Tối ưu việc trưng bày sản phẩm trong cửa hàng bán lẻ nhờ kỹ thuật phân cụm K-means
Nhờ vào sự tiến bộ của công nghệ, thương mại điện tử. Các nhà bán lẻ truyền thống đã vượt qua sự cản trở về mặt không gian để có thể khuếch trương cửa hàng của mình ra một phạm vi địa lý rộng lớn hơn. Điều này cũng đồng nghĩa với việc họ sẽ bán được nhiều hàng hoá hơn, quy mô số lượng sản phẩm cũng được mở rộng.
Trong bối cảnh kinh doanh bận rộn đó, việc làm thế nào để quản lý kho hàng một cách thông minh. Chẳng hạn như dự đoán sản phẩm nào mang lại lợi nhuận cao nhất, sản phẩm nào được bán cùng lúc... những kiểu thông tin như vậy sẽ giúp ích cho doanh nghiệp trong công tác mua hàng, sắp xếp, đều phối hàng hoá.
Trong bài viết này, chúng tôi sẽ giới thiệu về kỹ thuật phân cụm K-means để giúp nhà quản lý phân nhóm sản phẩm một cách khoa học, từ đó thiết kế không gian trưng bày hợp lý, tăng trải nghiệm khách hàng và tối ưu doanh thu.
1. Khai thác dữ liệu bán hàng để tối ưu hoá việc kinh doanh
Không gian trưng bày trong một cửa hàng bán lẻ thường có kích thước hạn chế, do đó, làm thế nào để bày biện sản phẩm một cách tối ưu cũng là một công tác cần được quan tâm. Thay vì chúng ta trưng bày sản phẩm theo cảm tính, bằng công tác phân tích dữ liệu bán hàng chúng ta có thể tổ chức lại việc sắp xếp kệ hàng một cách khoa học hơn và kỹ thuật K-means có thể được ứng dụng trong việc này.
Kỹ thuật phân cụm K-means không trực tiếp thiết kế bố cục cửa hàng, nhưng là một công cụ mạnh mẽ để phân tích và nhóm dữ liệu, từ đó hỗ trợ các quyết định về quản lý không gian trưng bày sản phẩm trong bán lẻ. Bằng cách phân cụm sản phẩm hoặc cửa hàng, các nhà bán lẻ có thể tối ưu hóa việc sắp xếp sản phẩm, tăng doanh số và cải thiện trải nghiệm khách hàng.
2. Kỹ thuật phân cụm K-means là gì?
Như đã nói ở trên, không gian kệ hàng là tài sản hữu hạn và quý giá. Việc sắp xếp sản phẩm nào, ở đâu, với số lượng bao nhiêu (số mặt hàng trưng bày - facings) ảnh hưởng trực tiếp đến doanh số, lợi nhuận và trải nghiệm khách hàng. K-means giúp đưa ra quyết định dựa trên dữ liệu thay vì chúng ta sắp xếp sản phẩm theo một cách cảm tính.
Trong bán lẻ, việc tối ưu không gian trưng bày (planogram) có thể được hỗ trợ bằng phân tích dữ liệu và phân cụm sản phẩm hoặc cửa hàng. Ví dụ, ta có thể thu thập dữ liệu bán hàng, đặc tính sản phẩm (nhãn hiệu, giá, danh mục, tốc độ bán), hoặc dữ liệu hành vi khách hàng tại từng khu vực của cửa hàng. Áp dụng K-means giúp nhóm các sản phẩm tương tự hoặc có hành vi mua hàng giống nhau vào cùng một cụm. Sau đó, các nhóm này được dùng để bố trí sản phẩm hợp lý trên kệ: sản phẩm cùng cụm (ví dụ bán chạy cùng mùa, hoặc cùng thương hiệu/giá) được xếp gần nhau hoặc ở vị trí “mặt” phù hợp để tối ưu bán hàng bright-journal.orgdotactiv.com.
Một nghiên cứu thực tiễn tại Indonesia kết hợp K-means và Apriori đã phân cụm sở thích khách hàng và thiết kế planogram theo nhóm này. Kết quả cho thấy có sự khác biệt trong sở thích mua sắm giữa các nhóm khách, đặc biệt về cách nhóm sản phẩm theo thương hiệu và giá cả trên kệ bright-journal.org. Từ đó, nhóm tác giả xây dựng mẫu planogram hai chiều chia các nhóm sản phẩm (nhóm thương hiệu, nhóm giá) phù hợp với hành vi mua. Planogram này, điều chỉnh theo mẫu mua của khách, đã giúp cải thiện trải nghiệm mua sắm và quản lý hàng tồn kho tốt hơn bright-journal.org.
DotActiv – một đơn vị về giải pháp planogram – cũng nhấn mạnh rằng khi đã có các cụm sản phẩm rõ ràng, việc xây dựng planogram trở nên dễ dàng hơn. Cụ thể, nhóm sản phẩm theo các tiêu chí khác nhau tạo ra các cụm có “sự phân biệt rõ ràng”. Khi ấy, người quản lý có thể dễ dàng xác định sản phẩm bán chạy hoặc bán chậm trong từng cụm và quyết định số mặt hàng trưng bày (số facing) phù hợp dotactiv.com. Nhờ vậy, việc phân bổ không gian trưng bày (đối với từng sản phẩm trong mỗi nhóm) sẽ tối ưu hơn so với cách sắp xếp thủ công truyền thống.
2.1. Khái niệm cơ bản về K-means
K-means là một khái niệm trong khai thác dữ liệu lớn để tối ưu hoá cho nhiều vấn đề, trong đó có việc trưng bày sản phẩm trong một cửa hàng bán lẻ.
Nguyên tắc cơ bản của K-means là nhóm các sản phẩm có liên quan đến nhau thành một nhóm và sắp đặt chúng gần nhau để khách hàng dễ lựa chọn, dễ mua chéo.
Đặc điểm chính của K-means là việc nhóm các sản phẩm được dựa trên việc phân tích dữ liệu bán hàng, chứ không phải dựa trên phỏng đoán. Việc sử dụng kỹ thuật phân cụm K-means sẽ giúp nâng cao trải nghiệm khách hàng, tăng doanh số bán hàng.
Có nhiều cách để phân cụm, chúng ta có thể phân cụm theo sản phẩm. Ví dụ như, các nhóm sản phẩm thường được mua cùng nhau thường được để gần nhau. Ví dụ: sửa, đường và cà phê. Hoặc chúng ta có thể phân cụm theo nhóm các lứa tuổi, nhóm tuổi trẻ thì sắp xếp các sản phẩm phù hợp. Hoặc cũng có thể tối ưu theo nhóm sản phẩm bán chạy và bán chậm.
Ví dụ, nếu một sản phẩm có lượng bán ra lớn trong một ngày thì nó không nên được bày biện chiếm ưu thế so với các sản phẩm khác. Ưu tiên lưu trữ nên dành cho các sản phẩm có tỷ lệ lợi nhuận cao và bán được trong một thời gian dài.
2.2. Lợi ích của phương pháp phân cụm K-means
Thay vì sắp xếp kệ theo cảm tính hay kinh nghiệm, K-means dùng dữ liệu bán hàng và khách hàng thực tế để hình thành nhóm. Việc này giúp phản ánh đúng mô hình mua sắm và xu hướng thị trường en.wikipedia.orgbright-journal.org.
Kết quả phân cụm cho phép tùy chỉnh planogram theo từng nhóm sản phẩm/khách hàng, ví dụ planogram khác nhau cho cửa hàng bán hàng cao cấp hoặc đại chúng (store clustering) hoặc phân chia theo mùa vụ. DotActiv lưu ý rằng phân nhóm hàng tồn kho và chương trình khuyến mại có thể được thiết kế riêng cho từng cụm, tối ưu nguồn lực marketing và quảng cáo flyrank.comdotactiv.com.
K-means có thể vận hành trên tập dữ liệu lớn với nhiều biến (nhãn hiệu, giá, doanh số, tần suất mua…), giúp khám phá cấu trúc ẩn trong dữ liệu phức tạp của bán lẻ. Theo DotActiv, thuật toán này đơn giản và linh hoạt, có thể xử lý nhanh các tập dữ liệu khổng lồ – điều quan trọng khi làm việc với dữ liệu bán lẻ đa chiều dotactiv.com.
So với việc thủ công thiết kế planogram cho từng kệ, phương pháp tự động phân nhóm bằng K-means giảm tải cho nhà quản lý. Khi các cụm sản phẩm đã được xác định, xây dựng planogram chỉ cần xác định số mặt hàng/trình tự cho mỗi cụm dựa trên dữ liệu, giúp quyết định tối ưu hơn dotactiv.combright-journal.org.
2.3. Các quy tắc phân cụm K-means
Giả sử một chuỗi siêu thị thu thập dữ liệu lịch sử bán hàng của hàng trăm mã hàng tạp hóa qua nhiều tháng. Bằng cách sử dụng K-means, họ phân nhóm các sản phẩm dựa trên số lượng bán và giá cả. Kết quả thu được 3 cụm: (1) các mặt hàng bán chạy cao, giá cao (ví dụ: rượu vang), (2) bán chạy nhưng giá thấp (ví dụ: nước giải khát bình dân), (3) bán chậm (nhóm ít phổ biến hoặc mùa vụ). Từ đó, nhà quản lý bố trí kệ: nhóm mặt hàng bán chạy giá cao ở vị trí tầm mắt (nhằm nhắm đối tượng khách chuộng hàng cao cấp), nhóm bán chạy giá thấp ở kệ dưới hoặc gần lối đi (thu hút khách hàng săn hàng giá tốt) và nhóm bán chậm ở kệ trên cao ít thấy hơn. Bằng cách này, hành vi mua hàng được tối đa hoá (tối ưu cơ hội mua sắm), đồng thời dễ dàng điều chỉnh tồn kho và khuyến mãi cho từng nhóm cụm sản phẩm.
2.3.1. Phân cụm theo nhóm sản phẩm liên quan
Mục đích tổ chức việc phân cụm theo nhóm các sản phẩm có đặc điểm tương tự để tối ưu hóa cách trưng bày. Để hiện thực hoá công tác phân cụm theo sản phẩm, chúng ta sử dụng dữ liệu doanh số bán hàng, giá cả, loại sản phẩm, tần suất mua sắm, hoặc mối quan hệ mua cùng nhau (cross-selling). Lợi ích của việc tổ chức này đã được nhìn thấy qua thực tế triển khai ở nhiều cửa hàng, người ta thấy, khi nhóm các sản phẩm thường được mua cùng nhau, như sữa và bánh quy, để đặt gần nhau, sẽ khuyến khích khách hàng mua thêm.
Ví dụ thực tế: Một nghiên cứu trên Unveiling Retail Patterns: A K-Means Clustering Odyssey into Sales Data Insights cho thấy K-means được dùng để phân tích dữ liệu bán hàng, nhóm các quốc gia dựa trên số lượng và giá trị mua sắm, gián tiếp ảnh hưởng đến cách trưng bày sản phẩm.
Hoặc các nghiên cứu khác cho thấy, khi đặt sản phẩm bán chạy (fast-moving) ở vị trí dễ tiếp cận, như kệ mắt nhìn hoặc gần quầy thanh toán. Ví dụ trong báo cáo, Optimization of Product Placement on E-commerce Platforms with K-Means Clustering to Improve User Experience, áp dụng K-means cho nền tảng thương mại điện tử, nhóm sản phẩm thành "Premium & Exclusive," "Mid & Miscellaneous," và "Affordable & General." Mặc dù là e-commerce, nguyên lý này có thể áp dụng cho bán lẻ vật lý, đặt sản phẩm phù hợp với phân khúc khách hàng.
2.3.2. Phân cụm theo cửa hàng, nhân khẩu học
Một quy tắc phân cụm khác thường được sử dụng là nhóm các cửa hàng có đặc điểm tương tự để tùy chỉnh chiến lược trưng bày sản phẩm. Chẳng hạn như, nhờ vào dữ liện bán hàng về vị trí địa lý, nhân khẩu học khách hàng, doanh số bán hàng, hoặc hành vi mua sắm. Các cửa hàng ở khu vực có nhiều khách hàng trẻ tuổi có thể được phân cụm và ưu tiên trưng bày sản phẩm thời trang hoặc công nghệ. Các cửa hàng ở khu vực gia đình có thể trưng bày nhiều sản phẩm gia dụng hoặc thực phẩm.
Một bài viết trên Store Clustering for Improved and Efficient Inventory Planning đề cập đến việc dùng K-means để nhóm cửa hàng dựa trên dữ liệu bán hàng và hành vi khách hàng, giúp tối ưu hóa kế hoạch trưng bày. Hoặc bài viết, Store Localization and Clustering: Best Practices for Retail Planners, nhấn mạnh K-means giúp tìm các nhóm tự nhiên, như cửa hàng có doanh số cao về đồ thể thao, để điều chỉnh trưng bày phù hợp.
2.3.3. Phân cụm theo tối ưu hóa không gian kệ hàng
Quy tắc phân cụm khác chính là công tác phân nhóm sản phẩm dựa trên tiềm năng bán hàng, sau đó phân bổ không gian kệ hợp lý. Sản phẩm "fast-moving" được phân cụm và phân bổ nhiều không gian hơn trên kệ. Sản phẩm "slow-moving" được đặt ở vị trí ít quan trọng hơn, như kệ thấp hoặc góc khuất.
Trong một nghiên cứu Grouping of Retail Items by Using K-Means Clustering áp dụng K-means để nhóm sản phẩm thành "fast-moving" và "slow-moving" tại Citramart Minimarket, giúp xác định mức tồn kho tối thiểu và lợi nhuận, gián tiếp ảnh hưởng đến cách phân bổ không gian kệ. Một bài viết trên How to Effectively Use Product Clustering in Retail (2025) nhấn mạnh rằng phân cụm động bằng AI, có thể bao gồm K-means, giúp tối ưu hóa không gian kệ dựa trên dữ liệu thời gian thực.
Ví dụ, sau khi phân tích dữ liệu đầu vào gồm doanh số, tốc độ bán hàng (fast-moving vs. slow-moving), lợi nhuận. Chúng ta sẽ tổ chức phân cụm các sản phẩm thành các nhóm sau:
- Cụm 1: "Ngôi sao" (Doanh số cao, Lợi nhuận cao, Tốc độ bán nhanh): Sản phẩm chủ lực.
- Cụm 2: "Bò sữa" (Doanh số cao, Lợi nhuận thấp/trung bình, Tốc độ bán nhanh): Sản phẩm tạo lưu lượng khách, có thể nhạy cảm về giá.
- Cụm 3: "Dấu hỏi" (Doanh số thấp, Lợi nhuận cao): Sản phẩm tiềm năng hoặc ngách.
- Cụm 4: "Chó mực" (Doanh số thấp, Lợi nhuận thấp, Tốc độ bán chậm): Sản phẩm cần xem xét loại bỏ hoặc giảm không gian.
Sau khi có sự phân nhóm, chúng ta tiến hành sắp đặt kệ hàng vào các nhóm như sau:
- Ưu tiên vị trí "vàng" (ngang tầm mắt, đầu kệ - end caps) và nhiều không gian (nhiều facings) cho cụm "Ngôi sao" và "Bò sữa".
- Phân bổ không gian hợp lý cho cụm "Dấu hỏi", có thể đặt gần các sản phẩm bổ trợ.
- Giảm thiểu không gian hoặc loại bỏ sản phẩm thuộc cụm "Chó mực".
- Thông tin này rất hữu ích để thiết kế sơ đồ trưng bày (planogram).
