bf3e9df7 f50 c
c9a261 d2d34b1 efbbfb7384 77f7a47 c4a6a6 b238 d80 d82 c788 c191 9164 f6aa3 9
4f93 cd1 7a6554 3d1 803b33cb1b0aaac28 737ff67 eeb6 d176 38e03 7bfa 2d26 7d6
9bc7 1d71 3c1 5f4 b0e2e 94a1a2 6b9 c145 69b1 b468 87d5d0 c3ae4 db99 e612 dbf4e
60b7d9e7b725dd9 f50 c9d7 492d37c83dfeef4c1 3a54 c46ab8b8 b76d37b5 ba073
9b50b3a4b1 3035a 2090 fe268 5c6 f34 e2c6 8c7 22b2f8 1e8e30 3a5a41e e60e6 c3 d
3c4e9 c15 4862 b190e 839a2 4b65 f52 c9 c748 2d8b0cde295 0f8 cd2344a b0d0 1a3e
c0436 79c9eb0 35f44646 e76db058 e3ab1 69e0 8b8 f6a7 f4f7a709 9cbf7e4 d9d18
48d75e 1a7b3 d5e3 d2e3 e3b9a d7e5a 4a3208ff 6a14 f2e1 cde7 6ae8ab3eb4e f91 5
651275 5a4512 dbfeaa8e0 c007 31b7 93c9fb06e3 bbf5451 b51 754a04 4cc62ae2 3
ff88a1cbdbcf9 e618 9f8 f6d2ceae 7271 0729 fae7 c225a c51 b4b0 8a6b1 d8d1a0f
5c1b3da8 b4d1 3cb1d8 42b0 31b0 c1 d4866 f33 06e49a 758 c5e1 f6d9b6 bcb0ab0 b7
e96c2 6ff6cf34 bb20 f31 2b5aa7 d385 b70e 5dc1dc9c7598 53e1a5 687a7 b87d7c7
e3e5c3 fe58 b4bb6fb04 0e9e1 7c5e 6d8 f65 d4d0a 892e cad7 550bb49 f5d5b15 853
fcb8 3a671 1d63 8f3 f9ee 7a6ce801 da406 40601 63f4cf649 89d3 f70 06a71 19c1e
60fc9a3568 5c2 f07a d8ae cc5 c6 c0b053 f5e51 0c5 2d72fb b8f78a8fc6 f6bb5a50
dd0 f7f2e735 dbb70b67e24 f8d49d37ef9b07 65fa4 2fc4a398 3b9 2f5 56098 3a26
77b722 c4 fae8b59b5 9d83 9de6 b1b2ffcf49e1 b8e68 7ef1 868 cb81 fa6 f59b8dc7
e0139ad11e2 f920 9375e 71ad4ec2 2d1 c08a6 0e5b9b10 bb1 f83 e3659 d02 06359 d
b20c9a7bb9bfe635 b043 55e4 cc6 72273 d1d79b7276 bbf45a67 0bc6d24a 4c7 755
15e7a2 f607a4 f08 57e99 957e 98995fb 6a2727 f5a c8e5 8f9 1e92b4444 8e711 ec2
79b746 615a7 5776a7 2a0e7aa 3ff897afe 5a8c580 c38a7 69f8dd1 e477 0e2d52a4
1b9c74ab4a 2c2 99439 d6db85 3d45 2d8 bb4 b5db54f2dce47 c50e d23a3 56d7 c33 4
f8580 5c0 59f50a73 09dc4e33 c49 80aa85 b19 d0761 7ec0544aa4 2f0 632d8493 f2
b9a21a9 fc3a 5b6 b2908 cc6e38 f2b920 fc5 dbba 12c04c4ee52 b94b5fe7 353d7a7
d51760 f2 f3 c4b2 5b45 12c999b7db65c158dcba b7d2e5e8 8914a d13 f4f82856 55
70b476 6952 4967 472eb 9b1 1d0 d9534 8e65 b6fb150 e08e9 6375 cf24e2ffb d904 5
91b408 5421 d8efc3 c2b046fda430 d2c2a5da 83725 0e70 db16 8c7 71cd59a6 9aae
c5fe8 3a106 f37 c8 f17fc4e 1e5c0e1 f29b0942 c58 c5 f6a131 7d6 c681 0a7be 6667

870

ICYREB2021|Chủđề4:Cơngnghệtàichínhvàcácchủđềkhác


Hình 5: Biểu diễn Boxplot
Pre-Covidfreq.





cluster

0

1

2

3

count

194

14

74

24

mean

1.2449

18.7857

4.6487

10

std

1.0347

6.0913

1.7236

3.73

min

0

10

0

0

25%

0

15.25

4

9.5

50%

1

18

5

10

75%

2

20

5

10

5

31

max

Covidfreq.

10


20


count

194

14

74

24

mean

0.3711

13.7857

2.2703

4.1667

std

0.7172

4.6273

2.9204

3.9416

min

0

8

0

0

25%

0

10

0

0

50%

0

13.5

2

3.5

75%

0

14.75

3

8

max

3

25

post-Covidfreq.

19


12


count

194

14

74

24

mean

0.8479

12.5714

3.9595

9.375

std

0.9461

5.0492

1.7551

3.6213

min

0

5

0

2

25%

0

10

3

8

50%

1

11

4

10

75%

1

15

5

10

max

5

23

10

20

Nguồn: Dựa trên tính tốn của nhóm tác giả trên phần mềm Python
3.3. Thảo luận
Trong bài nghiên cứu này, thuật toán K-means được sử dụng nhằm phân cụm khách
hàng. Ưu điểm của thuật toán nằm ở sự đơn giản, hiệu quả và dễ dàng thực hiện trên bộ dữ
liệu lớn. Thêm vào đó, nghiên cứu cũng dựa trên nhiều yếu tố từ nhân khẩu học đến mức độ
hài lòng và lòng trung thành nhằm phân khúc hiệu quả, phản ánh được nhiều đặc điểm của
cụm khách hàng.
Về định hướng cho các bài nghiên cứu trong tương lai, nhóm mong muốn có thể mở
rộng thêm số lượng mẫu và phân cụm dựa trên các nhân tố khác như nhận thức của khách
hàng. Từ đó, tìm ra những phân khúc khách hàng mới, cụ thể và ý nghĩa hơn.

9a3f31 93f39f8323 b7c7bda 5203 f0b7cfc8a c3 f0f81bf915 5a0f4ac5 d8ccf40c
9ad4424 f89 c65 43b7d34 d53 b38a2a3 9fe6 b66 c26 c305 fca4 9a3c4eb5 1abf55f8
0700b7a c6a4 5f9a c00a 0780 4c0e 4706 f58e f34 f4e 1d01 beb f4d539ab2fe7 2f5 b
fb5225288a 8a06 f7fda9338 0380 3efb56b3d3a d4680 f23 e90abcc8a38 c23fcd2
51a0663 7b4 c4a20 104dc58 ee9e c3358 fa7d28b0 be58 c90a 6d7 d8a86 b865 52a6d
6e21c6e5ac96df3e c0e4 ba33 d28bbd1a 77d5 c8a2 275a70 1b94 bfae 8f4 720ff3 f
83ff16454 d0ff6fcfdbe1 f08 e06e5a 6cd3b1 d29 b9dca760 db7 f556 09c19b6825
5eb1ed 75b67ec4b3 b724ea 3df9a79ee fed 76173 5a128 1900e 0583 282baa 080ae
f63 cf3 5b45 14a0 c2044 2ad20 8079 6f6 21eb 87ff30d3dbd7 f42b05b2 2642 df6a5
1542c8c8 9b7 d27 cd5 c6e4 6a36f0d7 fde f4a69a 3f4 f9e8 4338 c49 d5bb12 f0d7 2e
1dbd4e07a9 1c7 7d20 1f6 7f1 65a7 f0c61ad6 df3847e 1ccdb5b90 e55d132e2 0091
83b3df3 b9c9b0a b9a32e 9c3 1d17 42070 6f9 c33 be4 fc1ae 74a0 c925a c2abfb d9c
b7f2 6ed3 145d0590e e1b3 7b30 baa4 f57b256 ce438 96e0 c368 7e01 f543 f03 e2b7
37e1d7 8ef3 d65a 0d2 dfe5 d520 d3a7 c33e4 8616 1c1 b19 c079aa f860 76df75 8aaf
4ae631e b7f0c1 86eaad2 c0e 6da48 ec1 0486 d93aa2 b8ee3 f47 e8aa258 5cf946 46
4eaf5 c63b2742 99306 4530 f7d12e f440 d783a0 6390 b97e c6 cc7 2bf3e9df7 f50 c

c9a261 d2d34b1 efbbfb7384 77f7a47 c4a6a6 b238 d80 d82 c788 c191 9164 f6aa3 9
4f93 cd1 7a6554 3d1 803b33cb1b0aaac28 737ff67 eeb6 d176 38e03 7bfa 2d26 7d6
9bc7 1d71 3c1 5f4 b0e2e 94a1a2 6b9 c145 69b1 b468 87d5d0 c3ae4 db99 e612 dbf4e
60b7d9e7b725dd9 f50 c9d7 492d37c83dfeef4c1 3a54 c46ab8b8 b76d37b5 ba073
9b50b3a4b1 3035a 2090 fe268 5c6 f34 e2c6 8c7 22b2f8 1e8e30 3a5a41e e60e6 c3 d
3c4e9 c15 4862 b190e 839a2 4b65 f52 c9 c748 2d8b0cde295 0f8 cd2344a b0d0 1a3e
c0436 79c9eb0 35f44646 e76db058 e3ab1 69e0 8b8 f6a7 f4f7a709 9cbf7e4 d9d18
48d75e 1a7b3 d5e3 d2e3 e3b9a d7e5a 4a3208ff 6a14 f2e1 cde7 6ae8ab3eb4e f91 5
651275 5a4512 dbfeaa8e0 c007 31b7 93c9fb06e3 bbf5451 b51 754a04 4cc62ae2 3
ff88a1cbdbcf9 e618 9f8 f6d2ceae 7271 0729 fae7 c225a c51 b4b0 8a6b1 d8d1a0f
5c1b3da8 b4d1 3cb1d8 42b0 31b0 c1 d4866 f33 06e49a 758 c5e1 f6d9b6 bcb0ab0 b7
e96c2 6ff6cf34 bb20 f31 2b5aa7 d385 b70e 5dc1dc9c7598 53e1a5 687a7 b87d7c7
e3e5c3 fe58 b4bb6fb04 0e9e1 7c5e 6d8 f65 d4d0a 892e cad7 550bb49 f5d5b15 853
fcb8 3a671 1d63 8f3 f9ee 7a6ce801 da406 40601 63f4cf649 89d3 f70 06a71 19c1e
60fc9a3568 5c2 f07a d8ae cc5 c6 c0b053 f5e51 0c5 2d72fb b8f78a8fc6 f6bb5a50
dd0 f7f2e735 dbb70b67e24 f8d49d37ef9b07 65fa4 2fc4a398 3b9 2f5 56098 3a26
77b722 c4 fae8b59b5 9d83 9de6 b1b2ffcf49e1 b8e68 7ef1 868 cb81 fa6 f59b8dc7
e0139ad11e2 f920 9375e 71ad4ec2 2d1 c08a6 0e5b9b10 bb1 f83 e3659 d02 06359 d
b20c9a7bb9bfe635 b043 55e4 cc6 72273 d1d79b7276 bbf45a67 0bc6d24a 4c7 755
15e7a2 f607a4 f08 57e99 957e 98995fb 6a2727 f5a c8e5 8f9 1e92b4444 8e711 ec2
79b746 615a7 5776a7 2a0e7aa 3ff897afe 5a8c580 c38a7 69f8dd1 e477 0e2d52a4
1b9c74ab4a 2c2 99439 d6db85 3d45 2d8 bb4 b5db54f2dce47 c50e d23a3 56d7 c33 4
f8580 5c0 59f50a73 09dc4e33 c49 80aa85 b19 d0761 7ec0544aa4 2f0 632d8493 f2
b9a21a9 fc3a 5b6 b2908 cc6e38 f2b920 fc5 dbba 12c04c4ee52 b94b5fe7 353d7a7
d51760 f2 f3 c4b2 5b45 12c999b7db65c158dcba b7d2e5e8 8914a d13 f4f82856 55
70b476 6952 4967 472eb 9b1 1d0 d9534 8e65 b6fb150 e08e9 6375 cf24e2ffb d904 5
91b408 5421 d8efc3 c2b046fda430 d2c2a5da 83725 0e70 db16 8c7 71cd59a6 9aae
c5fe8 3a106 f37 c8 f17fc4e 1e5c0e1 f29b0942 c58 c5 f6a131 7d6 c681 0a7be 6667

ICYREB2021|Chủđề4:Cơngnghệtàichínhvàcácchủđềkhác

871


4. Kết luận
Thơng qua q trình phân tích dữ liệu bằng phương pháp phân cụm K-mean, nhóm
nghiên cứu đã phân được thành 4 cụm tương ứng với 4 phân khúc khách hàng. Mỗi phân
khúc đều có những đặc trưng như sau:
•

Phân cụm 0: là những khách hàng có thu nhập thấp với tần suất sử dụng thấp.

•

Phân cụm 1: là những khách hàng có thu nhập thấp với tần suất sử dụng cao.

•

Phân cụm 2: là những khách hàng có thu nhập cao, với tần suất sử dụng cao.

•

Phâm cụm 3: là những khách hàng có thu nhập cao với tần suất sử dụng thấp.

Phân khúc khách hàng đóng vai trị quan trọng đối với mỗi cơng ty hay doanh nghiệp.
Việc phân khúc khách hàng trong bài nghiên cứu giúp các cơng ty cung cấp dịch vụ xe cơng
nghệ tìm hiểu và nắm rõ hơn về hành vi khách hàng từ đó là cơ sở giúp phát triển các chiến
lược quảng cáo, dịch vụ chăm sóc phù hợp với mỗi nhóm khách hàng.
Tài liệu tham khảo

BigDatauni. Tìm hiểu về phương pháp Clustering (phân cụm) (P.1). [Online] Available
at:   />Chaudhuri & cộng sự (2001). The chain of effects from brand trust and brand affect to brand
performance: the role of brand loyalty. Journal of marketing, 65(2), 81-93. 
King, R. S. (2015). Cluster analysis and data mining: An introduction. Stylus Publishing,
LLC. 
Kotler P. (2000), “Marketing Management”, Upper Saddle River, New Jersey. 
MacQueen, J. (1967). Some methods for classification and analysis of multivariate
observations. In Proceedings of the fifth Berkeley symposium on mathematical
statistics and probability (Vol. 1, No. 14, pp. 281-297).
Tiểu Phượng (2020). Thị phần gọi xe công nghệ Việt Nam: Grab chiếm ¾, Gojek bám sát Be
[Online]. Availabe at: />Tran Binh Minh & cộng sự (2021). Các nhân tố quyết định đến lòng trung thành của khách
hàng đối với dịch vụ vận tải theo hình thức kinh doanh chia sẻ.

9a3f31 93f39f8323 b7c7bda 5203 f0b7cfc8a c3 f0f81bf915 5a0f4ac5 d8ccf40c
9ad4424 f89 c65 43b7d34 d53 b38a2a3 9fe6 b66 c26 c305 fca4 9a3c4eb5 1abf55f8
0700b7a c6a4 5f9a c00a 0780 4c0e 4706 f58e f34 f4e 1d01 beb f4d539ab2fe7 2f5 b
fb5225288a 8a06 f7fda9338 0380 3efb56b3d3a d4680 f23 e90abcc8a38 c23fcd2
51a0663 7b4 c4a20 104dc58 ee9e c3358 fa7d28b0 be58 c90a 6d7 d8a86 b865 52a6d
6e21c6e5ac96df3e c0e4 ba33 d28bbd1a 77d5 c8a2 275a70 1b94 bfae 8f4 720ff3 f
83ff16454 d0ff6fcfdbe1 f08 e06e5a 6cd3b1 d29 b9dca760 db7 f556 09c19b6825
5eb1ed 75b67ec4b3 b724ea 3df9a79ee fed 76173 5a128 1900e 0583 282baa 080ae
f63 cf3 5b45 14a0 c2044 2ad20 8079 6f6 21eb 87ff30d3dbd7 f42b05b2 2642 df6a5
1542c8c8 9b7 d27 cd5 c6e4 6a36f0d7 fde f4a69a 3f4 f9e8 4338 c49 d5bb12 f0d7 2e
1dbd4e07a9 1c7 7d20 1f6 7f1 65a7 f0c61ad6 df3847e 1ccdb5b90 e55d132e2 0091
83b3df3 b9c9b0a b9a32e 9c3 1d17 42070 6f9 c33 be4 fc1ae 74a0 c925a c2abfb d9c
b7f2 6ed3 145d0590e e1b3 7b30 baa4 f57b256 ce438 96e0 c368 7e01 f543 f03 e2b7
37e1d7 8ef3 d65a 0d2 dfe5 d520 d3a7 c33e4 8616 1c1 b19 c079aa f860 76df75 8aaf
4ae631e b7f0c1 86eaad2 c0e 6da48 ec1 0486 d93aa2 b8ee3 f47 e8aa258 5cf946 46
4eaf5 c63b2742 99306 4530 f7d12e f440 d783a0 6390 b97e c6 cc7 2bf3e9df7 f50 c
c9a261 d2d34b1 efbbfb7384 77f7a47 c4a6a6 b238 d80 d82 c788 c191 9164 f6aa3 9

4f93 cd1 7a6554 3d1 803b33cb1b0aaac28 737ff67 eeb6 d176 38e03 7bfa 2d26 7d6
9bc7 1d71 3c1 5f4 b0e2e 94a1a2 6b9 c145 69b1 b468 87d5d0 c3ae4 db99 e612 dbf4e
60b7d9e7b725dd9 f50 c9d7 492d37c83dfeef4c1 3a54 c46ab8b8 b76d37b5 ba073
9b50b3a4b1 3035a 2090 fe268 5c6 f34 e2c6 8c7 22b2f8 1e8e30 3a5a41e e60e6 c3 d
3c4e9 c15 4862 b190e 839a2 4b65 f52 c9 c748 2d8b0cde295 0f8 cd2344a b0d0 1a3e
c0436 79c9eb0 35f44646 e76db058 e3ab1 69e0 8b8 f6a7 f4f7a709 9cbf7e4 d9d18
48d75e 1a7b3 d5e3 d2e3 e3b9a d7e5a 4a3208ff 6a14 f2e1 cde7 6ae8ab3eb4e f91 5
651275 5a4512 dbfeaa8e0 c007 31b7 93c9fb06e3 bbf5451 b51 754a04 4cc62ae2 3
ff88a1cbdbcf9 e618 9f8 f6d2ceae 7271 0729 fae7 c225a c51 b4b0 8a6b1 d8d1a0f
5c1b3da8 b4d1 3cb1d8 42b0 31b0 c1 d4866 f33 06e49a 758 c5e1 f6d9b6 bcb0ab0 b7
e96c2 6ff6cf34 bb20 f31 2b5aa7 d385 b70e 5dc1dc9c7598 53e1a5 687a7 b87d7c7
e3e5c3 fe58 b4bb6fb04 0e9e1 7c5e 6d8 f65 d4d0a 892e cad7 550bb49 f5d5b15 853
fcb8 3a671 1d63 8f3 f9ee 7a6ce801 da406 40601 63f4cf649 89d3 f70 06a71 19c1e
60fc9a3568 5c2 f07a d8ae cc5 c6 c0b053 f5e51 0c5 2d72fb b8f78a8fc6 f6bb5a50
dd0 f7f2e735 dbb70b67e24 f8d49d37ef9b07 65fa4 2fc4a398 3b9 2f5 56098 3a26
77b722 c4 fae8b59b5 9d83 9de6 b1b2ffcf49e1 b8e68 7ef1 868 cb81 fa6 f59b8dc7
e0139ad11e2 f920 9375e 71ad4ec2 2d1 c08a6 0e5b9b10 bb1 f83 e3659 d02 06359 d
b20c9a7bb9bfe635 b043 55e4 cc6 72273 d1d79b7276 bbf45a67 0bc6d24a 4c7 755
15e7a2 f607a4 f08 57e99 957e 98995fb 6a2727 f5a c8e5 8f9 1e92b4444 8e711 ec2
79b746 615a7 5776a7 2a0e7aa 3ff897afe 5a8c580 c38a7 69f8dd1 e477 0e2d52a4
1b9c74ab4a 2c2 99439 d6db85 3d45 2d8 bb4 b5db54f2dce47 c50e d23a3 56d7 c33 4
f8580 5c0 59f50a73 09dc4e33 c49 80aa85 b19 d0761 7ec0544aa4 2f0 632d8493 f2
b9a21a9 fc3a 5b6 b2908 cc6e38 f2b920 fc5 dbba 12c04c4ee52 b94b5fe7 353d7a7
d51760 f2 f3 c4b2 5b45 12c999b7db65c158dcba b7d2e5e8 8914a d13 f4f82856 55
70b476 6952 4967 472eb 9b1 1d0 d9534 8e65 b6fb150 e08e9 6375 cf24e2ffb d904 5
91b408 5421 d8efc3 c2b046fda430 d2c2a5da 83725 0e70 db16 8c7 71cd59a6 9aae
c5fe8 3a106 f37 c8 f17fc4e 1e5c0e1 f29b0942 c58 c5 f6a131 7d6 c681 0a7be 6667