در دنیای امروز جمع‌آوری داده‌ها و تحلیل آنها در راستای پیشبرد اهداف و تصمیمات استراتژیک سازمان نقش مهمی ایفا می‌کند. شرکت‌ها بدون شناسایی مشتریان و مصرف‌کنندگان خود می‌توانند بخشی از درآمد خود را از دست بدهند. از طرف دیگر ممکن است زیان نیز به همراه داشته باشد. چرا که این کار باعث هدر رفتن زمان، انرژی و هزینه در توسعه محصولات شرکت می‌شود. خوشهبندی مصرف‌کنندگان و مشتریان یکی از روش‌هایی است که کار شناسایی آنها را برای کسب و کارها ساده تر می‌کند. برای بررسی دقیق تر این موضوع تا پایان این مقاله با ما در راهبر بازار همراه باشید.
خوشهبندی چیست؟
یک کمپانی را در نظر بگیرید که قصد اجرای کمپین فروش ویژه برای محصول خود را دارد. مشتریان این محصول دارای ویژگی‌های مختلفی هستند و در نتیجه امکان این‌که نگرش تمام مشتریان به‌صورت جزء به جزء بررسی شود و برای تمام آنها رویکرد جداگانه‌ای در نظر گرفته شود وجود ندارد. با این حال می‌توان بر اساس عوامل مختلف مانند عادات خریدشان، آنها را مثلا به ۵ گروه مجزا تقسیم نمود. سپس برای این ۵ گروه استراتژی‌های مختلف را در نظر گرفت. با این کار از هدر شدن زمان و تلاش برای اجرای کمپین فروش جلوگیری می‌شود و انتظار می‌رود کمپین موفق‌تر عمل کند.
در بحث آمار و یادگیری ماشین، خوشهبندی تقسیم مقادیر ورودی به گروه (خوشه)های مختلف می‌باشد؛ به‌طوری که نقاط داده مشابه در یک خوشه قرار می‌گیرند. در نتیجه داده‌های درون هر خوشه بیشترین شباهت با یکدیگر و با داده‌های درون سایر خوشه‌ها بیشترین تفاوت را خواهند داشت. در واقع هدف از خوشهبندی، تفکیک گروه‌هایی با صفات مشابه بر اساس مجموعه‌ای از متغیرها می‌باشد. البته باید در نظر داشت که در الگوریتم خوشهبندی تعداد بهینه خوشه‌ها را فقط می‌توان بر اساس داده‌های در دسترس تعیین کرد.
مراحل تحلیل خوشهبندی
فرمول بندی اولیه مسئله: با توجه به اهداف تحقیقات بازار، متغیرهای مورد نیاز برای خوشهبندی انتخاب می‌شوند. این متغیرها باید طوری انتخاب شوند که توصیف‌کننده بسیار خوب، مناسب و مرتبط با مسئله اصلی تحقیق باشند. این متغیرها می‌توانند بر اساس تحقیقات انجام شده در گذشته، فرضیه‌های مختلف یا نظر کارفرما انتخاب شوند.
اندازه‌گیری فاصله: فاصله مناسب برای تعیین شباهت یا عدم شباهت متغیرهای در نظر گرفته شده در خوشهبندی، براساس نوع داده‌ها (گسسته یا پیوسته) تعیین می‌شود. به‌طور معمول این فاصله از نوع اقلیدسی است. در واقع براساس فاصله اقلیدسی، فاصله بین دو نقطه در یک فضای چند بعدی اندازه‌گیری می‌شود.
انتخاب روش خوشهبندی: تا کنون چندین روش خوشهبندی توسعه داده شده است. خوشه‌بندی‌های مدل‌مبنا، مبتنی بر فاصله و تراکم‌مبنا از انواع خوشهبندی می‌باشد. مناسب‌ترین روش برای خوشهبندی در تحقیقات بازار باید بر اساس مسئله مطرح شده انتخاب شود.
تعیین تعداد خوشه‌ها: تعداد خوشه‌ها می‌تواند بر اساس نظر کارفرما یا مفاهیم کلی در مسئله تعیین شود. با این حال چندین روش علمی برای تعیین تعداد بهینه خوشه‌ها پیشنهاد شده است. معیار سیلهوئت، معیار GAP و معیار Elbow از جمله این روش‌ها هستند.
پیاده‌سازی الگوریتم: پس از انتخاب روش خوشهبندی و تعیین تعداد بهینه خوشه‌ها، الگوریتم مورد نظر بر داده‌ها پیاده‌سازی می‌شود.
ارزیابی خوشهبندی انجام شده: پس از پیاده‌سازی الگوریتم و تقسیم‌بندی داده‌ها به خوشه‌های مختلف لازم است عملکرد مدل بررسی شود. هرچه مدل عملکرد بهتری داشته باشد، اطمینان به صحت خوشهبندی انجام شده در تحقیقات بازار بیشتر خواهد بود. معیارهای مختلفی برای ارزیابی خوشهبندی انجام شده پیشنهاد شده است. شاخص سیلهوئت، معیار دیویس- بولدین، شاخص Rand و اطلاعات متقابل برخی از این معیارها هستند.
انواع الگوریتم‌های خوشهبندی
• سلسله مراتبی:
در این الگوریتم سلسله مراتب خوشه‌ها به یک فرمت درختی شکل توسعه داده می‌شوند. این ساختار درختی به نمودار دندروگرام معروف است.
تکنیک خوشهبندی سلسله مراتبی دو رویکرد دارد. رویکرد اول یک رویکرد از پایین به بالا است. در این روش الگوریتم با گرفتن تمام نقاط داده به‌عنوان خوشه‌های منفرد و مجزا و سپس ادغام همه آنها تا زمانی که فقط یک خوشه باقی بماند شروع می‌شود. رویکرد دوم بر خلاف حالت اول، رویکرد از بالا به پایین دارد و درواقع یک الگوریتم تقسیم معکوس و یک الگوریتم انبوهی است.
• K-میانگین:
این الگوریتم از نوع تکراری و مبتنی بر مرکز است. هدف اصلی این الگوریتم به حداقل رساندن مجموع فواصل بین نقطه داده و خوشه های مربوط به آنها است. در این روش ابتدا هر نقطه داده به‌طور تصادفی در یکی از خوشه‌ها قرار داده می‌شود. سپس با محاسبه مرکز هر خوشه، هر نقطه داده به خوشه‌ای که به مرکز آن نزدیک‌تر است اختصاص داده می‌شود. این کار انقدر ادامه می‌یابد تا زمانی که نقاط داده در همان خوشه خود قرار بگیرند و جابجایی صورت نگیرد.
• K-medoids:
بر اساس این الگوریتم هر نقطه داده به نام medoids به عنوان مرکز خوشه عمل می‌کند. یک Medoid نقطه‌ای در خوشه است که مجموع فاصله آن تا سایر نقاط داده حداقل است. این فاصله می‌تواند از نوع اقلیدسی، منهتن و یا هر نوع فاصله دیگری باشد که با توجه به نوع داده‌ها تعیین می‌شود. این الگوریتم با انتخاب K تا medoid مجموعه داده را به K خوشه تقسیم می‌کند.
PAM ، CLARA و CLARANS سه نوع الگوریتم K-medoids می‌باشند.
خوشهبندی در تحقیقات بازار
در این بخش کاربرد خوشهبندی در تحقیقات بازار را بیان می‌کنیم و به مزایای استفاده از آن می‌پردازیم.
خوشهبندی (تقسیم‌بندی) بازار و مشتریان:
گروه‌بندی مشتریان بر اساس شباهت‌ها و ویژگی‌های مشترک آنها در تقسیم‌بندی بازار و تحلیل خوشهبندی، درک و بینش جدیدی در سازمان‌ها ایجاد می‌کند. به‌علاوه به آنها کمک می‌کند تا نیازهای موجود در بخش‌های مختلف بازار را شناسایی و بررسی کرده و بر اساس این خواسته‌ها محصولات یا خدمات جدیدتری را ارائه کنند؛ و حتی رویکردهای خود را تغییر داده، حذف کرده یا رویکردهای جدیدی ارائه دهند. با توجه به این‌که امکان ارتباط با تمام مشتریان برای شرکت و سازمانی وجود ندارد؛ بنابراین شناسایی گروه‌هایی همگن از مصرف‌کنندگان سبب می‌شود در زمان و هزینه‌های سازمان صرفه‌جویی شود. در نتیجه این کار، روش‌های بازاریابی دقیق‌تری در جذب مشتری ارائه خواهد شد.
در نگاهی دیگر فرض کنید محصول جدیدی توسط یک شرکت ارائه می‌شود. در آزمایش اولیه، گروه‌های مناسب مصرف‌کنندگان برای تست این محصول می‌توانند از طریق خوشهبندی تعیین شوند.
به‌طور معمول جنسیت، سن، موقعیت جغرافیایی و درامد سالانه خانوار از جمله عوامل مهم در تقسیم‌بندی مشتریان یک سازمان در گروه‌های مختلف مصرف کنندگان می‌باشند؛ این ویژگی‌ها بر اساس اهداف سازمان در تحقیقات بازار مشخص می‌شود.
تقسیم‌بندی خریداران محصول:
تعداد دفعات خرید محصول، تناوب خرید، کانال خرید و قیمت پرداختی در هر بار خرید از سری عوامل مهم در درک و شناسایی رفتار خریداران محصول و ایجاد گروه‌های همگن از آنها برای پیشبرد برنامه‌های آتی شرکت تولید کننده محصول می‌باشد.
توسعه محصول، بازاریابی و برندسازی:
با استفاده از خوشهبندی برندها یا محصولات، بررسی جایگاه برند در بازار و شناسایی رقبا، فرصت مناسب جهت توسعه محصول جدید ایجاد می‌شود. استراتژی‌ها و پیشنهادات مختلف در راستای بازاریابی به‌طور دقیق‌تر مورد بررسی می‌گیرند و بر این اساس سازمان تعیین می‌کند تا چه اندازه محصولشان در موقعیت ایده‌آلی قرار دارد.
با وجود موارد مطرح شده می‌توان گفت خوشهبندی در تحقیقات بازار از اهمیت بالایی برخوردار است.
مزایای خوشه بندی در تحقیقات بازار
• صرفه جویی در هزینه‌های سازمان
• صرفه جویی در زمان
• شناسایی گروه‌های هدف مصرف‌کننده
• توسعه محصول
مثال‌های کاربردی خوشهبندی در تحقیقات بازار
• شرکت تولیدکننده محصولات خوراکی را در نظر بگیرید. فرض کنید این شرکت محصول جدیدی ایجاد کرده است. آنها می‌خواهند گروه هدف مصرف‌کننده این محصول را تعیین کنند. با توجه به محصولات قبلی تولیدشده و فرضیات موجود، آنها تصور می‌کنند گروه هدف این محصول جدید کودکان می‌باشند. پیش از اجرای کمپین فروش، شرکت تصمیم می‌گیرد از تحلیل خوشهبندی در تحقیقات بازار استفاده کند. بر اساس این تحقیق، آنها دریافتند علاوه بر کودکان، زنان جوان که در بازه سنی ۲۵ تا ۳۵ سال قرار دارند نیز از مصرف‌کنندگان اصلی این محصول می‌باشند.
• فرض کنید می‌خواهید یک شبکه تلویزیونی جدید راه‌اندازی کنید. در مرحله اول لازم است شما اطمینان حاصل پیدا کنید که از این شبکه به حد کافی استقبال خواهد شد. در این راستا، تحقیقات بازار به شما کمک می‌کند تا به اطلاعات دموگرافیک اولیه، مدت زمان تماشای تلویزیون در روز یا انواع محتوای مورد علاق مخاطبان دسترسی پیدا کنید. سپس از طریق خوشهبندی، گروه‌های هدف مختلف را شناسایی کنید. در نهایت، بازاریابی و تبلیغات خود را بر روی افرادی که به خدمات شما علاقه دارند برنامه‌ریزی کنید.
• خودتان را صاحب کسب و کاری تصور کنید که خدمات نظافت یا تعمیرات خانه را به بازار هدف کلی صاحب‌خانه‌ها ارائه می‌دهد. شما یک نظرسنجی انجام داده‌اید و بر اساس آن اطلاعاتی همچون اندازه خانوار، درآمد خانوار، خریدار اصلی خانه‌ها و فاصله خانه تا مرکز شهر را به دست آورده‌اید. به این ترتیب شما می‌توانید با استفاده از خوشهبندی در تحقیقات بازار، گروه‌های مختلف مانند خانوار کوچک و کم‌هزینه، خانوار پر جمعیت و پرهزینه و … را تقسیم‌بندی کنید. سپس با در نظر گرفتن این گروه‌ها خدمات مختلف را ارائه دهید.
جمع‌بندی
در این مقاله الگوریتم خوشهبندی و روش کار آن به‌عنوان یک تکنیک یادگیری ماشین ارائه و ارتباط آن با تحقیقات بازار شرح داده شد. با استفاده از خوشهبندی در تحقیقات بازار می‌توان گروه‌های هدف یک محصول یا خدمات شرکت را شناسایی کرد. این عمل به بهینه‌سازی کمپین‌های تبلیغاتی یا فروش سازمان‌ها کمک کرده و خطر ضرر و زیان را به حداقل کاهش می‌دهد.
شرکت راهبر بازار با استفاده از تکنیک خوشهبندی بر عادات خرید و مصرف محصولات تمرکز داشته و در پیشبرد اهداف تحقیقاتی سازمان‌ها همراه می‌باشد.
