Phân tích giữ chân khách hàng là quá trình sử dụng dữ liệu để hiểu khách hàng có tiếp tục quay lại hay không, quay lại vào thời điểm nào và những yếu tố nào liên quan đến hành vi đó. Trong bán lẻ và thương mại điện tử, phân tích này giúp doanh nghiệp nhìn xa hơn doanh thu của từng đơn hàng để đánh giá khả năng duy trì quan hệ mua sắm theo thời gian.
Bài viết đi từ bản chất của Customer Retention đến cách đo lường, đọc dữ liệu và ứng dụng các phương pháp phân tích. Tất cả số liệu trong ví dụ đều là giả định để minh họa, không phải kết quả khảo sát hay chuẩn ngành.
Phân tích giữ chân khách hàng là gì?
Hiểu Customer Retention từ một tình huống đơn giản
Giả sử một cửa hàng có nhiều người mua lần đầu trong tháng này. Sang tháng sau, doanh thu tiếp tục tăng. Điều đó chưa đủ để kết luận cửa hàng đang giữ chân khách hàng tốt: doanh thu có thể tăng chủ yếu nhờ một nhóm khách mới khác, trong khi phần lớn khách cũ không quay lại.
Customer Retention đề cập đến khả năng duy trì khách hàng trong một khoảng thời gian xác định. Retention Analysis là hoạt động đo lường và tìm hiểu quá trình duy trì đó bằng dữ liệu.
Trong thực tế, phân tích thường xoay quanh bốn câu hỏi:
- Trong những người đã mua, bao nhiêu người tiếp tục mua?
- Khách hàng thường quay lại sau bao lâu?
- Nhóm khách hàng nào có hành vi quay lại khác biệt?
- Can thiệp nào thực sự giúp tăng mua lại và tạo giá trị kinh tế?
Bản chất là theo dõi cùng một nhóm khách hàng qua thời gian
Đếm tổng số người mua mỗi tháng chỉ cho biết quy mô hoạt động. Muốn hiểu retention, cần theo dõi những khách hàng đã xác định từ trước và quan sát hành vi tiếp theo của họ.
Ví dụ, thay vì hỏi “Tháng 2 có bao nhiêu người mua?”, hãy hỏi “Trong nhóm mua lần đầu ở tháng 1, có bao nhiêu người mua tiếp ở tháng 2?”. Câu hỏi thứ hai kết nối hành vi hiện tại với lịch sử của cùng một nhóm người.
Retention vì thế luôn cần ba thành phần: nhóm khách hàng gốc, hành vi được tính là quay lại và khoảng thời gian quan sát. Thiếu một trong ba thành phần, tỷ lệ được báo cáo có thể khó diễn giải hoặc không thể so sánh.
Mua lại không đồng nghĩa hoàn toàn với lòng trung thành
Một người có thể mua nhiều lần vì giá giảm, vị trí thuận tiện hoặc chưa có lựa chọn thay thế. Ngược lại, người hài lòng với một chiếc tủ lạnh có thể không mua thêm trong nhiều năm.
Dữ liệu mua lại phản ánh hành vi quan sát được. Muốn hiểu lòng trung thành, mức độ hài lòng hoặc động cơ lựa chọn, cần kết hợp thêm khảo sát, phản hồi và bối cảnh sử dụng sản phẩm.
Vai trò của phân tích giữ chân khách hàng trong bán lẻ và thương mại điện tử
Đánh giá chất lượng tăng trưởng
Hai doanh nghiệp có doanh thu tương đương có thể có cấu trúc khách hàng khác nhau. Một bên liên tục cần bổ sung khách mới; bên còn lại có một nhóm khách cũ mua đều đặn.
Phân tích retention giúp tách tăng trưởng do thu hút khách mới khỏi tăng trưởng đến từ khách hiện hữu. Nhờ đó, doanh nghiệp có thể đánh giá liệu hoạt động bán hàng đang tạo ra quan hệ mua sắm bền vững hay chỉ tạo giao dịch ngắn hạn.
Phát hiện điểm yếu trong trải nghiệm sau mua
Quảng cáo có thể thuyết phục khách đặt đơn đầu tiên, nhưng trải nghiệm sản phẩm, giao hàng và hỗ trợ ảnh hưởng đến quyết định tiếp theo. Khi một nhóm khách có tỷ lệ mua lại thấp, dữ liệu sau mua là nơi cần kiểm tra.
Ví dụ, nếu nhóm nhận hàng trễ có tỷ lệ quay lại thấp hơn, doanh nghiệp có cơ sở để đặt giả thuyết về chất lượng giao hàng. Tuy nhiên, chênh lệch này chưa chứng minh quan hệ nhân quả vì hai nhóm có thể khác nhau về khu vực, sản phẩm hoặc thời điểm đặt hàng.
Phân bổ nguồn lực theo giá trị khách hàng
Retention giúp doanh nghiệp cân nhắc nhóm nào cần hỗ trợ, nhóm nào phù hợp với nhắc mua bổ sung và nhóm nào cần tìm hiểu nguyên nhân ngừng mua.
Mục tiêu không phải giữ mọi khách hàng bằng mọi giá. Một chương trình giảm giá có thể làm tăng số người mua lại nhưng làm giảm lợi nhuận nếu chi phí ưu đãi vượt quá phần giá trị tạo thêm.
Điều chỉnh cách phân tích theo mô hình kinh doanh
| Bối cảnh | Đặc điểm cần chú ý | Hàm ý phân tích |
|---|---|---|
| Bán lẻ tại cửa hàng | Nhiều giao dịch không gắn với danh tính khách hàng | Kết quả có thể chỉ đại diện cho nhóm khách nhận diện được |
| Thương mại điện tử | Có lịch sử tài khoản, đơn hàng và hành vi truy cập | Cần phân biệt quay lại website với quay lại mua hàng |
| Bán hàng đa kênh | Một người có thể mua cả trực tuyến và tại cửa hàng | Cần liên kết danh tính để tránh coi chuyển kênh là rời bỏ |
| Sản phẩm mua thường xuyên | Nhu cầu bổ sung xuất hiện tương đối đều | Có thể theo dõi khoảng cách giữa các lần mua |
| Sản phẩm có vòng đời dài | Thời gian giữa hai lần mua có thể rất lâu | Cần cửa sổ quan sát dài và hành vi bổ sung phù hợp |
Định nghĩa “giữ chân” trước khi tính chỉ số
Chọn hành vi quay lại có ý nghĩa
Với bài toán mua lại, một định nghĩa có thể là: khách phát sinh ít nhất một đơn hàng hợp lệ sau đơn đầu tiên. Doanh nghiệp cần quy định rõ đơn hợp lệ có bao gồm đơn bị hủy, hoàn tiền hoặc hoàn trả toàn bộ hay không.
Nếu mục tiêu là mức độ tương tác, hành vi quay lại có thể là mở ứng dụng hoặc xem sản phẩm. Những hành vi này cần được đặt tên riêng; không nên dùng tỷ lệ quay lại truy cập để kết luận trực tiếp về tỷ lệ mua lại.
Chọn cửa sổ thời gian theo chu kỳ mua sắm
Không có một cửa sổ retention phù hợp cho mọi ngành hàng. Khoảng 30 ngày có thể hữu ích với một số sản phẩm tiêu dùng, nhưng quá ngắn để đánh giá hành vi mua lại thiết bị gia dụng.
Cần phân biệt các cách đo sau:
- Quay lại trong từng kỳ: có mua ở tuần hoặc tháng đang xét.
- Mua lại trong vòng N ngày: có ít nhất một lần mua tiếp trong khoảng thời gian quy định sau lần mua đầu.
- Return On or After: có quay lại tại mốc đang xét hoặc sau mốc đó, trong giới hạn dữ liệu quan sát [1].
Các cách đo trả lời những câu hỏi khác nhau. Dashboard cần ghi rõ định nghĩa thay vì chỉ hiển thị nhãn “Retention”.
Nhận diện khó khăn của môi trường không có hợp đồng
Trong dịch vụ thuê bao, việc hủy hợp đồng có thể là tín hiệu rời bỏ rõ ràng. Với một cửa hàng bán lẻ, người chưa mua lại có thể đã chuyển sang đối thủ hoặc đơn giản là chưa cần mua thêm.
Đây là đặc điểm của môi trường noncontractual: thời điểm khách thực sự kết thúc quan hệ thường không được quan sát trực tiếp. Nghiên cứu của Fader, Hardie và Shang xem xét chính vấn đề phân biệt khách đã rời bỏ với khách đang có khoảng nghỉ dài giữa các giao dịch [2].
Vì vậy, quy tắc “không mua trong 90 ngày” nên được hiểu là một định nghĩa vận hành về trạng thái không hoạt động hoặc nguy cơ rời bỏ, không phải bằng chứng chắc chắn rằng khách đã rời bỏ vĩnh viễn.
Các chỉ số nền tảng cần biết
Customer Retention Rate: tỷ lệ giữ lại nhóm khách gốc
Cách tính trực tiếp là lấy số khách thuộc nhóm gốc đáp ứng điều kiện duy trì, chia cho tổng số khách trong nhóm gốc.
Retention Rate = Số khách thuộc nhóm gốc đáp ứng điều kiện duy trì
/ Tổng số khách trong nhóm gốc × 100%Ví dụ giả định: có 200 khách mua hàng trong tháng 1. Trong số đó, 60 người tiếp tục mua trong tháng 2. Với định nghĩa “khách tháng 1 quay lại mua ở tháng 2”, Retention Rate bằng 60 / 200 × 100% = 30%.
Một công thức tổng hợp thường gặp là (E − N) / S × 100%, với S là số khách đầu kỳ, E là số khách cuối kỳ và N là khách mới trong kỳ. Công thức này chỉ phù hợp khi E − N thực sự tương ứng với số khách được giữ lại từ S. Nếu E chứa khách tái kích hoạt ngoài nhóm đầu kỳ, cần tách họ ra hoặc tính trực tiếp theo danh sách khách gốc.
Repeat Purchase Rate: tỷ lệ khách có mua lặp lại
Repeat Purchase Rate = Số khách có ít nhất 2 đơn hợp lệ trong phạm vi xét
/ Số khách có ít nhất 1 đơn hợp lệ trong phạm vi xét
× 100%Chỉ số này cho biết mức độ phổ biến của hành vi mua lặp lại trong phạm vi dữ liệu đã chọn. Nó không tự cho biết khách mua lần đầu ở thời điểm nào hoặc mất bao lâu để quay lại.
Nếu phạm vi chỉ bao gồm một quý, khách mua một đơn ở quý trước và một đơn ở quý hiện tại sẽ chỉ có một đơn trong phạm vi xét. Vì vậy, cần ghi rõ đang đếm đơn trong kỳ hay dựa trên toàn bộ lịch sử.
Churn Rate: tỷ lệ rời bỏ theo định nghĩa đã chọn
Churn Rate phản ánh tỷ lệ khách được xác định là rời bỏ. Trong bán lẻ, chỉ số này phụ thuộc nhiều vào ngưỡng không hoạt động và khoảng thời gian quan sát.
Churn Rate chỉ bằng 100% trừ Retention Rate khi hai trạng thái là phần bù của nhau trên cùng nhóm khách, cùng khoảng thời gian và cùng quy tắc phân loại. Không nên áp dụng phép trừ này cho hai chỉ số được xây dựng khác nhau.
Time to Second Purchase và Customer Lifetime Value
- Time to Second Purchase: thời gian từ đơn đầu tiên đến đơn thứ hai, giúp tìm hiểu tốc độ chuyển từ mua thử sang mua lại.
- Customer Lifetime Value, viết tắt CLV: giá trị kinh tế kỳ vọng từ quan hệ với khách hàng trong tương lai; cần nêu rõ đang tính theo doanh thu, lợi nhuận hay dòng tiền sau chi phí.
Khi tính thời gian mua lần hai chỉ trên người đã quay lại, kết quả sẽ bỏ qua những người chưa có đơn thứ hai. Cần báo cáo thêm tỷ lệ chưa quay lại và thời gian họ đã được theo dõi.
Ví dụ Cohort Analysis: đọc đúng hành vi mua lại
Cohort là gì?
Cohort là nhóm khách có chung một đặc điểm khởi đầu. Trong ví dụ này, mỗi cohort gồm những khách có đơn hàng hợp lệ đầu tiên trong cùng một tháng.
Tháng 0 là tháng mua đầu tiên; tháng 1 là tháng lịch liền sau; tháng 2 là tháng lịch tiếp theo. Mỗi ô cho biết tỷ lệ khách của cohort có ít nhất một đơn hợp lệ trong tháng tương ứng.
| Cohort mua lần đầu | Số khách | Tháng 0 | Tháng 1 | Tháng 2 | Tháng 3 |
|---|---|---|---|---|---|
| Tháng 1 | 100 | 100% | 30% | 20% | 25% |
| Tháng 2 | 100 | 100% | 35% | 25% | Chưa đủ thời gian |
| Tháng 3 | 100 | 100% | 40% | Chưa đủ thời gian | Chưa đủ thời gian |
Diễn giải bảng theo tuổi của cohort
Ở cohort tháng 1, có 30 trong 100 khách mua tiếp trong tháng 2. Đến tháng 4, có 25 khách thuộc cohort này mua hàng, tương ứng 25% ở cột tháng 3.
Các khách xuất hiện ở từng cột không nhất thiết giống nhau. Một người có thể không mua ở tháng 2 nhưng quay lại ở tháng 3. Vì vậy, retention theo từng tháng có thể tăng hoặc giảm giữa các kỳ; nó không bắt buộc giảm liên tục.
Để so sánh các cohort, hãy so cùng một cột tuổi. Trong ví dụ, tỷ lệ tại tháng 1 lần lượt là 30%, 35% và 40%. Đây là tín hiệu mô tả đáng kiểm tra, chưa đủ để kết luận chất lượng giữ chân đã cải thiện vì có thể tồn tại khác biệt về mùa vụ, sản phẩm hoặc nguồn khách.
Không biến dữ liệu chưa quan sát thành số 0
Ô “Chưa đủ thời gian” khác hoàn toàn với 0%. Cohort tháng 3 chưa đi qua tháng 2 tại thời điểm chốt dữ liệu, nên chưa thể đánh giá kết quả ở mốc đó. Tài liệu Amplitude cũng lưu ý cần xử lý các khoảng retention chưa hoàn tất khi tổng hợp kết quả [1].
Ngoài ra, tháng lịch không đồng nghĩa với cửa sổ 30 ngày sau mua. Người mua đầu tháng và cuối tháng có thời gian chờ đến tháng kế tiếp khác nhau. Nếu cần so sánh theo số ngày kể từ đơn đầu tiên, hãy dùng các cửa sổ thời gian tương ứng.
Quy trình phân tích giữ chân khách hàng
Câu hỏi kinh doanh
|
v
Định nghĩa nhóm khách, hành vi và thời gian
|
v
Chuẩn hóa dữ liệu khách hàng và đơn hàng
|
v
Tính chỉ số và lập bảng cohort
|
v
Phân tích khác biệt, đặt giả thuyết
|
v
Thử nghiệm can thiệp
|
v
Đánh giá mua lại, lợi nhuận và trải nghiệmBước 1: chuyển mục tiêu thành câu hỏi đo được
Thay vì đặt mục tiêu chung “tăng khách trung thành”, có thể hỏi: “Trong những khách mua lần đầu, tỷ lệ có đơn thứ hai trong vòng 60 ngày là bao nhiêu, và khác nhau thế nào theo nhóm sản phẩm đầu tiên?”.
Câu hỏi này xác định rõ đối tượng, hành vi và thời hạn. Khi báo cáo tỷ lệ 60 ngày, chỉ đưa vào nhóm đã có đủ 60 ngày theo dõi tính từ đơn đầu tiên.
Bước 2: chuẩn bị dữ liệu tối thiểu
| Trường dữ liệu | Mục đích | Điểm cần kiểm tra |
|---|---|---|
| customer_id | Liên kết các lần mua của cùng khách | Thiếu mã, nhiều tài khoản hoặc gộp nhầm người |
| order_id | Nhận diện từng đơn hàng | Đếm trùng khi một đơn có nhiều dòng sản phẩm |
| order_datetime | Xác định thứ tự và khoảng cách giữa các lần mua | Múi giờ và thời điểm ghi nhận |
| order_status | Lọc đơn hợp lệ | Đơn hủy, đơn thử nghiệm và quy tắc hoàn trả |
| net_revenue | Đánh giá giá trị giao dịch | Cách xử lý giảm giá, hoàn tiền và các khoản phí |
| channel, category | Phân tích theo kênh và ngành hàng | Quy tắc phân loại nhất quán |
Cần kiểm tra cả độ dài lịch sử. Nếu dữ liệu chỉ bắt đầu từ tháng 1, đơn đầu tiên quan sát được trong tháng 1 chưa chắc là đơn đầu tiên thực sự của khách. Gắn nhãn những người này là khách mới có thể làm sai cohort.
Bước 3: phân tích theo nhóm để tìm giả thuyết
Sau khi có bức tranh tổng thể, có thể phân nhóm theo kênh thu hút, sản phẩm mua đầu tiên, khu vực hoặc trải nghiệm giao hàng. Mỗi cách chia cần phục vụ một câu hỏi cụ thể.
Ưu tiên các nhóm có đủ dữ liệu và khác biệt có ý nghĩa kinh doanh. Một tỷ lệ cao từ nhóm rất nhỏ có thể biến động mạnh chỉ vì vài khách hàng.
Bước 4: kiểm chứng bằng thử nghiệm
Giả sử nhóm nhận ưu đãi có tỷ lệ mua lại cao hơn. Chưa thể kết luận ưu đãi tạo ra chênh lệch nếu doanh nghiệp vốn chỉ gửi ưu đãi cho khách thường xuyên mua.
Một A/B Testing được phân nhóm ngẫu nhiên phù hợp có thể giúp đánh giá tác động của can thiệp. Cần xác định trước chỉ số chính, thời gian theo dõi và chỉ số bảo vệ như lợi nhuận sau ưu đãi, tỷ lệ hoàn trả hoặc tỷ lệ từ chối nhận thông tin.
Từ phân tích mô tả đến Machine Learning
RFM giúp mô tả các nhóm khách hàng
RFM tóm tắt lịch sử giao dịch theo ba chiều:
- Recency: thời gian kể từ lần mua gần nhất.
- Frequency: số lần mua trong khoảng quan sát.
- Monetary: giá trị mua hàng trong khoảng quan sát.
RFM giúp nhận diện những nhóm như khách mới mua, khách mua thường xuyên hoặc khách từng mua nhiều nhưng lâu chưa quay lại. Đây là công cụ phân khúc mô tả; điểm RFM không tự động trở thành xác suất rời bỏ.
Mô hình dự đoán cần một bài toán có thời hạn rõ ràng
Với Machine Learning, có thể đặt bài toán: “Tại ngày đánh giá, dự đoán khách có phát sinh đơn hợp lệ trong 60 ngày tiếp theo hay không”. Đặc trưng đầu vào có thể gồm Recency, Frequency, giá trị đơn và lịch sử giao hàng đã biết tại ngày đánh giá.
Cần tránh data leakage: sử dụng thông tin chỉ xuất hiện sau thời điểm dự đoán. Ví dụ, tổng doanh thu của cả 60 ngày tương lai không thể được dùng làm đầu vào để dự đoán việc mua trong chính khoảng đó.
Dữ liệu huấn luyện và đánh giá nên được tách theo thời gian để phản ánh cách mô hình hoạt động khi triển khai. Những trường hợp chưa đủ thời gian xác định nhãn tương lai cần được xử lý riêng.
Survival Analysis và mô hình mua lặp lại
Survival Analysis có thể dùng để nghiên cứu thời gian đến lần mua tiếp theo và xử lý trường hợp sự kiện chưa xảy ra tại thời điểm kết thúc quan sát, còn gọi là right censoring. Chưa mua trong thời gian theo dõi không đồng nghĩa với sẽ không bao giờ mua lại.
Một hướng khác là mô hình xác suất về hành vi mua lặp lại. Chẳng hạn, mô hình BG/BB trong nghiên cứu của Fader, Hardie và Shang mô tả hoạt động mua khi khách còn duy trì quan hệ và quá trình ngừng hoạt động trong bối cảnh thời gian rời rạc, không có hợp đồng [2]. Việc chọn mô hình phải dựa trên cấu trúc dữ liệu và giả định phù hợp.
Dự đoán rủi ro khác với dự đoán hiệu quả can thiệp
Khách có nguy cơ không quay lại cao chưa chắc là người sẽ thay đổi quyết định khi nhận ưu đãi. Một số người vẫn không mua; một số người khác sẽ mua dù không được tác động.
Do đó, cần phân biệt hai câu hỏi: “Ai có khả năng không mua lại?” và “Ai sẽ mua thêm nhờ can thiệp?”. Câu hỏi thứ hai thuộc phạm vi suy luận nhân quả và có thể được nghiên cứu bằng thử nghiệm hoặc Uplift Modeling khi có dữ liệu phù hợp.
Những sai lầm thường gặp khi diễn giải retention
- Dùng một ngưỡng cho mọi ngành hàng: cùng 90 ngày không mua có ý nghĩa khác nhau với thực phẩm và đồ nội thất.
- So sánh cohort khác tuổi: khách được theo dõi sáu tháng có nhiều cơ hội mua lại hơn khách mới được theo dõi một tháng.
- Chỉ nhìn tỷ lệ chung: thay đổi cơ cấu khách có thể che khuất vấn đề của một phân khúc.
- Coi tương quan là nguyên nhân: một đặc điểm đi cùng mua lại chưa chứng minh thay đổi đặc điểm đó sẽ làm tăng mua lại.
- Đánh đồng mua lại với hiệu quả kinh tế: cần tính cả biên lợi nhuận, ưu đãi và chi phí phục vụ.
- Bỏ qua giới hạn nhận diện: khách mua bằng tài khoản khác hoặc chuyển kênh có thể bị ghi nhận sai là không quay lại.
Người mới nên bắt đầu học như thế nào?
Một bài thực hành phù hợp là xây dựng bảng cohort theo tháng mua đầu tiên, sau đó phân tích tỷ lệ có đơn thứ hai trong một cửa sổ cố định.
- Viết rõ định nghĩa đơn hợp lệ, khách mới và hành vi mua lại.
- Dùng SQL hoặc Python để chuẩn hóa dữ liệu và xác định lần mua đầu tiên.
- Tạo bảng cohort bằng Excel, Power BI hoặc Python.
- Chọn một khác biệt đáng chú ý và đề xuất các cách giải thích có thể kiểm tra.
- Thiết kế cách đánh giá can thiệp trước khi chuyển sang mô hình dự đoán.
Nền tảng quan trọng nhất là hiểu đúng nhóm khách đang được theo dõi, thời gian họ có cơ hội quay lại và ý nghĩa của chỉ số. Khi các yếu tố này rõ ràng, công cụ phân tích mới giúp tạo ra kết luận đáng tin cậy.
Tài liệu tham khảo
- Amplitude Docs — How the Retention Analysis chart calculates retention. Tài liệu về cách tính Return On, Return On or After và xử lý khoảng quan sát chưa hoàn tất.
- Fader, P. S., Hardie, B. G. S. và Shang, J. (2010) — Customer-Base Analysis in a Discrete-Time Noncontractual Setting. Marketing Science, 29(6). Nghiên cứu mô hình hóa hành vi giao dịch và trạng thái duy trì quan hệ trong môi trường không có hợp đồng.
Thực hành phân tích dữ liệu cùng MCNA
Để củng cố kỹ năng xử lý dữ liệu, xây dựng báo cáo và tiếp cận các bài toán phân tích khách hàng, bạn có thể tham khảo:
Tác giả
Nguyễn Quốc Hải – Data Analyst tại MCNA Technology School
MCNA Technology School là đơn vị tiên phong đào tạo AI, Big Data, Business Intelligence tại Việt Nam. Chuyên sâu về Power BI, Python, SQL và Data Analytics — đối tác đào tạo của 300+ doanh nghiệp lớn như Viettel Global, Masan Group, Techcombank, VPBank, Daikin.
🌐 Website: mcna.vn
📘 Facebook: facebook.com/mcnatechnologyschool
▶️ YouTube: youtube.com/@mcna.technology.school
💼 LinkedIn: linkedin.com/company/mcna-vn
📞 Hotline: 0939.866.825 (Mr. Minh Khang)
📍 Hà Nội: 30 Trung Liệt, Đống Đa | Liền kề 44B, TT2, Văn Quán, Hà Đông
📍 TP.HCM: The BIB Space, 50B Phan Tây Hồ, Cầu Kiệu
