Представлено дослідження, спрямоване на розробку та впровадження інформаційної технології моніторингу та аналізу сегментів пунктів продажу мобільного оператора з використанням методів кластеризації. Дослідження вирішує актуальну проблему в сфері маркетингу та бізнес-оптимізації, а саме: покращення стратегій мережі пунктів продажу мобільного зв'язку.
В дослідницькій роботі представлено новітній підхід до сегментації пунктів продажу мобільного оператора з використанням алгоритмів кластеризації. Було розроблено програмний продукт, що містить алгоритми машинного навчання для кластеризації пунктів продажу за ключовими параметрами. Здійснено комплексний аналіз бази даних мобільного оператора для визначення критичних характеристик пунктів продажу, таких як прибутковість, патерни використання послуг мобільного оператора, кількість нових та втрачених клієнтів, географічне розташування, та інші важливі індикатори.
Особлива увага була приділена розробці інструментарію для підготовки та опрацювання вхідних даних, що забезпечує точність подальшої кластеризації. За допомогою створеного продукту мобільний оператор зможе ідентифікувати найбільш прибуткові пункти продажу, виявити можливості для зростання та розробити цільові стратегії для кожного сегмента.
Застосуванням розробленої технології мобільний оператор отримує можливість не тільки виявити ключові та прибуткові точки продажів, але й розробити цілеспрямовані стратегії для різних груп пунктів продажу з урахуванням їх унікальних характеристик. Такий підхід підсилює позиції компанії на ринку, сприяючи підвищенню задоволеності споживачів та збільшенню прибутків.
Крім того, розроблена система має потенціал для аналізу динаміки зміни пунктів продажу з часом, що дає змогу мобільному оператору підтримувати оптимальну стратегію розвитку та задовольняти потреби клієнтів, що може сприяти підвищенню прибутковості та конкурентоспроможності бізнесу.
1. Chiang, M. MT., & Mirkin, B. (2010). Intelligent Choice of the Number of Clusters in K-Means Clustering: An Experimental Study with Different Cluster Spreads. J Classif 27, 3 40.
https://doi.org/10.1007/s00357-010-9049-5
2. Collica, R. S. (2021). Segmentation Analytics with SAS Viya: An Approach to Clustering and Visualization. SAS Institute.
3. Doroshenko, A. (2020). "Analysis of the Distribution of COVID-19 in Italy Using Clustering Algorithms," 2020 IEEE Third International Conference on Data Stream Mining & Processing (DSMP), Lviv, Ukraine, 2020, pp. 325-328.
https://doi.org/10.1109/DSMP47368.2020.9204202
4. Hanafizadeh, P., & Mirzazadeh, M. (2011). Visualizing market segmentation using self-organizing maps and Fuzzy Delphi method - ADSL market of a telecommunication company. Expert Systems with Applications, 38(1), 198-205.
https://doi.org/10.1016/j.eswa.2010.06.045
5. Maddumala, V. R., Chaikam, H., Velanati, J. S., Ponnaganti, R., & Enuguri, B. (2022). Customer Segmentation using Machine Learning in Python. 2022 7th International Conference on Communication and Electronics Systems (ICCES), Coimbatore, India, 1268-1273.
https://doi.org/10.1109/ICCES54183.2022.9836018
6. Mim, S. S., & Logofatu, D. (2022). A Cluster-based Analysis for Targeting Potential Customers in a Real-world Marketing System. 2022 IEEE 18th International Conference on Intelligent Computer Communication and Processing (ICCP), Cluj-Napoca, Romania, 159-166.
https://doi.org/10.1109/ICCP56966.2022.10053985
7. Nandapala, E. Y. L., & Jayasena, K. P. N. (2020). The practical approach in Customers segmentation by using the K-Means Algorithm. 2020 IEEE 15th International Conference on Industrial and Information Systems (ICIIS), RUPNAGAR, India, 344-349.
https://doi.org/10.1109/ICIIS51140.2020.9342639
8. Rosário, A. T., Dias, J. C., & Ferreira, H. (2023). Bibliometric Analysis on the Application of Fuzzy Logic into Marketing Strategy. Businesses, 3(3), 402-423.
https://doi.org/10.3390/businesses3030025
9. Stiadi, M. (2022). Market segmentation analysis in food selection. Jurnal Ekonomi, 11(03), 169 173.
https://doi.org/10.1016/j.eswa.2010.06.045
10. Wu, J., Xiong, H., & Chen, J. (2009). Adapting the right measures for K-means clustering. In Proceedings of the 15th ACM SIGKDD international conference on Knowledge discovery and data mining (KDD '09). Association for Computing Machinery, New York, NY, USA, 877 886.
https://doi.org/10.1145/1557019.1557115