Đang tải... (xem toàn văn)
Trong thời đại số hóa ngày càng phát triển, việc phân tích dữ liệu đang trở nên quan trọng hơn bao giờ hết, đặc biệt trong lĩnh vực thương mại điện tử. Xu hướng mua sắm của người tiêu dùng thường biến đổi rất nhanh, và hiểu rõ những xu hướng này có thể giúp các doanh nghiệp tối ưu hóa chiến lược kinh doanh, quảng cáo, và cung cấp sản phẩm. Trong đề tài nghiên cứu này, nhóm sẽ tập trung vào việc sử dụng luật kết hợp, một phần của lĩnh vực học máy và khai thác dữ liệu, để phân tích và dự đoán xu hướng mua sắm của người tiêu dùng. Luật kết hợp là một phương pháp mạnh mẽ để xác định mối quan hệ giữa các sản phẩm hoặc dịch vụ mà người tiêu dùng thường mua cùng nhau. Thông qua việc áp dụng luật kết hợp, chúng ta có thể tìm ra những mẫu chung trong hành vi mua sắm của người tiêu dùng và dự đoán những sản phẩm có thể được mua cùng nhau trong tương lai. Mục tiêu của đề tài này là xây dựng một hệ thống phân tích xu hướng mua hàng dựa trên luật kết hợp, sử dụng dữ liệu mua sắm thực tế, và áp dụng các kỹ thuật học máy để dự đoán xu hướng mua sắm. Điều này sẽ giúp các doanh nghiệp hiểu rõ hơn về nhu cầu của khách hàng và cải thiện quá trình quảng cáo,
TRƯỜNG ĐẠI HỌC CÔNG NGHIỆP HÀ NỘI KHOA CÔNG NGHỆ THÔNG TIN ···🙞🙜🕮🙞🙜··· ĐỒ ÁN CHUYÊN NGÀNH NGÀNH: KHOA HỌC MÁY TÍNH ĐỀ TÀI: PHÂN TÍCH XU HƯỚNG MUA HÀNG CỦA KHÁCH HÀNG BẰNG LUẬT KẾT HỢP GVHD: TS Nguyễn Mạnh Cường Lớp: ĐH KHMT02 – K15 Nhóm: 19 Thành viên: Lưu Thị Thảo - 2020604469 Nguyễn Xuân Vũ - 2020604859 Nguyễn Thanh Tùng - 2020607194 Hà Nội – 2023 LỜI CẢM ƠN Lời đầu tiên, nhóm xin gửi lời tri ân sâu sắc đến thầy Nguyễn Mạnh Cường Trong trình tìm hiểu đề tài, nhóm nhận hướng dẫn chia sẻ tận tình, tâm huyết thầy Từ hướng dẫn tận tình thầy với kiến thức mà nhóm học tập, tìm hiểu, chúng em hoàn thành báo cáo đồ án chuyên ngành đề tài “Phân tích xu hướng mua hàng khách hàng dựa luật kết hợp” Với tất cố gắng, nỗ lực mình, nhóm em hồn thành tốt báo cáo Chúng em mong nhận góp ý thầy để báo cáo chúng em hồn thiện Kính chúc thầy cô thật nhiều sức khoẻ, hạnh phúc thành cơng sống Nhóm xin chân thành cảm ơn! Nhóm thực Lưu Thị Thảo Nguyễn Xuân Vũ Nguyễn Thanh Tùng MỤC LỤC LỜI CẢM ƠN DANH MỤC HÌNH ẢNH LỜI NÓI ĐẦU CHƯƠNG MỞ ĐẦU 1.1 Tổng quan phân tích liệu 1.1.1 Phân tích liệu 1.1.2 Quy trình phân tích liệu 1.2 Giới thiệu tốn phân tích xu hướng mua hàng 1.3 Ứng dụng toán 10 1.4 Khó khăn thách thức 11 CHƯƠNG CÁC KỸ THUẬT GIẢI QUYẾT BÀI TOÁN 13 2.1 Apriori Algorithm 13 2.1.1 Tổng quan 13 2.1.2 Ví dụ minh họa thuật toán Apriori 14 2.1.3 Ưu điểm nhược điểm 15 2.1.4 Ứng dụng 16 2.2 FB-Growth Algorithm 17 2.2.1 Tổng quan 17 2.2.2 Ưu điểm nhược điểm 18 2.3 Eclat Algorithm 18 2.2.1 Tổng quan 18 2.3.2 Ưu điểm nhược điểm 19 2.4 Lựa chọn thuật toán 20 2.5 Công cụ phục vụ thực toán 20 2.5.1 Python 20 2.5.2 R 22 2.5.3 Lựa chọn công cụ 23 2.6 Kết luận chương 23 CHƯƠNG THỰC NGHIỆM 24 3.1 Dữ liệu thực nghiệm 24 3.2 Cấu trúc project 25 3.3 Framework sử dụng 26 3.3.1 Tkinter 26 3.3.2 Sử dụng Tkinter dựng giao diện 28 3.4 Kết thực nghiệm 35 KẾT LUẬN 39 TÀI LIỆU THAM KHẢO 40 DANH MỤC HÌNH ẢNH Hình 1: Quy trình phân tích liệu Hình 2.1: Ngơn ngữ lập trình Python 20 Hình 2.2: Ngơn ngữ lập trình R 22 Hình 3.1: Dữ liệu 34 dòng tập liệu 24 Hình 3.2: Cấu trúc project 25 Hình 3.3: Giao diện phần mềm 30 Hình 3.4: Giao diện mở file CSV 31 Hình 3.5: Dữ liệu hiển thị dạng bảng 32 Hình 3.6: Export luật file 33 Hình 3.7: Giao diện hiển thị luật 36 Hình 3.8: Biểu đồ thể luật 37 Hình 3.9: Biểu đồ 10 sản phẩm xuất nhiều giỏ hàng 38 LỜI NÓI ĐẦU Trong thời đại số hóa ngày phát triển, việc phân tích liệu trở nên quan trọng hết, đặc biệt lĩnh vực thương mại điện tử Xu hướng mua sắm người tiêu dùng thường biến đổi nhanh, hiểu rõ xu hướng giúp doanh nghiệp tối ưu hóa chiến lược kinh doanh, quảng cáo, cung cấp sản phẩm Trong đề tài nghiên cứu này, nhóm tập trung vào việc sử dụng luật kết hợp, phần lĩnh vực học máy khai thác liệu, để phân tích dự đốn xu hướng mua sắm người tiêu dùng Luật kết hợp phương pháp mạnh mẽ để xác định mối quan hệ sản phẩm dịch vụ mà người tiêu dùng thường mua Thông qua việc áp dụng luật kết hợp, tìm mẫu chung hành vi mua sắm người tiêu dùng dự đốn sản phẩm mua tương lai Mục tiêu đề tài xây dựng hệ thống phân tích xu hướng mua hàng dựa luật kết hợp, sử dụng liệu mua sắm thực tế, áp dụng kỹ thuật học máy để dự đoán xu hướng mua sắm Điều giúp doanh nghiệp hiểu rõ nhu cầu khách hàng cải thiện trình quảng cáo, đề xuất sản phẩm, quản lý tồn kho Nội dung báo cáo đồ án chuyên ngành bao gồm chương sau: Chương 1: Phát biểu toán Trong chương chúng em giới thiệu tổng quan phân tích liệu, tốn phân tích xu hướng mua hàng, xác định liệu đầu vào đầu toán, ứng dụng khó khăn, thách thức tốn Chương 2: Các kỹ thuật giải toán Trong chương chúng em trình bày phương pháp kỹ thuật sử dụng để giải tốn cơng cụ thực tốn Đồng thời lựa chọn thuật tốn ngơn ngữ phù hợp với tốn phân tích xu hướng mua hàng khách hàng để thực thực nghiệm Chương 3: Thực nghiệm Trong chương chúng em tiến hành xây dựng chương trình sử dụng kỹ thuật chọn, từ đưa kết thực nghiệm Phần kết luận Cuối chúng em tổng hợp kết đạt được, đưa hướng phát triển mở rộng đề tài nghiên cứu tương lai CHƯƠNG MỞ ĐẦU 1.1 Tổng quan phân tích liệu 1.1.1 Phân tích liệu Phân tích liệu tình kiểm tra, làm sạch, chuyển đổi mơ hình hố liệu với mục tiêu khám phá thơng tin hữu ích đưa kết luận hỗ trợ việc đưa định 1.1.2 Quy trình phân tích liệu Hình 1: Quy trình phân tích liệu Quy trình phân tích liệu thường bao gồm bước chính: - Xác định mục tiêu thu thập liệu: + Xác định mục tiêu: kết cụ thể mà ta muốn đạt thông qua việc xử lý phân tích liệu Mục tiêu xác định hướng phạm vi q trình phân tích, giúp ta tập trung vào việc thu thập thông tin quan trọng thực phân để đáp ứng yêu cầu nhu cầu cụ thể + Thu thập liệu: thu thập liệu từ nguồn khác sở liệu, tệp tin, trang web, thiết bị cảm biến, nhiều nguồn khác Dữ liệu số liệu, văn bản, hình ảnh, âm - Tiền xử lý liệu: Dữ liệu thường khơng hồn hảo chứa nhiễu, liệu bị thiếu, khơng xác Tiền xử lý liệu bao gồm việc tóm lược liệu, làm liệu, tích hợp liệu, chuyển đổi liệu, rút gọn liệu rời rạc hóa liệu để chuẩn bị cho bước phân tích - Phân tích liệu: Bước quan trọng dựa vào kiến thức kỹ thuật phân tích để tìm mối liên hệ thơng tin ẩn sau liệu Phân tích liệu sử dụng phương pháp phân tích mơ tả, phân tích hồi quy, phân tích khác biệt, thống kê, machine learning, data mining, nhiều kỹ thuật khác - Kết luận dự đoán: Dựa phân tích thơng tin từ liệu, rút kết luận, hiểu rõ tình hình, chí đưa dự đốn cho tương lai 1.2 Giới thiệu tốn phân tích xu hướng mua hàng Phân tích xu hướng mua hàng khách hàng trình nghiên cứu đánh giá dấu hiệu, mẫu mực thay đổi hành vi mua sắm khách hàng để hiểu rõ yếu tố ảnh hưởng đến mua hàng họ Đây phần quan trọng chiến lược tiếp thị kinh doanh, giúp doanh nghiệp tối ưu hóa việc tiếp cận phục vụ khách hàng Dưới số bước để phân tích xu hướng mua hàng khách hàng: Thu thập liệu: Thu thập thông tin khách hàng, bao gồm độ tuổi, giới tính, vị trí địa lý, sở thích, lịch sử mua hàng dấu hiệu mà họ thể việc tương tác với doanh nghiệp bạn Sử dụng cơng cụ phân tích liệu: Sử dụng cơng cụ phân tích liệu để xem xét dấu hiệu mẫu mực liệu bạn Các công cụ Google Analytics, CRM (Quản lý quan hệ khách hàng), ứng dụng phân tích liệu tùy chỉnh, nhiều cơng cụ khác hữu ích Phân loại thơng tin: Sắp xếp phân loại liệu thành nhóm nhỏ dựa tiêu chí độ tuổi, vị trí địa lý, tần suất mua hàng, loại sản phẩm, v.v Xác định xu hướng: Tìm xu hướng chung liệu Ví dụ: có gia tăng mua hàng vào dịp lễ, có nhóm khách hàng ưa chuộng loại sản phẩm cụ thể Đánh giá ảnh hưởng: Xem xét yếu tố ảnh hưởng đến hành vi mua sắm khách hàng, bao gồm quảng cáo, giá cả, chất lượng sản phẩm, dịch vụ khách hàng, v.v Tích hợp thơng tin: Kết hợp thơng tin từ nhiều nguồn để có nhìn tổng thể đa chiều khách hàng Chẳng hạn, kết hợp liệu từ trang web, ứng dụng di động, mạng xã hội, kênh tiếp thị khác Tạo biểu đồ báo cáo: Sử dụng biểu đồ báo cáo để minh họa trình bày thơng tin cách dễ hiểu Đưa điều chỉnh chiến lược: Dựa thông tin thu thập, đưa điều chỉnh cần thiết chiến lược kinh doanh tiếp thị để tận dụng xu hướng mua hàng khách hàng Theo dõi đánh giá lại: Theo dõi việc triển khai điều chỉnh đánh giá lại hiệu chúng Chỉnh sửa lại chiến lược cần Đầu vào toán liệu mua hàng Đây tập liệu chứa thông tin giao dịch mua hàng sản phẩm mua Dữ liệu bao gồm thông tin sản phẩm, khách hàng, thời gian giao dịch, vị trí mua sắm, số lượng, giá trị thông tin liên quan khác Đầu toán luật kết hợp, tức quy tắc mơ hình mơ tả mối quan hệ sản phẩm loại sản phẩm khác q trình mua hàng Thơng qua việc phân tích luật kết hợp, bạn suy xu hướng mua hàng tiềm Từ bạn tạo gợi ý mua hàng cho khách hàng dựa lịch sử mua sắm hành vi mua hàng họ 3.3 Framework sử dụng 3.3.1 Tkinter Tkinter, thường xem toolkit GUI tiêu chuẩn đa số lập trình viên Python, thành phần quan trọng việc phát triển ứng dụng desktop sử dụng ngơn ngữ lập trình Được sáng tạo Fredrik Lundh, người đóng góp quan trọng cho cộng đồng Python, Tkinter mang lại cho lập trình viên cách tiếp cận đơn giản hiệu để tạo giao diện người dùng đồ họa Tkinter sử dụng công cụ Tk GUI, thư viện đồ họa tiếng, liên kết chặt chẽ với Python để cung cấp loạt công cụ thành phần cho việc xây dựng giao diện người dùng đẹp tương tác Trong giới Tkinter, phần giao diện mà thường gặp gọi "widgets" Mỗi widget thành phần đồ họa cụ thể, nút, ô nhập liệu, danh sách, nhiều loại khác, loại cung cấp cấp độ tùy chỉnh khác để lập trình viên điều chỉnh giao diện theo yêu cầu cụ thể họ Một điểm mạnh Tkinter tích hợp sẵn trình cài đặt Python tại, không yêu cầu cài đặt bổ sung Điều làm cho việc triển khai ứng dụng Tkinter trở nên thuận tiện dễ dàng nhiều hệ điều hành Windows, Linux macOS Người lập trình Python bắt đầu xây dựng ứng dụng GUI từ cài đặt Python mà khơng cần tìm kiếm cài đặt thêm thư viện ngoại vi Bằng cách này, Tkinter trở thành lựa chọn phổ biến cho việc phát triển ứng dụng desktop đơn giản trung bình cộng đồng lập trình Python Việc sử dụng giúp giảm độ phức tạp q trình phát triển GUI tăng tính di động mã nguồn, cho phép lập trình viên tập trung vào logic ứng dụng thay chi tiết triển khai giao diện.[1] Nó cung cấp loạt thành phần sử dụng phổ biến mà chắn bạn phải quen thuộc với số thành phần trực quan như: Frame: Cung cấp cấu trúc cho ứng dụng bạn 26 Buttons: Được sử dụng để lấy liệu từ người dùng nhập vào Checkbuttons: Dùng để thực lựa chọn Labels: Hiển thị thông tin văn File dialogs: Đăng lên tải xuống tài liệu đến ứng dụng Canvas: Cung cấp không gian để vẽ biểu đồ sơ đồ - Ưu điểm: Dễ học sử dụng: Tkinter thư viện dễ học, đặc biệt người bắt đầu với lập trình GUI Python Thiết kế đơn giản: Tkinter cung cấp thành phần đồ họa cửa sổ, nút, hộp văn bản, v.v., giúp bạn nhanh chóng tạo giao diện người dùng đơn giản Ổn định tích hợp sẵn: Tkinter kèm với Python, khơng cần cài đặt thêm Điều làm cho trở thành lựa chọn thuận tiện đáng tin cậy cho việc phát triển ứng dụng GUI Cross-platform: Ứng dụng sử dụng Tkinter chạy nhiều hệ điều hành khác mà không cần sửa đổi code nhiều - Nhược điểm: Giao diện không đẹp mắt: Mặc dù tạo giao diện đơn giản, Tkinter không cung cấp nhiều tùy chọn thiết kế đồ họa so với số thư viện khác Điều có nghĩa ứng dụng sử dụng Tkinter trơng khơng đẹp mắt so với ứng dụng GUI phức tạp Hiệu suất: Đối với ứng dụng có yêu cầu hiệu suất cao đồ họa phức tạp, Tkinter không đủ mạnh mẽ Các thư viện đồ họa khác PyQt Kivy phù hợp trường hợp Thư viện không cập nhật thường xuyên: So với số thư viện GUI khác Python, Tkinter không nhận cập nhật thường xuyên, điều dẫn đến việc thiếu số tính cải thiện 27 3.3.2 Sử dụng Tkinter dựng giao diện - Dựng giao diện chính: # Create the main window root = tk.Tk() root.title("CSV Importer") # Create buttons open_button = tk.Button(root, text="Open CSV", command=open_file) open_button.grid(row=0, column=0) top_10_product_button = tk.Button(root, text="Top 10 product", command=Top10Product_click) top_10_product_button.grid(row=0, column=1, pady=10) option_apriori = ["Min_sup Number", "Min_conf Number", "Min_lift Number", "Max_length Number"] input_data = ["min_sup_input", "min_conf_input", "min_lift_input", "max_length_input"] for index, item in enumerate(option_apriori): min_sup_label = tk.Label(root, text= item) min_sup_label.grid(row=index+1, column=0) min_sup_number = tk.StringVar() input_data[index] = tk.Entry(root, textvariable=min_sup_number) input_data[index].grid(row=index+1, column=1) exit_button = tk.Button(root, text="Apriori", command=AprioriFunc) 28 exit_button.grid(row=5, column=0, pady=10) exit_button = tk.Button(root, text="Exit", command=exit_program) exit_button.grid(row=0, column=4, pady=10) tree = ttk.Treeview(root) tree["show"] = "headings" tree["columns"] = ['Member_number','Date','itemDescription'] headers = ['Member_number','Date','itemDescription'] for header in headers: tree.heading(header, text=header) # tree.pack(padx=10, pady=10) tree.grid(row=6, column=0, columnspan=5, padx=10, pady=10) tree.configure(height=20) # Run the Tkinter event loop root.mainloop() 29 Hình 3.3: Giao diện phần mềm - Chức Open CSV def open_file(): global file_name global data global transactions file_path = filedialog.askopenfilename(title="Select a CSV file", filetypes=[("CSV files", "*.csv")]) if file_path: file_name = file_path load_csv(file_name) data = readFileCSV(file_path) transactions = data.groupby(['Member_number', 'Date']) 30 Hình 3.4: Giao diện mở file CSV - Chức load file CSV def load_csv(file_path): try: with open(file_path, 'r') as file: # Read CSV file reader = csv.reader(file) headers = next(reader) # Clear existing treeview for item in tree.get_children(): tree.delete(item) # Insert headers into the treeview tree["columns"] = headers for header in headers: tree.heading(header, text=header) tree.column(header, anchor="center") 31 # Insert data into the treeview for row in reader: tree.insert("", "end", values=row) except Exception as e: print(f"Error loading CSV file: {e}") Hình 3.5: Dữ liệu hiển thị dạng bảng - Chức Export CSV: def exportCSV(final_df): try: now = datetime.now() dt_string = now.strftime("%d-%m-%Y_%H-%M-%S") file_name = f"REPORT/Report_{dt_string}" final_df[final_df['Lift'] > 1].to_csv(file_name, index=False) 32 messagebox.showinfo("Warning", "File export successful") except: messagebox.showinfo("Warning", "File export failed") Hình 3.6: Export luật file - Button Top 10 product: def Top10Product(transactions, data): n_data_date = len(transactions.count()) support = (data['itemDescription'].value_counts() / n_data_date * 100) support.head() plt.figure(figsize=(15, 5)) bars = plt.bar(x=np.arange(len(support.head(10))), height=(support).head(10)) plt.bar_label(bars, fontsize=12, color='cyan', fmt='%2.1f%%', label_type='center') plt.xticks(ticks=np.arange(len(support.head(10))), labels=support.index[:10]) plt.title('Top 10 Products by Support') 33 plt.ylabel('Support') plt.xlabel('Product Name') plt.show() - Thuật toán Apriori: def Apriori(transactions, min_sup, min_conf, min_lift, max_lengths): # Converting Transactions to list list_transactions = [i[1]['itemDescription'].tolist() for i in list(transactions)] list_transactions[:10] rules = apriori(list_transactions, min_support=0.001, min_confidence=0.05, min_lift=1.2, max_length=2) results = list(rules) pd.options.display.float_format = '{:,.2f}'.format final_df = pd.DataFrame(columns=['Left Hand Side', 'Right Hand Side', 'Support(%)', 'Confidence(%)', 'Lift']) for i in results: if len(i[0]) > 1: for j in range(0, len(i[2])): LHS = list(i[2][j][0])[0] RHS = list(i[2][j][1])[0] SUPPORT = i[1] * 100 CONFIDENCE = i[2][j][2] * 100 LIFT = i[2][j][3] new_row = {'Left Hand Side': LHS, 'Right Hand Side': RHS, 'Support(%)': SUPPORT, 'Confidence(%)': CONFIDENCE, 'Lift': LIFT} final_df = final_df._append(new_row, ignore_index=True) 34 final_df['Rules'] = final_df['Left Hand Side'] + ' -> ' + final_df['Right Hand Side'] print('Number of Rules: ', final_df['Rules'].count(), 'Rules') print(final_df.head()) return final_df - Chức Graph def open_graph(final_df): plt.figure(figsize=(10, 10)) support = final_df['Support(%)'] confidence = final_df['Confidence(%)'] rule = final_df['Rules'] ax = sns.scatterplot(data=final_df, x='Support(%)', y='Confidence(%)', hue='Lift', size='Lift', sizes=(10, 100)) for i, j in enumerate(rule): plt.annotate(j, (support[i] + 0.003, confidence[i])) plt.title('Scatter Plot of Rules By Support, Confidence and Lift', fontsize=15) plt.show() - Button Exit: def exit_program(): if messagebox.askokcancel("Exit", "Do you want to exit the program?"): root.destroy() 3.4 Kết thực nghiệm Sử dụng thuật toán Apriori cho tổng số 30 quy tác tạo từ liệu Dưới 10 quy tắc đầu tiên: 35 Hình 3.7: Giao diện hiển thị luật Trong đó: Support: Chỉ số đo lường tần suất xuất tập hợp liệu tất tập liệu Support tập hợp tỷ lệ số lần xuất tập hợp tổng số giao dịch Cơng thức tính support là: 𝑆𝑢𝑝𝑝𝑜𝑟𝑡 (𝑋) = 𝑆ố 𝑙ầ𝑛 𝑥𝑢ấ𝑡 ℎ𝑖ệ𝑛 𝑐ủ𝑎 𝑋 𝑇ổ𝑛𝑔 𝑠ố 𝑔𝑖𝑎𝑜 𝑑ị𝑐ℎ Confidence: số đo lường mức độ chắn luật kết hợp Đối với luật "A => B", confidence tỷ lệ số lần xuất A B chia cho số lần xuất A Công thức tính confidence là: 𝐶𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒(𝐴 → 𝐵) = 𝑆𝑢𝑝𝑝𝑜𝑟𝑡(𝐴 ∩ 𝐵) 𝑆𝑢𝑝𝑝𝑜𝑟𝑡(𝐴) Lift: số đo lường độ tăng confidence so với mơ hình ngẫu nhiên Nếu lift > 1, có nghĩa luật có độ chắn lớn so với trạng thái ngẫu nhiên Công thức tính lift là: 𝐿𝑖𝑓𝑡 (𝐴 → 𝐵 ) = 𝐶𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒(𝐴 → 𝐵) 𝑆𝑢𝑝𝑝𝑜𝑟𝑡 (𝐵 ) 36 Hình 3.8: Biểu đồ thể luật Dưới biểu đồ 10 sản phẩm xuất nhiều giỏ hàng: 37 Hình 3.9: Biểu đồ 10 sản phẩm xuất nhiều giỏ hàng Có thể thấy whole milk sản phẩm khách hàng mua nhiều Ngoài other vegetables, rolls/buns soda lựa chọn hàng đầu khách hàng đến cửa hàng 38 KẾT LUẬN Trong báo cáo này, thực phân tić h liệu, phân tić h xu hướng mua hàng khách hàng luật kết hợp Qua việc thu thập xử lý liệu tìm mối liên hệ items khách hàng Từ đưa đề xuất cho cửa hàng sản phẩm chọn mua nhiều nên đặt sản phẩm cạnh Trong q trình hồn thành đề tài, chúng em cố gắng để nghiên cứu thực đề tài Tuy nhiên, tránh khỏi sai sót khó khăn việc giải vấn đề đặt Chúng em mong nhận ý kiến đóng góp để cải thiện từ thầy cô bạn Chúng em xin chân thành cảm ơn Kết đạt chúng em hiểu biết luật kết hợp, khả áp dụng thuật tốn vào tốn phân tích xu hướng mua hàng khách hàng, hiểu biết thêm lĩnh vực khai phá liệu biết sử dụng ngơn ngữ Python để giải tốn Tuy nhiên, chúng em nhận thấy hạn chế kết đạt Kết chưa có tính ứng dụng thực tế cao Ngoài ra, chúng em nhận thấy thiếu sót kiến thức Để phát triển tiếp, chúng em đề xuất tiếp tục tìm hiểu để hồn thiện chức cịn thiếu sót, nhằm đạt kết có tính thực tế cao 39 TÀI LIỆU THAM KHẢO [1] Tkinter-Python interface to Tcl/Tk URL:https://docs.python.org/3/library/tkinter.html, truy cập gần :30/11/2023 [2] Market Basket Analysis - Using Apriori Algorithm URL:https://www.kaggle.com/code/narayansharma275/market-basket-analysis-usingapriori-algorithm/notebook, truy cập gần nhất: 30/11/2023 [3] Association Rule URL:https://www.geeksforgeeks.org/association-rule/, truy cập gần nhất: 30/11/2023 40