Nghiên cứu điển hình: Lựa chọn địa điểm cho cửa hàng bán lẻ dựa trên phân tích không gian và học máy

Tóm tắt

Bán lẻ hiện nay đã trở thành một nhu cầu mới của con người nhằm đáp ứng nhu cầu, phong cách sống và tham gia vào nền kinh tế quốc dân. Tuy nhiên, tiềm năng thị trường hiện tại mang lại những thách thức và cạnh tranh cho ngành bán lẻ, vì vậy cần phải lựa chọn khu vực hoặc địa điểm phù hợp để có thể mang lại lợi nhuận ổn định cho các chủ thể kinh doanh. Vì lý do này, một phân tích không gian đã được thực hiện bằng cách sử dụng các hình hình học hình lục giác để xác định khu vực tốt nhất thể hiện mật độ POI, thể hiện ở sức chi tiêu, tập khách hàng tiềm năng, tiện nghi về hạ tầng giao thông, hạ tầng tiện ích, .. , sau đó tìm kiếm khu vực hoặc vị trí tốt nhất để bán lẻ. Sau đó, chúng tôi sẽ cố gắng đánh giá các cửa hàng là mẫu bán lẻ để phân tích các vị trí cửa hàng mới có đặc điểm giống như các cửa hàng hiện có và mang lại lợi nhuận cao. Phân tích này có thể được thực hiện để xác định vị trí cửa hàng tốt nếu việc di dời hoặc mở cửa hàng mới được thực hiện.

I – Giới thiệu

Thị trường bán lẻ tại Việt Nam hiện đang trải qua một giai đoạn phát triển và chuyển đổi mạnh mẽ. Với sự hội nhập ngày càng sâu rộng vào nền kinh tế khu vực và toàn cầu, các doanh nghiệp Việt Nam đang tham gia trực tiếp và toàn diện vào chuỗi cung ứng toàn cầu (CCUTC) của nhiều nhóm ngành hàng khác nhau, dần khẳng định vị thế của mình trên bản đồ kinh tế thế giới.

Hoạt động bán lẻ, một khâu quan trọng trong CCUTC, đã, đang và sẽ tiếp tục trải qua những thay đổi đáng kể nhằm thích nghi với sự phát triển và biến động của chuỗi cung ứng toàn cầu. Những thay đổi này bao gồm việc áp dụng công nghệ mới, cải thiện trải nghiệm khách hàng, và nâng cao hiệu quả quản lý và phân phối sản phẩm.

Theo Bộ Công Thương, quy mô thị trường bán lẻ nước ta năm 2022 đạt khoảng 142 tỷ USD và dự báo năm 2025 tăng lên 350 tỷ USD, đóng góp 59% tổng ngân sách. Tuy nhiên, tiềm năng thị trường cũng mang đến những thách thức và cạnh tranh cho ngành bán lẻ ở Việt Nam. Trong đó, thử thách đầu tiên là chọn địa điểm phù hợp với tiềm năng thị trường. Việc lựa chọn địa điểm xem xét một cách toàn diện các yếu tố kinh tế, môi trường và xã hội thường có thể mâu thuẫn trong việc lựa chọn địa điểm. Việc xác định lựa chọn địa điểm phù hợp sẽ sử dụng đủ nguồn lực của doanh nghiệp và mang lại hiệu quả cao cho người tiêu dùng. Một chiến lược lựa chọn địa điểm thích hợp được cho là một phương tiện hiệu quả để giảm chi phí và thu được lợi ích cao trong các lĩnh vực. Tiềm năng thị trường phức tạp và đặc điểm người tiêu dùng đã khiến nhiều nhà quản lý doanh nghiệp bán lẻ bối rối trong việc lựa chọn địa điểm chiến lược. Vì vậy, việc ứng dụng GIS (hệ thống thông tin địa lý) cho ngành bán lẻ sẽ là một bước đổi mới trong việc lựa chọn địa điểm kinh doanh cho các cửa hàng bán lẻ trong việc giải quyết các vấn đề kinh tế xã hội

Bài viết này cung cấp một phương pháp mới để lựa chọn địa điểm bán lẻ tiềm năng mới bằng cách triển khai GIS với phân tích vị trí và học máy. Bài viết này được tổ chức như sau: Trình bày nguồn dữ liệu được sử dụng trong nghiên cứu và giới thiệu phương pháp được sử dụng trong nghiên cứu này. Tiếp theo trình bày các thí nghiệm được tiến hành với tập dữ liệu mẫu và đề xuất những địa điểm tốt nhất cho các cửa hàng bán lẻ. Cuối cùng là các kết luận và định hướng nghiên cứu tiếp theo.

Lưu ý quan trọng, mục tiêu của chúng tôi là đánh giá mức độ khả thi của việc áp dụng tư duy phân tích không gian địa lý và thuật toán học máy trong việc lựa chọn điểm bán lẻ nên các dữ liệu trong bài viết sau là dữ liệu mẫu và giả định 

II – Dữ liệu và phương pháp

Khi tiến hành phân tích không gian, việc sử dụng các điểm chính xác có thể mang lại khả năng thu được kết quả chính xác và linh hoạt nhất. Tuy nhiên, tính sẵn có của dữ liệu thường là một vấn đề, thường do chi phí mua lại, hoặc không thể thực hiện. Do không có dữ liệu chính xác nên một số loại dữ liệu sẽ được khái quát hóa về mặt không gian. Một trong số đó là sử dụng các hình hình học trong phân tích không gian để thu thập dữ liệu điểm thành dữ liệu thông thường. Ưu điểm cơ bản của việc sử dụng các hình hình học là bề mặt của chúng giống hệt nhau và tạo điều kiện cho việc so sánh và dễ dàng phát triển bằng kỹ thuật số.

Các hình vẽ hình học phổ biến nhất: hình tam giác, hình vuông và hình lục giác, vì ba hình đa giác này là ba hình duy nhất có thể xếp chồng lên nhau (lặp đi lặp lại cùng một hình dạng, từ cạnh này sang cạnh khác, để bao phủ một khu vực không có khoảng trống hoặc chồng chéo) để tạo ra một lưới cách đều nhau. Hình lục giác nghiên cứu được sử dụng vì nó làm giảm độ lệch lấy mẫu do hiệu ứng cạnh của hình dạng lưới, điều này liên quan đến tỷ lệ chu vi trên diện tích thấp của hình lục giác. Một vòng tròn có tỷ lệ thấp nhất nhưng không thể kiểm tra để tạo thành một lưới liên tục. Hình lục giác là những đa giác có hình tròn nhất có thể được in để tạo thành một lưới cách đều nhau. 

Nghiên cứu về vấn đề lựa chọn địa điểm bán lẻ cho thấy các yếu tố ảnh hưởng thường được phân thành nhiều loại, như sau: 

(1) hệ số giao thông, bao gồm loại mạng lưới giao thông; 

(2) số lượng cơ sở POI (điểm ưa thích) gần đó, chẳng hạn như trường học, bệnh viện, khách sạn, v.v; 

(3) các yếu tố cạnh tranh; chủ yếu là các cửa hàng bán lẻ hiện có;

(4) số lượng nhóm người tiêu dùng tích cực tham gia vào hoạt động kinh doanh. 

Trong số các yếu tố phức tạp, sự phân bổ của các nhóm người tiêu dùng, mạng lưới giao thông và POI có thể là những yếu tố ảnh hưởng chính. Phần thực tế của nghiên cứu này được thực hiện trong phần mềm Esri ArcGIS Pro 2.5.0. Tất cả các bản đồ đính kèm (cũng như tất cả các phần thực hành của bài kiểm tra) đều được tạo trong hệ thống tham chiếu WGS năm 1984. Trong nghiên cứu, dữ liệu điểm với vị trí chính xác POI được lấy từ việc số hóa thông qua nền tảng dữ liệu mở OpenStreatMap kết hợp với dữ liệu Google Maps bằng kỹ thuật thu thập dữ liệu – Web Scraping. 

Nghiên cứu được chia thành hai giai đoạn chính:

1. Giai đoạn lập kế hoạch – xác định diện tích hình lục giác phù hợp để tìm ra địa điểm tối ưu để xây dựng khu bán lẻ
2. Giai đoạn đánh giá – xác định lựa chọn địa điểm tối ưu để xây dựng các cửa hàng bán lẻ mới có đặc điểm giống như cửa hàng bán lẻ hiện có

Trong giai đoạn đầu tiên, sử dụng dữ liệu điểm, bản đồ mật độ POI đã được tạo bằng cách sử dụng ước tính mật độ hạt nhân. Ước tính mật độ hạt nhân (Kernel density estimation – KDE) là một phương pháp quan trọng để trực quan hóa dữ liệu không gian; KDE trình bày mật độ của các điểm được phân tích trong một ranh giới không gian nhất định, do đó hiển thị các mẫu không gian. Đây là ước tính phi tham số, sử dụng trực tiếp dữ liệu điểm. KDE tính toán mật độ của các đối tượng điểm xung quanh mỗi ô raster đầu ra. Giá trị bề mặt cao nhất tại vị trí điểm và giảm dần khi khoảng cách từ điểm đó tăng lên, đạt đến 0 trong khoảng cách bán kính tìm kiếm (hoặc ‘băng thông’) tính từ điểm. Các bản đồ được tạo từ mật độ POI sẽ đóng vai trò là bản vẽ mô hình, trong đó các bản đồ được tạo bằng hình lục giác chung sẽ được so sánh

Sau đó, một hộp hình học bao gồm các hình lục giác được tạo ra. Lưới lục giác được tạo bằng công cụ ArcGIS ‘Tạo Tessname’. Đối với các kích thước hình lục giác khác nhau, đa giác được kết hợp với dữ liệu điểm (giống như trong giai đoạn thứ hai) và sau đó được hiển thị bằng phương pháp nội suy kriging. Sau đó, hệ số tương quan Pearson được tính toán cho bản đồ mật độ di tích bất động sản từ phần đầu tiên của nghiên cứu và cho bản đồ được tạo bằng kích thước hình lục giác tiếp theo, được chọn làm chỉ số về độ tin cậy. KDE cho phép thu được các giá trị mật độ tại bất kỳ điểm nào trong phạm vi phân tích, giống nhau đối với tất cả các phương pháp nội suy không gian. Tính năng này được sử dụng để thu được dữ liệu dạng bảng cần thiết để tính hệ số tương quan Pearson – nhưng cần có một lớp điểm để thu thập các giá trị ô raster. Lớp thử nghiệm bao gồm 158 điểm được tạo ngẫu nhiên (được tạo bằng công cụ ‘Tạo điểm ngẫu nhiên’), tương ứng với 10% của bộ hoàn chỉnh. Đối với mỗi điểm cụ thể, giá trị của lớp raster đã chọn sẽ được chỉ định (từ bản đồ mô hình được tạo bằng KDE và bản đồ được tạo bằng phương pháp nội suy tối ưu). Năm lớp thử nghiệm đã được áp dụng, lấy trung bình hệ số tương quan Pearson cho năm phép đo để thu được kết quả đáng tin cậy hơn. Dữ liệu dạng bảng nhận được được so sánh bằng hệ số tương quan Pearson. Để tìm kích thước lục giác có hệ số tương quan cao nhất, quá trình trên được thực hiện trong khoảng 0,1 km2 đến 1 km2 cứ sau 0,1 km2. So sánh các giá trị hiệu dụng của hệ số tương quan Pearson, một ví dụ về giá trị tìm được, giá trị cao nhất – có nghĩa là tìm kích thước lưới tối ưu có thể là dữ liệu tổng quát mà không làm giảm đáng kể độ tin cậy. Phân tích được thực hiện theo cách này giúp có thể rút ra kết luận về lĩnh vực của vấn đề đang được phân tích. Sau đó, sẽ tìm ra diện tích hình lục giác tối ưu nhất để phân tích sâu hơn bằng phương pháp tính điểm.

Phương pháp tính điểm được sử dụng sử dụng cùng trọng số cho từng tham số và được chia thành 4 lớp cho mỗi tham số và điểm cuối cùng. Sau đó, những kết quả này được sử dụng để xác định vị trí tối ưu nhất để xây dựng một cửa hàng bán lẻ.

Ở giai đoạn đánh giá, dữ liệu thu nhập không có sẵn trong giai đoạn lập kế hoạch đã được thu thập. Dữ liệu đã được thu được từ công ty đã trở thành mô hình cho phân tích này. Ước tính doanh thu sẽ được thực hiện để tạo điều kiện thuận lợi cho việc lập báo cáo kết quả hoạt động kinh doanh, dòng tiền và bảng cân đối kế toán. Trong trường hợp này, chúng tôi sử dụng Thuật toán làm mịn hàm mũ để ước tính doanh thu thể hiện doanh số bán hàng trong năm 2019-2020 dựa trên doanh thu trong năm 2016-2018. Sau đó sẽ tìm kiếm mức tăng trưởng doanh thu từ năm 2016-2020 để xác định hiệu quả hoạt động của từng cửa hàng. Những địa điểm hoạt động kém nên chuyển đi hoặc nếu cửa hàng hoạt động tốt, họ có thể mở một cửa hàng chi nhánh mới. Mục đích của giai đoạn này là tạo ra một mô hình để dự đoán liệu một địa điểm có phù hợp để sử dụng làm cửa hàng hay không, cùng với các dự đoán về tăng trưởng thu nhập và doanh thu/năm. Tuy nhiên, trong nghiên cứu này có nhiều bộ dữ liệu POI và rất khó để tạo mô hình nên trước đây cần tạo ít bộ dữ liệu hơn bằng PCA (Principal Component Analysis). 

Các bộ dữ liệu đã được phân loại thành ít thông tin hơn sẽ được thu thập gần cửa hàng trong vòng 15 phút lái xe từ cửa hàng. Điều này cũng được thực hiện ở 18 điểm ngẫu nhiên được sử dụng làm dữ liệu thử nghiệm trong mô hình đã được tạo. Sau đó, dữ liệu đặc điểm của từng cửa hàng bao gồm số lượng từng bộ dữ liệu POI đã được phân loại; diện tích dấu chân tòa nhà; khu dân cư; giá trị lưu lượng mạng; giá trị lục giác; giá trị hình lục giác xung quanh; thu nhập (2016 – 2018); và tăng trưởng doanh thu (2016 – 2018) sẽ được đào tạo về mô hình test điểm ngẫu nhiên. Sau đó, mô hình sẽ được thử nghiệm tại 18 điểm ngẫu nhiên làm dữ liệu thử nghiệm để kiểm tra mức độ thành công của mô hình. Trong mô hình này, người ta sẽ xác định liệu vị trí ngẫu nhiên có thể được xây dựng làm vị trí cửa hàng mới hay không vì nó có những đặc điểm tương tự như cửa hàng đã được xây dựng. Sau đó, dự đoán về dữ liệu thu nhập và tăng trưởng cũng có thể được nhìn thấy từ mỗi điểm trong số 18 điểm vị trí ở mỗi điểm ngẫu nhiên này.

III – Kết quả và đánh giá

1. Giai đoạn lập kế hoạch

Công cụ ‘Mật độ hạt nhân’ từ phần mềm ArcGIS Pro được sử dụng để tạo bản đồ mật độ POI. Hình hiển thị bản đồ đóng góp POI, sử dụng công cụ ArcGIS ‘Mật độ hạt nhân’.

Bản đồ mật độ POI bằng Công cụ mật độ hạt nhân sử dụng ArcGIS Pro

Hình ảnh thu được sẽ hoạt động như một mô hình hình ảnh từ thực tế nơi các bản đồ được tạo bằng hình lục giác chung sẽ được so sánh. KDE cho phép hiển thị các mẫu không gian một cách chính xác, nhưng như được trình bày trong phần Vật liệu và Phương pháp, tính khả dụng của dữ liệu điểm có thể bị hạn chế.

Sau đó, việc thu thập điểm dữ liệu hiện có sẽ được khái quát hóa thành chuỗi lưới lục giác thu được, để tìm kích thước lưới tối ưu, trong phạm vi dữ liệu có thể được khái quát hóa mà không làm giảm đáng kể độ tin cậy. Lưới lục giác được tạo bằng công cụ ArcGIS ‘Tạo Tessname’. Sau đó, sử dụng công cụ ‘Spatial Join’ để nối thuộc tính từ đối tượng POI với đối tượng lưới lục giác dựa trên mối quan hệ không gian, các giá trị của tổng số điểm trong ranh giới được gán cho các đa giác thích hợp. Dữ liệu đa giác ở dạng lục giác sau đó được chuyển đổi thành dữ liệu điểm (sử dụng công cụ ‘Feature to Point’), sau đó được nội suy bằng phương pháp giết chết đơn giản.

Bản đồ mật độ POI bằng phương pháp Kriging đơn giản

Hệ số tương quan Pearson được sử dụng như một chỉ số để xác định cường độ và hướng của mối quan hệ tuyến tính của hai biến. Sau đó, chúng tôi tạo ra một lựa chọn địa điểm cho các cửa hàng bán lẻ. Việc lựa chọn địa điểm được thực hiện theo hình lục giác. Sau đó, chúng ta phải tìm kích thước tối ưu của lưới lục giác để có thể khái quát hóa dữ liệu mà không làm giảm đáng kể độ tin cậy của mô hình không gian cho các nhu cầu quản lý bán lẻ bền vững khác nhau.

Giá trị trung bình của hệ số tương quan Pearson.

Năm lớp thử nghiệm đã được áp dụng, lấy trung bình các hệ số tương quan Pearson cho năm phép đo, do đó thu được kết quả đáng tin cậy hơn. Dữ liệu dạng bảng nhận được được so sánh bằng hệ số tương quan Pearson. Bằng cách so sánh các giá trị liên tiếp của hệ số tương quan Pearson, người ta đã tìm thấy một kích thước hình lục giác, trong đó giá trị của nó là cao nhất–0,5 km2. Giá trị trung bình của hệ số tương quan cho kích thước hình lục giác này cho cả năm lớp thử nghiệm là 0,93866. Đây là kích thước lưới tối ưu mà dữ liệu có thể được khái quát hóa tốt nhất.

Lưới lục giác có diện tích 0,5 km2

Một lưới lục giác có diện tích 0,5 km2 được thể hiện trong hình. Sau đó, chúng tôi tiến hành chấm điểm từng yếu tố kinh tế xã hội ở 4 lớp và tổng hợp lại thành điểm cuối cùng cũng chia thành 4 lớp. Màu tối hơn (đỏ hơn) cho thấy vị trí tối ưu hơn để xây dựng cửa hàng bán lẻ.

Kết quả tính điểm theo lưới lục giác có diện tích 0,5 km2

2. Giai đoạn đánh giá

Sau khi hoàn tất dự báo doanh thu, bạn sẽ có thể dễ dàng tạo báo cáo lãi lỗ, dòng tiền và bảng cân đối kế toán. Trong trường hợp này, chúng tôi đã sử dụng Thuật toán làm mịn hàm mũ (Exponential  Smoothing) để dự báo doanh thu đại diện cho doanh số bán hàng trong năm 2019-2020 dựa trên doanh thu năm 2016-2018. Mô hình đó đã được chạy thành công có MAPE (lỗi phần trăm trung bình trung bình) của 5,35%

Đây là kết quả dự báo doanh thu của từng cửa hàng trong giai đoạn 2016 – 2020 dưới đây:

Dự báo doanh thu từng cửa hàng giai đoạn 2016-2020

Ở giai đoạn đánh giá, chúng tôi đã thu được dữ liệu doanh thu chưa tồn tại trước đây và nó có thể được sử dụng để xác định hiệu suất của từng cửa hàng. Đề nghị di dời địa điểm hoạt động kém hoặc nếu cửa hàng hoạt động tốt có thể mở cửa hàng chi nhánh mới. Vì vậy, chúng tôi đã tạo ra một mô hình để dự đoán liệu một địa điểm có phù hợp để sử dụng làm cửa hàng hay không, cùng với dự đoán về doanh thu và mức tăng trưởng doanh thu/năm của họ. 

Tuy nhiên, chúng ta có rất nhiều bộ dữ liệu POI và sẽ khó tạo mô hình nên chúng ta phải tạo ít bộ dữ liệu hơn bằng cách sử dụng PCA (Principal Component Analysis). Từ 15 dữ liệu POI có thể được đơn giản hóa thành 3 thành phần dữ liệu, thành phần thứ nhất được phân loại là doanh nghiệp, thành phần thứ hai được phân loại là không gian công cộng và thành phần thứ ba được phân loại là không gian mở.

Kết quả của dữ liệu ba thành phần sử dụng PCA.

Chúng tôi đã thu thập dữ liệu về địa điểm kinh doanh, không gian công cộng, không gian mở, diện tích xây dựng và diện tích khu dân cư gần cửa hàng trong thời gian 15 phút lái xe tính từ cửa hàng. Chúng tôi đã làm điều tương tự với 18 điểm ngẫu nhiên được sử dụng làm dữ liệu thử nghiệm trong mô hình mà chúng tôi đã tạo.

Dữ liệu được thu thập về thời gian lái xe 15 phút từ 18 cửa hàng và 18 điểm ngẫu nhiên

Đặc điểm của mỗi cửa hàng bao gồm số lượng địa điểm kinh doanh, không gian công cộng và không gian mở; diện tích dấu chân xây dựng; diện tích khu dân cư; giá trị mạng lưới giao thông; giá trị lục giác; giá trị của hình lục giác xung quanh; doanh thu (2016 – 2018); và tăng trưởng doanh thu (2016 – 2018) sẽ được đào tạo theo mô hình test điểm ngẫu nhiên.

Đặc điểm của 18 cửa hàng

Đặc điểm của 18 điểm ngẫu nhiên

Dựa trên mô hình đã được xây dựng thành công, có thể thấy từ 18 điểm ngẫu nhiên, 9 điểm trong số đó cho thấy địa điểm có thể được xây dựng làm địa điểm cửa hàng mới (điểm xanh) vì có đặc điểm tương tự với cửa hàng đã được xây dựng trước. Chúng tôi cũng có thể tìm hiểu dữ liệu về doanh thu và tăng trưởng doanh thu từ từng điểm địa điểm này.

Kết quả của vị trí tối ưu để xây dựng làm cửa hàng

IV – Thảo luận

Phân tích này cho thấy khả năng sử dụng các công cụ GIS khác nhau trong phân tích không gian liên quan đến việc xác định vị trí phù hợp để bán lẻ. Kết quả thu được cho phép chúng tôi đưa ra công thức sau:

1. Với sự sẵn có của dữ liệu điểm chứa thông tin chi tiết về vị trí của đối tượng, ước tính mật độ hạt nhân cung cấp một bức tranh chính xác về thực tế, như được hiển thị trong phần Kết quả. Điều này là do KDE là một phương pháp phi tham số, chỉ tính đến vị trí của đối tượng – không bị ảnh hưởng bởi các lỗi tổng quát hóa.
2. Trong trường hợp không có sẵn dữ liệu điểm, phân tích tài liệu cho thấy giải pháp dưới dạng khái quát hóa dữ liệu thông qua việc sử dụng cách tử lục giác. Nghiên cứu tiến hành trong bài viết cho thấy giữa hình lục giác 0,1-1km2, nhận được kết quả rất khả quan (hệ số tương quan Pearson giả định giá trị trên 0,95). Hình lục giác 0,5 km2 được chứng minh là tối ưu – Hệ số tương quan Pearson sau khi giá trị trung bình của cả năm lớp thử nghiệm là 0,93866.
3. Nghiên cứu được thực hiện đã chỉ ra rằng khi tìm kiếm doanh thu từ mỗi cửa hàng, thuật toán làm mịn hàm mũ ba lần được chứng minh là tối ưu. Điều này được xác nhận bằng giá trị MAPE nhỏ nhất.
4. Nghiên cứu này cho thấy rằng có thể thử một điểm ngẫu nhiên để xác định việc thành lập cửa hàng tại địa điểm đó cùng với dự đoán về doanh thu và mức tăng trưởng doanh thu/năm.

V – Kết luận

Nghiên cứu này dựa trên dữ liệu điểm POI và kết quả từ lưới lục giác 0,5 km2 là kết quả duy nhất cho dữ liệu cụ thể này. Phương pháp được đề xuất trong bài viết cung cấp khả năng ứng dụng phổ quát. Nghiên cứu sâu hơn có thể dựa trên việc so sánh các loại dữ liệu khác nhau sử dụng phương pháp được phát triển trong bài viết này. Mạng lục giác cung cấp các kết quả cụ thể và việc so sánh các hình hình học khác cũng có thể là cơ sở cho các nghiên cứu tiếp theo. Khi đó, mô hình tìm kiếm thêm địa điểm cửa hàng tại một điểm ngẫu nhiên cũng có thể được áp dụng phổ biến vì nó có độ chính xác của mô hình là 75%. Mô hình có thể được sử dụng để tìm vị trí của một điểm ngẫu nhiên có đặc điểm giống với cửa hàng trước đó và cũng được dự đoán sẽ mang lại lợi ích tốt cho các nhà bán lẻ.