ĐẠI HỌC KINH TẾ THÀNH PHỐ HỒ CHÍ MINH

KHOA CÔNG NGHỆ THÔNG TIN KINH DOANH



ĐỀ TÀI DỰ ÁN CUỐI KỲ
DỰ ĐOÁN GIÁ TIỀN THUÊ NHÀ Ở ẤN ĐỘ PHỤ
THUỘC NHIỀU NHẤT VÀO YẾU TỐ NÀO
(House Rent Prediction In India)

Giảng viên hướng dẫn : TS. Võ Thành Đức

Môn học : Khoa học dữ liệu
Mã HP : 22C1INF50905941
Khóa/Hệ : K47/Đại học chính quy
Thực hiện : Nhóm 11 Nguyễn Phan Huệ Anh - 31211024693
Huỳnh Ngọc Kiều Giang - 31211023965
Nguyễn Thị Thúy Kiều - 31211021825
Nguyễn Trà My - 31211026010
Bùi Hoàng Nhung - 31211023970

Thành phố Hồ Chí Minh, tháng 10 năm 2022

 MỤC LỤC

I. GIỚI THIỆU 3
1. Giới thiệu về đề tài 3
2. Bức tranh tổng quát về bộ dữ liệu và lập luận tầm quan trọng của việc tìm ra một ý
tưởng mới trong dữ liệu nghiên cứu 3
3. Kiến thức chuyên môn 4
3.1. Phân tích mô tả 4
3.2. Phân tích dự đoán 5
3.3. Phương pháp phân cụm 5
II. THU THẬP VÀ LÀM SẠCH DỮ LIỆU 8
1. Mô tả tổng quát dữ liệu 8
2. Trình bày sơ lược các thuộc tính 8
3. Làm sạch dữ liệu: 8
III. KIỂM ĐỊNH MÔ HÌNH 10
1. Mô hình dự đoán 10
2. Sử dụng Phương pháp phân cụm 10
2.1. Phân cụm phân cấp (Hierarchical clustering) 10
2.2. Phương pháp K-Means 11
3. Sử dụng Phương pháp thống kê 12
3.1. Giá thuê nhà bình quân theo các yếu tố 12
3.1.1. Yếu tố Số phòng ngủ, sảnh, bếp - “BHK” 12
3.1.2. Yếu tố Kích thước - “Size” 12
3.1.3. Yếu tố Tầng nhà - “Floor” 13
3.1.4. Yếu tố Loại diện tích - “Area Type” 14
3.1.5. Yếu tố Khu vực vị trí - “Area Locality” 15
3.1.6. Yếu tố Thành phố - “City” 16
3.1.7. Yếu tố Tình trạng nội thất - “Furnishing Status” 16
3.1.8. Yếu tố Người thuê ưu tiên - “Tenant Preferred” 17
3.1.9. Yếu tố Số phòng tắm - “Bathroom” 17
3.1.10. Yếu tố Đầu mối liên hệ - “Point of Contact” 18
3.2. Yếu tố nào khiến giá nhà chênh lệch nhiều hơn? 18

1
IV. ĐÁNH GIÁ VÀ LỰA CHỌN MÔ HÌNH 19
1. Đánh giá mô hình 19
2. Lựa chọn mô hình 19
V. TRIỂN KHAI MÔ HÌNH 20
1. Mục đích ý nghĩa của việc triển khai mô hình trong lĩnh vực cụ thể 20
2. Phân tích đánh giá hiệu quả kinh tế khi triển khai mô hình. 20
VI. ĐÁNH GIÁ ĐÓNG GÓP CỦA CÁC THÀNH VIÊN THAM GIA DỰ ÁN 22
1. Phân công công việc 22
2. Nội dung hoạt động 22
3. Đánh giá mức độ đóng góp 23

2
 I. GIỚI THIỆU
1. Giới thiệu về đề tài
Tiền thuê nhà là một thỏa thuận trong đó một khoản thanh toán được thực hiện để sử dụng
tạm thời hàng hóa, dịch vụ hoặc tài sản thuộc sở hữu của người khác. Một thị trường nhà cho
thuê hoạt động hiệu quả sẽ đem lại nhiều lựa chọn nhà ở với mức giá phải chăng và đáp ứng
được nhu cầu của người thuê nhà.
Có nhiều yếu tố tác động đến tiền thuê nhà như: vị trí, kích thước, tình trạng nội thất, số
phòng… Nhóm chúng em đã lựa chọn sử dụng bộ dữ liệu “House Rent Prediction In India”
phân tích, xây dựng mô hình, xử lý các dữ liệu để kiểm chứng cơ chế tác động của các nhân tố
trên cũng như sự phù hợp của các nhân tố đó đối với các vấn đề về chất lượng và dự đoán tiền
thuê của căn nhà.
2. Bức tranh tổng quát về bộ dữ liệu và lập luận tầm quan trọng của việc tìm ra một
ý tưởng mới trong dữ liệu nghiên cứu
Từ dữ liệu 4747 ngôi nhà/căn hộ có sẵn, nhóm sẽ sử dụng mô hình dự đoán không giám
sát vì không biết trước được số nhóm. Ý tưởng cơ bản là chúng ta muốn tìm các nhóm đối
tượng, trong đó các đối tượng trong mỗi nhóm tương tự nhau, nhưng các đối tượng trong các
nhóm khác nhau thì không quá giống nhau. Không những thế, chúng ta cũng có thể xác định
các quan sát bất thường khác biệt với các cụm khác.
Khi chúng ta tìm ra một ý tưởng mới thì từ ý tưởng đó chúng ta lại rút ra được nhiều nhận
định và ý tưởng khác, đôi khi đó cũng là cơ sở để chúng ta đưa ra các giả định và xây dựng mô
hình.
Từ đó, nhóm sẽ tiến hành phân tích mô hình phù hợp để tìm ra câu trả lời cho vấn đế
nghiên cứu: “Giá tiền thuê nhà ở Ấn Độ phụ thuộc nhiều nhất vào yếu tố nào?”.

3
 Quy trình khai thác dữ liệu
3. Kiến thức chuyên môn
3.1. Phân tích mô tả
- Khái niệm: Là việc giải thích dữ liệu lịch sử để hiểu rõ hơn những thay đổi xảy ra trong
một doanh nghiệp.
- Bản chất
+ Phân tích mô tả lấy dữ liệu thô và phân tích chúng để đưa ra kết luận hữu ích và dễ
hiểu cho các nhà quản lý, nhà đầu tư và các bên liên quan khác
+ Phân tích mô tả sử dụng lượng dữ liệu đầy đủ để đưa ra một bức tranh chính xác về
những gì đã xảy ra trong một doanh nghiệp và điểm khác biệt với các giai đoạn khác. Các
số liệu hiệu quả này có thể được sử dụng để xác định các lĩnh vực mạnh và yếu để thông
báo cho chiến lược quản lý.
+ Phân tích mô tả là một trong những phần cơ bản nhất của trí tuệ kinh doanh mà một
công ty sử dụng. Mặc dù phân tích mô tả có thể mang tính đặc trưng cho ngành - ví dụ
như sự thay đổi theo mùa của thời gian hoàn thành lô hàng - nhưng nó sử dụng các biện
pháp được chấp nhận rộng rãi trong toàn ngành tài chính.

4
 3.2. Phân tích dự đoán
- Khái niệm: Là việc việc sử dụng số liệu thống kê và mô hình để xác định hiệu suất trong
tương lai dựa trên dữ liệu hiện tại và quá khứ.
- Bản chất:
+ Phân tích dự đoán bao gồm một loạt các kĩ thuật thống kê (bao gồm học máy, mô
hình dự đoán và khai thác dữ liệu) và sử dụng thống kê (trong quá khứ và hiện tại) để ước
tính hoặc dự đoán kết quả trong tương lai.
+ Phân tích dự đoán giúp chúng ta hiểu các sự kiện có thể xảy ra trong tương lai bằng
cách phân tích quá khứ.
3.3. Phương pháp phân cụm
 Phân cụm phân cấp (Hierarchical clustering)
Xây dựng một cây phân cấp cho dữ liệu cần gom cụm dựa trên:
- Ma trận khoảng cách giữa các phần tử (similarity matrix hoặc dissimilarity matrix)
- Đo khoảng cách giữa các cụm (single link, complete link…)
- Phương pháp này không cần xác định trước số cụm nhưng cần xác định điều kiện dừng.
- Các phương pháp điển hình: Diana, Agnes
 Nhận xét về phân cụm phân cấp:
+ Giải thuật đơn giản;
+ Kết quả dễ hiểu;
+ Không cần tham số đầu vào;
+ Không quay lui được;
+ Tốc độ chậm, không thích hợp trên dữ liệu lớn;
+ Không xử lý được trên dữ liệu bị thiếu, nhạy cảm với nhiễu;
+ Hạn chế trên dữ liệu có các cụm lớn và có hình dáng không lồi.
 Phân cụm phân hoạch (Partitioning Clustering)
Phân tập dữ liệu có n phần tử cho trước thành k tập con (k<=n), mỗi tập con biểu diễn một
cụm. Các cụm hình thành trên cơ sở tối ưu hóa giá trị hàm độ đo tương tự (độ đo phân cụm)
sao cho:
- Mỗi đối tượng thuộc duy nhất 1 cụm, các phần tử trong cụm có sự tương tự nhau.
- Mỗi cụm có ít nhất 1 phần tử.
5
Thuật toán điển hình: K-means, K-mediods, Fuzzy C-means
- Thuật toán K - Means
+ Thuộc nhóm thuật toán phân cụm dựa trên phân hoạch
+ Tư tưởng chính: Ta xem mỗi đối tượng trong tập dữ liệu là một điểm trong không
gian d chiều (với d là số lượng thuộc tính của đối tượng).
+ Quy trình thực hiện:
Bước 1: Chọn k điểm bất kỳ làm các trung tâm ban đầu của k cụm.
Bước 2: Phân mỗi điểm dữ liệu vào cụm có trung tâm gần nó nhất. Nếu các điểm dữ
liệu ở từng cụm vừa được phân chia không thay đổi so với kết quả của lần phân chia
trước nó thì ta dừng thuật toán.
Bước 3: Cập nhật lại trung tâm cho từng cụm bằng cách lấy trung bình cộng của tất
các các điểm dữ liệu đã được gán vào cụm đó sau khi phân chia ở bước 2.
Bước 4: Quay lại bước 2.
 Đánh giá thuật toán K-means:
+ Cần biết trước số lượng cụm k;
+ Nhạy cảm với nhiễu và ngoại biên (outliers);
+ Không phù hợp với phân bố dữ liệu dạng không lồi (non-convex);
+ Kết quả (nghiệm) bài toán phụ thuộc vào cách khởi tạo các trung tâm cụm ban đầu
 Trường hợp 1: Tốc độ hội tụ chậm.
 Trường hợp 2: Kết quả gom cụm không chính xác (do chỉ tìm được các cực trị
địa phương chứ không phải toàn cục).
 Khắc phục:
+ Áp dụng một số phương pháp tính số cụm
+ Chạy thuật toán nhiều lần với các trung tâm khác nhau để tìm giá trị cực tiểu của hàm
mất mát
- Thuật toán Fuzzy C - Means
+ Thuộc nhóm thuật toán phân cụm dựa trên phân hoạch
+ Là biến thể của K-mean nên có cùng tư tưởng với K-means:
 FCM được đề xuất bởi Bezdek năm 1974.

6
  FCM là phân cụm dữ liệu mờ tức là một đối tượng dữ liệu có thể được phân vào
1 hoặc nhiều nhóm.
 Có xét đến yếu tố quan hệ giữa các phần tử và các cụm trong ma trận trọng số
biểu diễn bậc của các đối tượng trong cụm.
 Mỗi phần tử có một độ đo mức độ thành viên (xác suất là thành viên) đối với
từng cụm.
 FCM phân N phần tử dữ liệu thành C cụm mờ
 Đánh giá thuật toán FCM
+ Là thuật toán gom cụm mềm, khắc phục được vấn đề các cụm chồng lên nhau trong
dữ liệu có kích thước lớn, nhiều chiều.
+ Phụ thuộc vào tham số khởi tạo: tham số mờ m; ma trận độ đo mức độ thành viên.
+ Vẫn có thể gặp vấn đề cực trị địa phương.
+ Nhạy cảm với nhiễu và ngoại biên.

7
 II. THU THẬP VÀ LÀM SẠCH DỮ LIỆU
1. Mô tả tổng quát dữ liệu
House Rent Prediction có thông tin về gần 4747 ngôi nhà/căn hộ có sẵn cho thuê với
các thông số khác nhau như BHK, Rent, Size, Floor, Area Type, Area Locality, City,
Furnishing Status, Tenant Preferred, Bathroom và Point of Contact.
2. Trình bày sơ lược các thuộc tính

STT Thuộc tính Ý nghĩa Đo lường

1 BHK Số phòng ngủ, sảnh, nhà bếp numeric

2 Rent Tiền thuê nhà/căn hộ numeric

3 Size Kích thước của nhà/căn hộ tính bằng m2 numeric

Nhà/căn hộ nằm ở tầng nào và tổng số

4 Floor text
tầng

Kích thước của nhà/căn hộ được tính trên

5 Area Type diện tích siêu hoặc diện tích trải thảm categorical
hoặc diện tích xây dựng

6 Area Locality Vị trí của nhà/căn hộ text

7 City Thành phố nhà/căn hộ trực thuộc categorical

8 Furnishing Status Tình trạng nội thất của nhà/căn hộ categorical

9 Tenant Preferred Người thuê được ưu tiên categorical

10 Bathroom Số phòng tắm numeric

11 Point of Contact Đầu mối liên hệ categorical

3. Làm sạch dữ liệu:

Trong nghiên cứu này để có được kết quả phân tích tốt nhất, nhóm đã sử dụng công cụ
tiền xử lý dữ liệu. Tiền xử lý dữ liệu là một kỹ thuật được sử dụng để chuyển đổi dữ liệu thô
thành một tập dữ liệu sạch. Nói cách khác, bất cứ dữ liệu khi nào thu thập được từ các nguồn
khác nhau, nó thu thập ở định dạng thô không khả thi cho việc phân tích.
8
 Các bước làm sạch dữ liệu (data cleaning) gồm:
- Tóm tắt hóa dữ liệu
- Xử lý dữ liệu bị thiếu (missing data)
- Xóa các dữ liệu định lượng (noisy data)
 Xây dựng mô hình xử lý dữ liệu Preprocess:

 Kết quả thu được

Sau khi xử lý dữ liệu thì dữ liệu vẫn giữ số lượng mẫu như ban đầu là 4747. Điều này cho
ta thấy, không có dữ liệu nào bị thiếu. Từ đó, ta lưu lại bộ dữ liệu sau khi xử lý và tiến hành
chạy phân tích các kết quả nghiên cứu.

9
 III. KIỂM ĐỊNH MÔ HÌNH
1. Mô hình dự đoán
Nhóm lựa chọn phương pháp phân cụm và phương pháp thống kê để tiến hành dự đoán
từ đó chọn ra mô hình phù hợp và đưa ra kết quả nghiên cứu tốt nhất.
2. Sử dụng Phương pháp phân cụm
Tiến hành phân cụm bằng phần mền Orange

Ta có 2 phương pháp để phân cụm:

- Phương pháp phân cụm phân cấp (Hierarchical clustering)
- Phương pháp K-Means
2.1. Phân cụm phân cấp (Hierarchical clustering)
- Là phương pháp mà ta sẽ phân cụm cho đến khi nào đạt được kết quả tốt nhất.
- Ta chọn chia dữ liệu lần lượt thành các cụm. Trong đó, 2 cụm là số cụm tốt nhất ta có
thể phân chia

10
 2.2. Phương pháp K-Means
Ta thấy kết quả sau khi chạy ra thì ở 2 cụm có chỉ số Shihouette cao nhất (0,319) so với
các trường hợp cụm 3, 4, 5, 6, 7 và 8 , vì vậy 2 cụm là số cụm tốt nhất ta có thể phân chia.

11
 3. Sử dụng Phương pháp thống kê
3.1. Giá thuê nhà bình quân theo các yếu tố
3.1.1. Yếu tố Số phòng ngủ, sảnh, bếp - “BHK”
Theo bộ dữ liệu, số lượng phòng ngủ, sảnh và bếp trong từng căn nhà lần lượt là 1,2 và 3
đáp ứng đủ yêu cầu tiêu chuẩn của một căn nhà đem cho thuê.

Dùng hàm AVERAGEIF ta tính ra kết quả giá thuê trung bình của các căn nhà có số lượng
phòng ngủ, sảnh và bếp là 1 với mức giá 14139.22365 (đvt) và giá thuê nhà tăng gấp đôi khi
giá trị BHK tăng lên 2 cụ thể là mức 22113.86402 (đvt) điều này không quá ngạc nhiên khi số
lượng phòng ngủ, sảnh và bếp lại quyết định giá tiền thuê nhà ở Ấn Độ. Việc chi trả số tiền lớn
hơn để có thêm không gian sinh hoạt là điều rất cần cho người thuê đơn và hộ gia đình đặc biệt
là các gia đình đông con, họ phải chấp nhận trả 55863.06284 (đvt) để thuê căn 3 phòng ngủ,
sảnh và bếp, một mức giá không rẻ đối với các cá nhân lao động có thu nhập thấp.
3.1.2. Yếu tố Kích thước - “Size”
Theo bộ dữ liệu, diện tích các căn nhà sẽ dao động từ 250 m2 - 1000 m2 và 1000 m2 –
2000 m2, kích thước này khá đa dạng, phù hợp cho từng đối tượng sử dụng. Từ căn mini tiêu
chuẩn đến trung bình vừa phải và thậm chí là căn hộ cao cấp có diện tích lớn.

12
 Dùng hàm AVERAGEIF tính toán kết quả, ta nhận thấy giá thuê trung bình của các căn
nhà có diện tích từ 250m2 đến 100m2 sẽ dao động từ 8731 (đvt) đến 26550 (đvt) và các căn hộ
có diện tích rộng hơn, cụ thể là dưới 2000m2 sẽ có mức giá trong khoảng 21000 (đvt) đến 71515
(đvt). Người thuê dựa theo thu nhập cá nhân để quyết định căn nhà phù hợp với mình.
3.1.3. Yếu tố Tầng nhà - “Floor”
Số lượng tầng sẽ phân loại nơi bạn thuê thành nhà hay căn hộ (căn hộ nằm ở tầng nào và
tổng số tầng là bao nhiêu), trong bộ dữ liệu có đến 12 loại tầng phân ra từ căn hộ và nhà, cụ thể
là: tầng 1/2, trên 3, trên 4, tầng 2/2, trên 4, tầng 3/5, tầng 4/5 và thậm chí là tầng 23/34...

13
 Sau khi dùng hàm AVERAGEIF tính toán ra kết quả ta thấy giá thuê nhà bình quân của
tầng 1 out of 2 có giá thấp nhất là 14446.70185 (đvt) và tầng Lower Basement out of 2 có giá
thuê cao nhất là 97600 (đvt).
3.1.4. Yếu tố Loại diện tích - “Area Type”
Theo bộ dữ liệu, có 2 loại diện tích là: diện tích trải thảm (Carpet Area) và diện tích siêu
(Super Area).

14
 Bằng hàm AVERAGEIF, sau khi tính toán, nhóm nghiên cứu nhận thấy giá thuê nhà bình
quân của loại diện tích “Super Area” (18673,39657 đvt) là cao hơn rất nhiều so với loại diện
tích “Carpet Area” (52385,8973 đvt).
3.1.5. Yếu tố Khu vực vị trí - “Area Locality”
Theo bộ dữ liệu, có 17 khu vực vị trí là: Almasguda; Bandam Kommu; Bandel; Dumdum
Park; Gachibowli; Godavari Homes, Quthbullapur; Himayath Nagar, NH 7; Malancha;
Manikonda, Hyderabad; Old Alwal; Palm Avenue Kolkata, Ballygunge; Phool Bagan,
Kankurgachi; Raj Bhawan Road; Salt Lake City Sector 2; South Dum Dum; Suchitra Circle và
Thakurpukur.

15
 Bằng hàm AVERAGEIF, sau khi tính toán, nhóm nghiên cứu nhận thấy giá thuê nhà bình
quân của khu vực vị trí “Gachibowli” (43879,31034 đvt) là cao nhất; giá thuê nhà bình quân
của khu vực vị trí “Thakurpukur” (6500 đvt) là thấp nhất.
3.1.6. Yếu tố Thành phố - “City”
Theo bộ dữ liệu, có 2 loại thành phố là: thành phố “Hyderabad” và thành phố “Kolkata”.

Bằng hàm AVERAGEIF, sau khi tính toán, nhóm nghiên cứu nhận thấy giá thuê nhà bình
quân của thành phố “Hyderabad” (20555,04839 đvt) là cao gần gấp đôi so với thành phố
“Kolkata” (11645,17366 đvt).
3.1.7. Yếu tố Tình trạng nội thất - “Furnishing Status”
Theo bộ dữ liệu, có 3 tình trạng nội thất đó là: Furnished (đã được trang bị đầy đủ), Semi-
Furnished (trang bị một nửa) và Unfurnished (chưa trang bị).

Dùng hàm AVERAGEIF ta tính ra kết quả được rằng giá thuê nhà khi có trang bị
Furnished (56110.30588 đvt) là cao hơn rất nhiều so với giá thuê nhà khi chưa được trang bị
Unfurnished (22461.63581 đvt). Còn về giá thuê nhà khi đã được trang bị một nửa thì ở tầm
trung (thấp hơn giá đã có trang bị đầy đủ nhưng cao hơn giá chưa có trang bị) chính xác là
38718.81075 (đvt)

16
 3.1.8. Yếu tố Người thuê ưu tiên - “Tenant Preferred”
Theo bộ dữ liệu, có 3 loại người thuê ưu tiên đó là: Bachelors (cử nhân), Bachelors/Family
(cử nhân/gia đình), Family (gia đình).

Dùng hàm AVERAGEIF ta tính ra kết quả được rằng giá thuê nhà dành cho người thuê
ưu tiên là cử nhân Bachelors có giá cao hơn một ít so với cử nhân/gia đình (42143.79398 đvt
so với 31210.79268 đvt) và cao hơn rất nhiều so với người thuê là gia đình (50020.3411 đvt)
3.1.9. Yếu tố Số phòng tắm - “Bathroom”
Theo bộ dữ liệu, các căn nhà có sống phòng tắm bao gồm: căn 1 phòng tắm, căn 2 phòng
tắm và căn 3 phòng tắm.

Dùng hàm AVERAGEIF ta tính ra kết quả được rằng giá thuê nhà cho các căn có số phòng
tắm càng nhiều thì giá phòng càng tăng. Cụ thể nếu nhà 1 phòng tắm sẽ có giá 11826.16214
đvt, nếu nhà 2 phòng tắm sẽ có giá 2543.53819 đvt, cao hơn so với căn có 1 phòng tắm, và nếu
nhà 3 phòng tắm sẽ có giá càng cao hơn 63176.69826 đvt.

17
 3.1.10. Yếu tố Đầu mối liên hệ - “Point of Contact”
Theo bộ dữ liệu, có 2 hình thức liên hệ: liên hệ môi giới (Contact Agent) và liên hệ chủ
nhà (Contact Owner).

Bằng hàm AVERAGEIF, sau khi tính toán, nhóm nghiên cứu nhận thấy giá thuê nhà bình
quân của hình thức “Contact Agent” (73481,16 đvt) là cao hơn rất nhiều so với hình thức
“Contact Owner” (16704,21 đvt).
3.2. Yếu tố nào khiến giá nhà chênh lệch nhiều hơn?
Dựa vào giá thuê nhà bình quân vừa tính toán được ở mục 3.1, nhóm nghiên cứu
nhận thấy Yếu tố Tầng - “Floor” khiến giá nhà ở Ấn Độ chênh lệch nhiều nhất. Cụ thể
là ngôi nhà/căn hộ ở tầng trệt trên tổng số 2 tầng (Lower Basement out of 2) có giá thuê cao
nhất là 97600 đvt và cao gấp khoảng 7 lần so với ngôi nhà/căn hộ ở tầng 1 trên tổng số 2 tầng
(1 out of 2) có giá thấp nhất là 14446.70185 (đvt). Từ đó, có thể dự đoán, giá thuê nhà ở Ấn Độ
phụ thuộc nhiều nhất vào việc ngôi nhà/căn hộ đó ở tầng mấy trên tổng số tầng.

18
 IV. ĐÁNH GIÁ VÀ LỰA CHỌN MÔ HÌNH
1. Đánh giá mô hình
Dựa trên kết quả của 2 mô hình, nhóm nghiên cứu đưa ra đánh giá như sau:
- Mô hình xây dựng bằng phương pháp phân cụm: Mức độ chồng chéo giữa các
phân cụm (overlay). Các phân cụm gần nhau hay có nghĩa là có mối tương quan cao
trong lợi nhuận, thường chia sẻ chung một số yếu tố rủi ro.
- Mô hình xây dựng bằng phương pháp thống kê: Mô hình đã đạt được mục tiêu mà
nhóm đã đề ra là dự đoán giá tiền thuê nhà ở Ấn Độ phụ thuộc nhiều nhất vào yếu tố
nào.
2. Lựa chọn mô hình
Từ những đánh giá trên, nhóm nghiên cứu nhận thấy, mô hình xây dựng bằng
phương pháp phân cụm chưa phù hợp với đề tài nghiên cứu. Song, mô hình xây dựng
bằng phương pháp thống kê đã giúp nhóm đạt được mục tiêu đề ra, do đó, mô hình này
phù hợp với đề tài nhóm đã chọn.
Do đó, nhóm lựa chọn mô hình xây dựng bằng phương pháp thống kê.

19
 V. TRIỂN KHAI MÔ HÌNH
1. Mục đích ý nghĩa của việc triển khai mô hình trong lĩnh vực cụ thể
Các quốc gia trên thế giới, nhất là các nước đang phát triển, lĩnh vực kinh tế là một
lĩnh vực trọng yếu và cũng là nhân tố quan trọng để thúc đẩy đất nước, giúp các quốc gia
khẳng định được vị thế của mình. Vì lý do đó, tất cả người dân trên cả nước sẽ đổ dồn
và tập trung vào những khu vực có tiềm năng phát triển kinh tế lớn, một dẫn chứng như
thành phố Hồ Chí Minh của nước ta. Rất nhiều người dân di cư vào đây để sinh sống và
lập nghiệp, hàng chục chuỗi cửa hàng của các doanh nghiệp trong và ngoài nước đổ dồn
vào thị trường thuê mặt bằng, thuê nhà để kinh doanh buôn bán hay thậm chí là để ở.
Điều đó đã làm cho thị trường khan hiếm về nhà cho thuê và cũng là một trong những
nguyên nhân khiến cho chủ nhà tăng giá cho thuê lên chóng mặt. Đó chỉ là một dẫn
chứng ở Việt Nam để giúp mọi người dễ hình dung, nhưng ở các nước trên thế giới đều
có hiện tượng như vậy.
Trong dự án này, nhóm chúng em đã đưa ra những đánh giá về các yếu tố ảnh hưởng
đến tiền thuê nhà và dự báo tiền thuê nhà của 4747 mẫu bất kỳ đã đạt được. Các nền tảng
lý thuyết được đề cập ở chương 2 được áp dụng để xây dựng mô hình dự báo có thể đảm
bảo được các ước tính từ các phân tích nhất quán và có độ chính xác cao.
2. Phân tích đánh giá hiệu quả kinh tế khi triển khai mô hình.
Mô hình dự đoán giá trị nhà thuê này dựa trên các yếu tố khác nhau như vị trí của
nhà, kích thước, số phòng, số tầng, tình trạng nội thất,… Từ đó có thể giúp mọi người
đưa ra các quyết định phù hợp với nhu cầu của mỗi người và lựa chọn được những căn
hộ/ ngôi nhà với số tiền thuê đánh giá đúng giá trị của nó.
Với dữ liệu gồm 4747 ngôi nhà/ căn hộ có sẵn cùng với những thông tin về ngôi
nhà, mọi người sẽ rất khó lựa chọn và băn khoăn không biết là số tiền mình bỏ ra để thuê
ngôi nhà đó đã phù hợp với giá trị của nó và đáp ứng nhu cầu của mình chưa. Có một số
người sẽ lựa chọn việc đi hỏi ý kiến của mọi người và sau đó đưa ra quyết định có nên
thuê hay không. Việc làm đó khá là mất thời gian và đôi khi không giúp chúng ta đưa ra
được lựa chọn tốt nhất, không những thế với dữ liệu gồm hơn 4700 căn hộ và nhiều

20
thông tin kèm theo, chúng ta sẽ bỏ sót nhiều căn hộ/ ngôi nhà phù hợp nếu không có
hướng đi tốt và xây dựng một mô hình hoàn hảo. Nhóm chúng em đã xây dựng mô hình
đánh giá về giá trị nhà thuê để giúp mọi người có cái nhìn về các yếu tố ảnh hưởng đến
tiền thuê nhà và đưa ra quyết định phù hợp nhất cho bản thân.

21
 VI. ĐÁNH GIÁ ĐÓNG GÓP CỦA CÁC THÀNH VIÊN THAM GIA DỰ ÁN
1. Phân công công việc

STT Nội dung công việc Người thực hiện

1 Giới thiệu Nguyễn Phan Huệ Anh

2 Thu thập và làm sạch dữ liệu Huỳnh Ngọc Kiều Giang

Nguyễn Thị Thúy Kiều

3 Kiểm định mô hình
Bùi Hoàng Nhung

4 Đánh giá và lựa chọn mô hình Nguyễn Thị Thúy Kiều

5 Triển khai mô hình Nguyễn Trà My

2. Nội dung hoạt động

Hình thức Thành phần

Thời gian Nội dung cuộc họp
Địa điểm tham gia

Online
20h00 https://meet.goog Chọn đề tài, Phân chia
11/09/2022 le.com/kwp- Cả nhóm công việc
qkty-prg

Online
20h00 https://meet.goog
12/09/2022 le.com/kwp- Cả nhóm Họp báo cáo tiến độ lần 1
qkty-prg

Online
20h00 https://meet.goog
14/09/2022 le.com/kwp- Cả nhóm Họp báo cáo tiến độ lần 2
qkty-prg

Họp giải quyết vướng

08h00 Offline
Cả nhóm mắc trong quá trình làm
15/09/2022 Phòng tự học B2
bài

Online
Họp tổng kết dự án, Đánh
20h00 https://meet.goog
giá mức độ đóng góp,
15/09/2022 le.com/kwp- Cả nhóm
Chuẩn bị nộp bài.
qkty-prg

22
3. Đánh giá mức độ đóng góp

STT Họ và tên Đánh giá

1 Nguyễn Phan Huệ Anh Rất tốt

2 Huỳnh Ngọc Kiều Giang Rất tốt

3 Nguyễn Thị Thúy Kiều Rất tốt

4 Nguyễn Trà My Rất tốt

5 Bùi Hoàng Nhung Rất tốt

23