عضو کانال یوتیوب ما شوید.

خوشه ‌بندی مشتریان (Customer Clustering) چیست؟

خوشه ‌بندی مشتریان (Customer Clustering) چیست؟
خوشه ‌بندی مشتریان (Customer Clustering) چیست؟

خوشه ‌بندی مشتریان (Customer Clustering) چیست؟

خوشه ‌بندی مشتریان به زبان ساده یعنی تقسیم‌بندی آنها با توجه به معیارهای دلخواه یک کسب‌کار. نتیجه این خوشه‌ بندی تشکیل دسته‌های از مشتریان است که ویژگی‌های رفتاری یکسانی دارند. قدم اول در این روش مشخص کردن همین ویژگی‌هاست. به طور مثال در تقسیم‌بندی به روش RFM، این ویژگی‌ها تعداد خرید، آخرین زمان خرید و مبلغ خرید است. مزیت این روش نسبت به RFM دلخواه بودن معیارهای دسته‌بندی است. یعنی یک کسب‌وکار می‌تواند با هر معیاری که برایش مهم است، مشتریان خود را در گروه‌های یکسان قرار دهد. مثلا در فروشگاهی که کالاها را به صورت اقساط به فروش می‌رساند، پرداخت به موقع اقساط یک ویژگی مهم برای مشخص کردن مشتری خوب است.

 

خوشه ‌بندی مشتریان (Customer Clustering) چیست؟

Customer Clustering چگونه کار می‌کند؟

در زمینه تقسیم بندی مشتری، تجزیه و تحلیل خوشه بندی مشتری یا Customer Clustering استفاده از یک مدل ریاضی برای کشف گروه‌هایی از مشتریان مشابه بر اساس یافتن کوچکترین تغییرات در بین مشتریان در هر گروه است. این گروه‌های همگن به عنوان “کهن الگوهای مشتری” یا “شخصیت” شناخته می‌شوند. هدف تجزیه و تحلیل خوشه ای در بازاریابی، تقسیم دقیق مشتریان به منظور دستیابی به بازاریابی موثرتر مشتری از طریق شخصی سازی است. یک روش متداول تجزیه و تحلیل خوشه ای یک الگوریتم ریاضی است که به عنوان تحلیل خوشه ای k-means شناخته می‌شود که گاهی اوقات به عنوان تقسیم بندی علمی نیز شناخته می‌شود.

خوشه‌هایی که به دست می‌آیند به مدل‌سازی بهتر مشتری و تحلیل‌های پیش‌بینی‌کننده کمک می‌کنند و همچنین برای هدف قرار دادن مشتریان با پیشنهادات و مشوق‌های شخصی‌سازی شده بر اساس خواسته‌ها، نیازها و ترجیحات آنها استفاده می‌شوند. این فرآیند بر اساس هیچ آستانه یا قانون از پیش تعیین شده ای نیست. بلکه خود داده‌ها نمونه‌های اولیه مشتری را که ذاتاً در جمعیت مشتریان وجود دارد را نشان می‌دهد.

 

تقسیم بندی آستانه یا قانون در Customer Clustering چیست؟

در رویکردهای تقسیم بندی آستانه (یا مبتنی بر قانون)، بازاریاب آستانه‌های پیشینی را معمولاً در دو بعد انتخاب می‌کند و مشتریان را بر این اساس تقسیم می‌کند. معایب این روش عبارتند از:

  • آستانه‌ها از پیش تعیین شده اند و منجر به نتایجی می‌شوند که معمولاً مفروضات اولیه را برآورده می‌کنند، برخلاف اینکه به خود داده‌ها اجازه می‌دهند معنی دارترین تقسیمات را در بین پایگاه مشتری خاص مورد تجزیه و تحلیل نشان دهند.
  • بین مشتریانی که در هر بخش یافت می‌شوند، تفاوت‌های بسیار زیادی وجود خواهد داشت.
  • انجام تقسیم بندی در بیش از دو بعد بسیار دشوار است.

 

مزایای Customer Clustering

در مقایسه با تقسیم‌بندی مبتنی بر آستانه یا مبتنی قانون، سه مزیت اصلی رویکرد تقسیم‌بندی تحلیلی که توسط تحلیل خوشه‌ای ارائه می‌شود عبارتند از:

  • عملی بودن: استفاده از قوانین از پیش تعیین شده برای تقسیم دقیق مشتریان در ابعاد مختلف عملاً غیرممکن است
  • همگنی: واریانس‌ها در هر گروه حاصل در تحلیل خوشه‌ای بسیار کوچک است، در حالی که تقسیم‌بندی مبتنی بر قانون معمولاً مشتریانی را گروه‌بندی می‌کند که در واقع بسیار متفاوت از یکدیگر هستند.
  • خوشه ‌بندی پویا: هر بار که الگوریتم خوشه ‌بندی اجرا می‌شود، تعاریف خوشه‌ها تغییر می‌کنند و تضمین می‌کنند که گروه‌ها همیشه وضعیت فعلی داده‌ها را به دقت منعکس می‌کنند.

 

الگوریتم خوشه بندی چیست؟

  • الگوریتم خوشه بندی در زمینه کسب و کار: الگوریتم خوشه بندی تکنیکی است که به تقسیم بندی مشتریان کمک می‌کند که فرآیند طبقه بندی مشتریان مشابه در همان بخش است. الگوریتم خوشه بندی به درک بهتر مشتریان، هم از نظر جمعیتی ثابت و هم از نظر رفتارهای پویا کمک می‌کند. مشتریان با ویژگی‌های قابل مقایسه اغلب به طور مشابه با تجارت تعامل دارند، بنابراین کسب و کار می‌تواند با ایجاد استراتژی بازاریابی مناسب برای هر بخش از این تکنیک بهره مند شود.
  • الگوریتم خوشه بندی در زمینه علم داده: الگوریتم خوشه ‌بندی یک الگوریتم یادگیری ماشینی بدون نظارت است که گروه‌هایی از نقاط داده را که نزدیک به هم مرتبط هستند را کشف می‌کند. تفاوت اساسی بین الگوریتم نظارت شده و بدون نظارت این است که:
    • الگوریتم نظارت شده: نیاز به تقسیم مجموعه داده به قطار و مجموعه آزمایشی دارد و الگوریتم بر اساس خروجی یا برچسب مجموعه داده قطار و تعمیم آن به داده‌های مشاهده نشده است. به عنوان مثال، درخت تصمیم، رگرسیون، شبکه‌های عصبی.
    • الگوریتم بدون نظارت: زمانی که هیچ خروجی یا برچسب تعریف شده ای از مجموعه داده وجود ندارد، برای کشف الگوهای پنهان استفاده می‌شود. به عنوان مثال، خوشه بندی، استخراج قوانین انجمن، کاهش ابعاد.
برای امتیاز به این نوشته کلیک کنید!
[کل: 1 میانگین: 5]