CC BY
34АВТОМАТИЗИРОВАННЫЙ МОДУЛЬ СЕГМЕНТАЦИИ КЛИЕНТОВ В СФЕРЕ ДИСТРИБУЦИИ АВТОЗАПЧАСТЕЙ
AUTOMATED CUSTOMER SEGMENTATION MODULE IN THE SPHERE
OF AUTO PARTS DISTRIBUTION
УДК 004.415.2 DOI: 10.24411/2658-4964-2020-10007 Цогуева Мария Шарпудиевна, студент 2 курса магистратур, Национальный исследовательский технологический университет «МИСиС», Москва, Россия [email protected]
Ассистент: Якунин Андрей Михайлович, начальник отдела управления аналитикой продаж, Москва, Россия. [email protected] Научный руководитель: Бабешко Владимир Николаевич, кандидат технических наук, доцент, Национальный исследовательский технологический университет «МИСиС», Москва, Россия. [email protected]
Tsogueva Maria Sharpudievna, Master 2 year, National University of Science and Technology "MISiS", Moscow, Russia. [email protected] Assistant: Yakunin Andrey Mikhailovich, Head of Sales Analytics Management Moscow, Russia. [email protected]
Scientific adviser: Babeshko Vladimir Nikolaevich, Candidate of Technical Sciences, Docent, National University of Science and Technology "MISiS" Moscow, Russia. [email protected]
Аннотация
Статья посвящена разработке модуля автоматизации сегментации клиентов в сфере дистрибуции автозапчастей. В статье рассматривается необходимость сегментации и ее поэтапная реализация. Также, описаны алгоритм работы модуля сегментации и его взаимодействие с внешней системой CRM. Изложены этапы предобработки данных. Результатом работы является модуль сегментации клиентов.
Summary
The article is about the development of an automation module of client segmentation in the distribution of auto parts. The need for segmentation and how it should be implemented are discussed. The text contains the description of module
operation algorithm and its interaction with CRM system. The stages of data preprocessing are described. The result of the work is a developed client segmentation module.
Ключевые слова: автоматизация сегментации клиентов, дистрибуция автозапчастей, кластеризация, автоматизированный модуль.
Keywords: client segmentation automation, distribution of auto parts, clustering, automation module
Деятельность любой коммерческой организации направлена на получение прибыли, которая во многом зависит от лояльности аудитории. На лояльность аудитории в значительной мере оказывает влияние то, насколько клиентоориентированна компания, предоставляющая этой аудитории товары и услуги. Специфика дистрибуции автозапчастей связана с большим количеством наименований продукции, брендов и сложными рыночными взаимосвязями.
Одним из инструментов повышения эффективности работы с клиентами является сегментация клиентской базы - распределение клиентов по группам (сегментам) в соответствии с определенными признаками. Сегментация клиентов позволяет понять, с какими клиентами компания ведет свою работу и на основе этого определить уникальные подходы к каждой группе клиентов, что принесет максимальный отклик аудитории и прибыль компании.
Сегментация клиентов включает в себя несколько этапов:
Этап 1. Определение атрибутов, характеризующих клиентов и сбор данных
Этап 2. Применение метода сегментации.
Этап 3. Анализ результатов и формирование сегментов.
На основании сформированных сегментов в дальнейшем разрабатываются персонализированные стратегии взаимодействия с клиентами.
В качестве атрибутов клиентов используются следующие данные: географические, поведенческие данные (способы оплаты заказа, способы создания заказа), история заказов, а также данные о типах клиентов в силу специфики бизнеса (станции технического обслуживания, специализированные магазины автозапчастей и др.) [1,2].
В основу модуля сегментации клиентов лег метод кластеризации, т.к. он является достаточно гибким методом: • многокритериальный;
• позволяет использовать как категориальные, так и количественные признаки объектов;
• может быть полностью автоматизирован;
• позволяет выделить группы клиентов, которые раньше могли не рассматриваться [3,4].
На рисунке 1 в виде блок-схемы изображен алгоритм работы модуля сегментации клиентов.
Рисунок 1 - Алгоритм работы модуля сегментации клиентов Модуль сегментации представляет собой хранимые процедуры, написанные на языке SQL и скрипт, разработанный на языке Python. Хранимые процедуры подготавливают набор данных для сегментации. Эти данные являются входными для скрипта, который обрабатывает их и сегментирует клиентов. Результатом работы скрипта являются выделенные сегменты клиентов. Данные о принадлежности кластера загружаются в соответствующую базу данных, откуда они подгружаются в CRM.
Взаимодействие модуля сегментации клиентов с элементами системы CRM на рисунке 2.
Рисунок 2 - Взаимодействие модуля сегментации клиентов с другими
элементами системы Для возможности проведения кластеризации все признаки необходимо привести к числовому виду. Для обработки категориальных признаков использовался метод one-hot encoding, суть которого заключается в следующем: для кодируемого признака создаются X новых признаков, где X -количество уникальных значений, которое принимает кодируемый категориальный признак. Новые признаки принимают значение 1, если объект выборки обладает этим признаком и 0, если не обладает. К количественным признакам была применена нормализация - процедура, проводимая с целью сделать признаки соизмеримыми (1) [3].
у _ х- xmin ^^
Хтах xmin
В качестве алгоритма кластеризации был использован алгоритм k-means (к-средних), т.к. он прост в использовании и понятен, а также уже имеет готовую реализацию в библиотеке sklearn в Python. Основная идея алгоритма состоит в том, что на каждой итерации происходит перерасчет центр масс для каждого кластера, полученного на предыдущем шаге, и затем объекты распределяются вновь на кластеры в соответствии с тем, какой из новых центров масс оказался ближе к объекту по выбранной метрике.
Количество кластеров было определено методом «локтя», который подразумевает многократное исполнение алгоритма с увеличением количества выбираемых кластеров. В качестве значения к выбирается такое значение, где меняется характер поведения функции однородности
(неоднородности). В качестве определения которой используется, например, среднее расстояние от объекта до центра кластера. [4,5].
В результате работы модуля сегментации по количеству объектов кластеры получились одного порядка. Основное разделение на сегменты произошло по категориальным признакам.
Модуль сегментации клиентов является гибким и может быть доработан с применением новых данных, собранных о клиентах, с целью более адресной работы с клиентами.
Предложенные решения могут быть применены в коммерческих организациях иных сфер бизнеса со схожей рыночной спецификой и могут лечь в основу различных маркетинговых компаний, сделав их более целенаправленными и эффективными.
Использованные источники:
1. Кузнецова Е. Л., Гетманова А. В. Лояльность клиентов как фактор роста эффективности продаж //Финансовая аналитика: проблемы и решения. -2016. - №. 4 (286).
2. Сегментирование потребителей - Маркетинговые исследования [Электронный ресурс]. - URL: https://studme.org/1506091319444/marketing/segmentirovanie_potrebiteley (Дата обращения: 20.04.2020)
3. 6.3. Preprocessing - scikit-learn 0.22.2 documentation [Электронный ресурс]. - URL: https://scikit-learn.org/stable/modules/preprocessing.html (Дата обращения: 25.04.2020)
4. Мандель И. Д. Кластерный анализ //М.: Финансы и статистика. - 1988. -176 c.
5. 2.3. Clustering - scikit-learn 0.22.1 documentation Docs [Электронный ресурс]. - URL: https://scikit-learn.org/stable/modules/clustering.html (Дата обращения: 23.04.2020)
Literature:
1. Kuznecova E. L. Getmanova A. V. Customer loyalty as a factor in the growth of sales efficiency // Financial analytics: problems and solutions — 2016. — №. 4 (286).
2. Consumer segmentation — Marketing research [Electronic resource]. — URL: https://studme.org/1506091319444/marketing/segmentirovanie_potrebiteley (accessed date: 04/20/2020)
3. 6.3. Preprocessing - scikit-learn 0.22.2 documentation [Electronic resource]. -URL: https://scikit-learn.org/stable/modules/preprocessing.html(accessed date: 04/25/2020)
4. Mandel I. D. Cluster analysis // M.: Finance and statistics - 1988. - 176 c.
5. 2.3. Clustering - scikit-learn 0.22.1 documentation Docs [Electronic resource]. - URL: https://scikit-learn.org/stable/modules/clustering.html (accessed date: 04/23/2020)
