۱۶ فروردین ۱۳۹۹
صفحه اصلی / داده‌کاوی و تحلیل رفتار مشتریان / کاربرد خوشه‌بندی در کسب و کارهای مشتری محور
کاربرد خوشه‌بندی در کسب و کارهای مشتری محور

کاربرد خوشه‌بندی در کسب و کارهای مشتری محور

کاربرد خوشه‌بندی در کسب و کارهای مشتری محور و اثرات مثبت استفاده از آن

در این پست قصد داریم کاربرد خوشه‌بندی در کسب و کارهای مشتری محور به عنوان یکی از پرکاربردترین تکنیک‌های داده‌‎کاوی  را مورد بررسی قرار دهیم. در ابتدا با استفاده از یک مثال ساده تصویری به توضیح مفهوم خوشه‌بندی می‎‌پردازیم و سپس با یک مثال واقعی در کسب و کار بحث را ادامه می دهیم.

به تصویر شماره ۱ نگاه کنید. در این تصویر تعدادی از افراد با ظاهر و پوشش‌های مختلف را مشاهده می‌کنید.

تصویر 1- نمایش داده های خام بدون الگوهای شناسایی شده

تصویر ۱- نمایش داده های خام بدون الگوهای شناسایی شده

فرض کنید که بخواهیم بر اساس ظاهر و لباسی که افراد پوشیده‌اند آن‌ها را گروه‌بندی کنیم. این گروه‌بندی باید به گونه‌ای صورت پذیرد که افرادی که دارای پوشش و ظاهر شبیه به هم هستند در گروه‌های یکسان و افرادی که از نظر پوشش و ظاهر با هم تفاوت دارند در گروه های متفاوت قرار گیرند. به عنوان مثال یکی از مشخص‌ترین گروه‌های که در این تصویر قابل تشخیص است به صورت تصویر شماره ۲ می‌باشد:

تصویر 2- گروه افرادی که دارای تیپ و ظاهر ورزشی هستند.

تصویر ۲- گروه افرادی که دارای تیپ و ظاهر ورزشی هستند.

این گروه افرادی هستند که دارای تیپ و ظاهر ورزشی هستند و وسیله ورزسی به دست دارند و به این دلیل در یک گروه قرار داده شده اند. یک الگوریتم خوشه‌بندی خوب باید بتواند الگوهای موجود در داده‌ها را اسخراج کند. همانطور که ما در این مثال به صورت بصری الگوهای موجود در ظاهر و پوشش افراد موجود در این تصویر را شناسایی کردیم. علاوه بر شناسایی افرادی که به یکدیگر شباهت دارند و قرار دادن آن ها در یک گروه، پیدا کردن اشخاصی که شبیه هیچ فرد دیگری نیستند و به اصطلاح داده دورافتاده یا داده پرت هستند نیز از اهمیت زیادی برخوردار است. در این مثال فردی که لباس سرآشپز به تن دارد هیچ شباهتی با هیچ فرد دیگری نداشته و به تنهایی یک گروه را تشکیل داده است.

تصویر 3- خوشه تک عضوی- داده دور افتاده

تصویر ۳- خوشه تک عضوی- داده دور افتاده

در نهایت ما افراد را به صورت تصویر شماره ۴ گروه بندی می کنیم. همانطور که مشاهده می کنید گروه دوم افرادی هستند که به خاطر رنگ مو و عینکی که به چشم دارند هم گروشده اند. گروه سوم افرادی هستند که به ظاهر کارمند به نظر می‌رسند و همگی در یک گروه قرار گرفته اند. گروه چهارم افرادی هستند که به علت داشتن کلاه ایمنی مهندسی هم گروه شده اند. گروه چهارم افراد جوانی هستند که به دلیل مدل مو و لباسی که به تن دارند در یک گروه مشترک قرار گرفته اند. افراد گروه ششم لباس پلیس به تن دارند و گروه هفتم افراد مسنی هستند که عینک مشکی و کلاه دارند و سبک پوشش آن ها بسیار به هم شباهت دارد. گروه هشتم نیز تنها فردی است که لباس سرآشپز به تن دارد.

تصویر 4- خوشه هایی که در انتهای پردازش بصری توسط انسان تشکیل شده‌اند

تصویر ۴- خوشه هایی که در انتهای پردازش بصری توسط انسان تشکیل شده‌اند

یکی از مهم‌ترین موضوعاتی که در هنگام خوشه بندی باید به آن توجه نمود تعیین تعداد خوشه ها و یا گروه‌هایی است که رکوردها و عناصر در آن ها قرار خواهند گرفت. این موضوع بسیار مهم است. گاهی اوقات نتایج اشتباهی از خوشه بندی حاصل می شود. در تصویر شماره ۵ نتیجه یک خوشه بندی نادرست را مشاهده کنید.

 تصویر 5- خوشه‌های حاصل از یک خوشه‌بندی اشتباه

 تصویر ۵- خوشه‌های حاصل از یک خوشه‌بندی اشتباه

یک سوال، آیا شما به عنوان یک صاحب کسب و کار روی نتایج یک خوشه بندی اشتباه سرمایه‌گذاری خواهید کرد؟ مسلما پاسخ شما منفی است. بنابراین توجه به انجام صحیح خوشه بندی حائز اهمیت است. یک مثال کاربردی از کسب و کار اهمیت این موضوع را برای شما روشن تر می کند.

صاحب یک فروشگاه بزرگ را در نظر بگیرید که می خواهد گروه مشتریان ارزشمند خود را شناسایی کند و در روز تولد آن‌ها برای آن ها تخفیف ویژه‌ای در نظر بگیرد و یا برای آن ها یک ایمیل تبلیغاتی به همراه کد تخفیف خرید محصولات ارسال کنید. بنابراین یک خوشه بندی صحیح می تواند به صاحب کسب و کار کمک کند تا منابع مالی فروشگاه را به‌طور بهینه صرف مشتریان اصلی نماید.

یک مثال دیگر، فرض کنید مدیر این فروشگاه قصد دارد که بداند گروه مشتریان ارزشمندش از چه کانال‌هایی خرید خود را انجام می‌دهند و بر روی آن‌ها سرمایه‌گذاری کند. بنابراین در صورت تشخیص اشتباه گروه‌های مشتریان، فروشگاه هزینه‌های زیادی را متحمل خواهد شد. توجه داشته باشید که صحت نتایج خوشه‌بندی برای تصمیم‌گیری‌های سرمایه‌گذاری بسیار مهم است.

کسب و کارها می‌توانند با استفاده از الگوریتم‌های خوشه‌بندی و گروه‌بندی مشتریان خود و شناسایی الگوها و رفتارهای هر گروه از مشتریانشان سود قابل توجهی را نصیب خود کنند.

وظیفه یک الگوریتم خوشه‌بندی نیز دقیقا مطابق همین کاری است که در مثال توضیح داده شد. در مسائل خوشه‌بندی هدف این است که بر اساس تعدادی از ویژگی‌های موردنظر و در دسترس از مشتریان، آن‌ها را در گروه‌های مختلف قرار دهیم به‌نحوی‌که اعضای موجود در یک خوشه بیشترین شباهت را با یکدیگر و کمترین شباهت را با اعضای گروه‌های دیگر داشته باشند. با این تفاوت که ذهن انسان در نهایت قادر است که با تعداد بسیار محدودی از  ویژگی‌ها، مشتریان را خوشه‌بندی کند. می دانیم که امروزه کسب و کارهای داده‌های زیادی را از مشتریان خود جمع‌آوری می‌کنند. داده‌های در دسترس از مشتریان به حدی افزایش‌یافته است که هوش انسانی به‌تنهایی قادر به تحلیل این داده‌ها نیست. برای این منظور شرکت‌ها باید از تجزیه‌وتحلیل پیش‌بینانه و ابزارهایی همانند داده‌کاوی برای تحلیل داده‌های مشتریان خود بهره‌جویند. بر خلاف ذهن انسان، الگوریتم‌های خوشه‌بندی داده‌کاوی قادر به خوشه بندی مشتریان با تعداد زیادی از ویژگی ها است.

صویر 6- هدف الگوریتم‌های خوشه‌بندی

صویر ۶- هدف الگوریتم‌های خوشه‌بندی

 حرکت فراتر از ویژگی های جمعیت شناختی و جغرافیایی

کسب و کارها می توانند مشتریان خود را بر اساس ویژگی های زیادی خوشه بندی کنند. بخش‌بندی مشتریان ممکن است بر اساس ویژگی‌های مختلف مشتریان همانند ویژگیهای دموگرافیک (مانند سن، جنسیت، وضعیت تأهل، سطح تحصیلات، درآمد و …)، ویژگیهای جغرافیایی (مانند شهر محل زندگی، منطقه و …) صورت گیرد. می توان از خوشه بندی بر اساس ویژگی های دموگرافیک و جفرافیایی فراتر رفت. ویژگی های روانشناختی (مانند سبک زندگی و …) و یا ویژگی‌های رفتاری (مانند تعداد دفعات خرید، ارزش ریالی خرید و …) شاید گزینه های بهتری برای گروه بندی مشتریان باشند.

همانند تصویر شماره ۷ دو مشتری ممکن است از لحاظ ویژگی های دموگرافیک کاملا همانند یکدیگر باشند و این رفتار خرید این دو مشتری است که آن ها را از یکدیگر متمایز می سازد.

تصویر 7- حرکت فراتر از ویژگی های دموگرافیک و جغرافیایی تصویر ۷- حرکت فراتر از ویژگی های دموگرافیک و جغرافیایی 

یکی از معروف‌ترین مدل‌های بازایابی برای گروه بندی مشتریان، مدل آر.اف.ام (RFM) نام دارد، این مدل بر اساس پارامترهای تاریخ آخرین خرید مشتری ، تعداد دفعات خرید در یک بازه زمانی مشخص و ارزش پولی خرید  در بازه زمانی مشخص ارزش هر مشتری را محاسبه می‌کند.

مدل RFM را می‌توان توسعه داد. به این معنی که متغیرهای رفتاری دیگری از مشتری را به مدل اضافه نمود. یکی از متغیرهایی که می‌توان به مدل اضافه نمود، طول مدت رابطه  (relation Length) با مشتری می‌باشد.

متغیر طول مدت رابطه با مشتری را با L نشان می دهند و این متغیر فاصله­ اولین تا آخرین خرید مشتری را نشان می‌دهد و بیانگر مدت زمانی است که مشتری با فروشگاه در ارتباط است. مقدار آن از تفاضل تاریخ آخرین خرید و اولین خرید مشتری بدست می­آید.

درباره شقایق ابوالمکارم

دکترا مهندسی صنایع، متخصص داده کاوی با بیش از پنج سال سابقه مشاوره، تدریس و پژوهش در این حوزه است. تا کنون دوره های متععد داده کاوی را در دانشگاه های مختلفی نظیر دانشگاه تهران ،دانشگاه آزاد تهران جنوب و دانشگاه علوم و تحقیقات برگزار نموده است. همچنین طی دوره های آموزشی متعدد به تدریس داده کاوی در مرکز دانش مدیریت ارتباط با مشتری(مُدام) پرداخته و پروژه های داده‌کاوی اطلاعات مشتریان را انجام داده است.

مقاله پیشنهادی

کریسپ (CRSIP-DM)

کریسپ ، فرآیندی متداول برای اجرای پروژه‌های داده‌کاوی

یکی از معروف‌ترین فرآیند ها «کریسپ» (CRSIP-DM) است که یک روش صنعتی آزمایش‌شده برای اجرای پروژه‌های داده‌کاوی به شمار می‏رود که در این مقاله در مورد ان توضیح می دهیم.

پاسخی بگذارید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *