ЖУРНАЛ БІЗНЕС ІНФОРМ.

УКР

ENG

Пошук:

СВІДОЦТВО ПРО РЕЄСТРАЦІЮ

КВ №19905-9705 ПР від 02.04.2013 р.

ЗАСНОВНИКИ

НАУКОВО-ДОСЛІДНИЙ ЦЕНТР ІНДУСТРІАЛЬНИХ ПРОБЛЕМ РОЗВИТКУ НАН УКРАЇНИ
(ХАРКІВ, УКРАЇНА)

Згідно з рішенням № 802 Національної ради України з питань телебачення і радіомовлення від 14.03.2024 р. зареєстрований суб’єктом у сфері друкованих медіа. Ідентифікатор R30-03156

ВИДАВЕЦЬ

ФОП Лібуркіна Л. М.

РОЗДІЛИ САЙТУ

Методи Data Science: аналіз підходів до сегментації клієнтів
Андрусик Є. В., Кагановський О. С.

Андрусик Є. В., Кагановський О. С. Методи Data Science: аналіз підходів до сегментації клієнтів. Бізнес Інформ. 2025. №1. C. 497–503.
https://doi.org/10.32983/2222-4459-2025-1-497-503

Розділ: Менеджмент і маркетинг

Стаття написана українською мовою
Завантажень/переглядів: 0

Завантажити статтю (pdf) -

УДК 33.330.4

Анотація:
У статті розглянуто проблему підвищення ефективності маркетингових стратегій в умовах сучасного динамічного ринкового середовища, що характеризується високим рівнем конкуренції, інформаційним перевантаженням і швидкою зміною споживчих вподобань. Проведений аналіз показав, що традиційні методи сегментації, засновані на демографічних, географічних та соціально-економічних характеристиках, не дозволяють враховувати індивідуальні потреби, вподобання та поведінкові особливості споживачів, що знижує ефективність маркетингових кампаній. Зазначено, що в цих умовах на перший план виходять новітні альтернативні підходи, що ґрунтуються на використанні неструктурованих даних, динамічній сегментації та психографічних факторах. Реалізація альтернативних підходів неможлива без застосування таких методів Data Science, як k-means, ієрархічна кластеризація та DBSCAN, які дозволяють виявляти приховані закономірності в поведінці клієнтів і формувати більш точні сегменти. Визначено переваги та недоліки методів кластеризації під час реалізації альтернативних підходів до сегментації клієнтів. Зазначено, що вибір методу сегментації повинен ґрунтуватися на комплексному аналізі в контексті конкретного завдання (селективний підхід) або гібридизації, яка дозволяє підсилити переваги та нівелювати недоліки кожного з методів. Підкреслено, що селекція або гібридизація під час роботи з неструктурованими даними потребує перетворення даних (текстових, аудіо, медіа) на числові. У вирішенні цього завдання допоможе сполучення K-means, ієрархічної кластеризації або DBSCAN разом з іншими методами, такими як метод виділення ключових слів, тематичне моделювання, векторні представлення слів, методи обробки природної мови (NLP) або комп'ютерного зору. Для динамічної сегментації можуть бути використані mini-batch K-means, що являє собою модифікацію алгоритму K-means, яка використовується для кластеризації великих наборів даних. Це дозволяє значно прискорити процес кластеризації, особливо при роботі зі значними обсягами інформації. Наголошено, що психографічні фактори мають, напевно, найбільшу значущість, бо глибше відображають цінності і мотивацію споживачів. Ієрархічна кластеризація дозволяє візуалізувати групи різних психографічних факторів, але інтерпретація таких об’єднань вимагатиме додаткового аналізу за допомогою ШІ. Найбільш доцільним методом для сегментації клієнтів за психографічними факторами є DBSCAN. Цей метод дозволяє виявляти групи з подібними профілями, навіть якщо вони мають складну форму, а також кластери з нелінійними межами. Підкреслено, що подальші дослідження мають бути спрямовані на розробку гібридних моделей, які поєднують різні алгоритми кластеризації з альтернативними підходами для збільшення результативності маркетингової стратегії компанії.

Ключові слова: маркетингова діяльність, динамічна сегментація, психографічні фактори, Data Science, метод k-means, mini-batch K-means, ієрархічна кластеризація, DBSCAN.

Табл.: 2. Бібл.: 10.

Андрусик Євгеній Валерійович – аспірант, кафедра економічної кібернетики і системного аналізу, Харківський національний економічний університет ім. С. Кузнеця (пр. Науки, 9а, Харків, 61166, Україна)
Email: [email protected]
Кагановський Олександр Семенович – доктор філософії, аспірант, кафедра менеджменту та бізнесу, Харківський національний економічний університет ім. С. Кузнеця (пр. Науки, 9а, Харків, 61166, Україна)
Email: [email protected]

Список використаних у статті джерел

Sanket Lodha, Dr. Sonal Deshmukh, Dr. Sudhir Chitnis, Dr. Arun Patil. Customer segmentation using machine learning. Shodhak: A Journal of Historical Research. 2023. Vol. 53. Issue 3, no. 5. P. 141–147. URL: https://www.researchgate.net/publication/376396210_CUSTOMER_SEGMENTATION_USING_MACHINE_LEARNING
Mudunuri Varma, Anaparthi Akhil, Kokku Anoushka, Prithvi Maddukuri. Use of Big Data in the Process of Customer Segmentation in the Retail Sector. Technoarete Transactions on Advances in Data Science and Analytics. 2022. Vol. 1, Issue 2. P. 7–12. DOI: https://doi.org/10.36647/TTADSA/01.02.A002
Затонацька Т., Фаренюк Я. Використання Data Science технологій в Е-комерції: успішні кейси. Міжнародна науково-практична конференція «Data Science та інформаційно-аналітичні системи: застосування в економіці та фінансах» : тези доп. 23 трав. 2024 р. Київ, 2024. С. 26–30. URL: https://goo.su/5YyGA
Qian Zhou, Bo Sun Adaptive K-means clustering based under-sampling methods to solve the class imbalance problem. Data and Information Management. 2024. Vol. 8, Issue 3. P. 1–12. DOI: https://doi.org/10.1016/j.dim.2023.100064
Zaitsev D., Filimonchuk T., Huk A., Maistrenko H. Огляд засобів ефективної сегментації зображень з використанням методів кластеризації даних. Системи управління, навігації та зв’язку. 2024. № 1 (75). С. 77–81. DOI: https://doi.org/10.26906/SUNZ.2024.1.077
Dingsheng Deng. Application of DBSCAN Algorithm in Data Sampling. J. Phys.: Conf. Ser. 1617 012088. URL: https://stats.iop.org/article/10.1088/1742-6596/1617/1/012088
Перевозова І. В., Земляков І. С., Шайбан В. М. Алгоритми персоналізації контенту у web-маркетингу як чинник підвищення конверсії інтернет-продажів. Академічні візії. 2023. № 24. URL: https://www.academy-vision.org/index.php/av/article/view/1340
Стамат В. М., Скорук А. Ю. Сегментація цільової аудиторії як важливий етап маркетингу на ринку готельно-ресторанного бізнесу. Електронне наукове фахове видання з економічних наук «Modern Economics». 2022. № 35. С. 112–117. DOI: https://doi.org/10.31521/modecon.V35(2022)-17
Ashraf Uddin, Alamin Talukder, Redwan Ahmed et al. Data-driven strategies for digital native market segmentation using clustering. International Journal of Cognitive Computing in Engineering. 2024. Vol. 5. P. 178–191. DOI: https://doi.org/10.1016/j.ijcce.2024.04.002
Blomker J., Carmen-Maria A. Psychographic segmentation of multichannel customers: investigating the influence of individual differences on channel choice and switching behavior. Journal of Retailing and Consumer Services. 2024. Vol. 79. P. 1–17. DOI: https://doi.org/10.1016/j.jretconser.2024.103806

ДЛЯ АВТОРІВ

Ліцензійний договір

Умови публікації

Вимоги до статей

Положення про рецензування

Договір публікації

Номер в роботі

Питання, які задаються найчастіше

ІНФОРМАЦІЯ

План наукових конференцій

НАШІ ПАРТНЕРИ

Журнал «Проблеми економіки»

Матеріали на сайті розміщені на умовах ліцензії Creative Commons Attribution 4.0 International CC BY-SA.

Написати вебмастеру