Кластерный анализ в маркетинге

Биологи классифицируют животных по видам и отрядам. Специалисты по маркетингу сортируют ключевые слова по частотности. Трейдеры группируют биржевые активы по ценам, доходности, волатильности. Между этими процессами есть кое-что общее: подход к работе с информацией.

Термин произошёл от английского cluster analysis и впервые появился в научной литературе в 1939 году в монографии американского психолога Роберта Трайона. Сегодня кластерные модели применяются не только в психологии, но и в других областях:

• медицине;
• археологии;
• социологии;
• программировании;
• экономике.

В бизнесе кластерный анализ используют при финансовом прогнозировании, исследованиях рынка, составлении стратегии продаж. Широкое применение метод получил и в маркетинге.

Метод кластерного анализа в маркетинге

Метод подходит для обработки любых массивов данных. Примеры:

• клиентская база;
• статистика продаж;
• товарная матрица;
• рекламные объявления;
• отзывы пользователей;
• конкуренты.

В маркетинге кластерный анализ в основном применяют к клиентской базе. Все покупатели группируются по определённым признакам, например:

• возраст;
• поведение;
• регион;
• интересы;
• количество покупок;
• средний чек;
• уровень дохода;
• лояльность к компании.

В результате получаются кластеры — сегменты аудитории. У всех клиентов, входящих в один кластер, есть хотя бы одна общая черта. Далее можно адресно работать с каждым сегментом:

• составить подходящую маркетинговую коммуникацию;
• предлагать товары исходя из интересов аудитории, входящей в кластер;
• размещать рекламу на тех площадках, которые посещает данная аудитория.

Таким образом, кластеризация позволяет найти подход к каждой группе клиентов, что делает маркетинг более эффективным.

Как работает кластеризация

Принципы разделения на группы могут быть любыми. Кластерный анализ является многомерным, то есть в исследовании участвует несколько факторов.

Например, вы сегментируете клиентскую базу одновременно по трём признакам:

• пол;
• семейное положение;
• возраст.

Вы заранее не знаете, сколько кластеров получите после сегментации. Это зависит от характеристик ваших клиентов и меры сходства по каждому признаку.

Мера межпредметного сходства в кластерном анализе — это разброс значений в рамках одного кластера. Рамки нужно определить заранее.

По некоторым критериям рамки очевидны. Например, при кластеризации по половому признаку понятно, к какой группе нужно отнести каждого клиента.

Алгоритм сегментации по семейному положению тоже не вызывает вопросов. Нужно распределить покупателей по заранее выбранным группам, например:

• «В браке или отношениях»;
• «Семья с одним ребёнком»;
• «Семья с двумя и более детьми»;
• «Не в отношениях»;
• «Неизвестно», если в базе не указан семейный статус.

Сложности возникают при обработке возраста. Если одному клиенту 40 лет, а второму 44, их поместить в одну кластерную группу или разные? Как поступать, если разница в возрасте составляет несколько дней: например, первому 39 лет, а второму 40? Отнести таких клиентов в один кластер или разделить?

Чтобы ответить на эти вопросы, нужно задать точные возрастные группы, например:

• до 29 лет;
• от 30 до 39;
• от 40 до 49;
• от 50 и старше.

Теперь правила деления клиентов по возрасту более понятны. При этом всё равно остаются спорные ситуации, когда клиент находится на границе двух кластеров. Например, на момент проведения анализа покупателю 39 лет, но через неделю исполнится 40. В этом случае выбор кластера может быть субъективным: вы принимаете решение сами исходя из опыта, стратегии маркетинга и внешних факторов, не участвующих в аналитике.

Кластерные алгоритмы

В зависимости от типа данных и выбранных принципов сегментации используются разные методы кластеризации:

• алгоритмы иерархической кластеризации:
  • нисходящие — объекты помещают в одну большую группу, а затем поэтапно дробят на меньшие кластеры;
  • восходящие — каждый объект принимают за один кластер, а затем по заданным признакам объединяют кластеры в более крупные.
• графовые алгоритмы — сегментация объектов на основании теории графов;
• алгоритмы квадратичной ошибки, в частности, метод k-средних;
• нечёткие алгоритмы, в частности, разновидность метода k-средних — метод c-средних.

Один из популярных алгоритмов в маркетинге — метод k-средних, который строит заданное число кластеров, максимально непохожих друг на друга. Как это работает:

• вы задаёте количество кластеров, которые нужно получить на выходе;
• алгоритм случайно выбирает точки и принимает их за кластеры;
• относит каждый объект к ближайшему кластеру;
• затем последовательно уточняет сегментацию и перемещает объекты в более подходящие группы.

В основе работы алгоритма — расчёты среднеквадратической ошибки разбиения по математической формуле. Как правило, для этого используются специальные программы.

Вручную можно провести простую кластеризацию: например, поделить клиентскую базу в Excel по полу, затем по возрасту и региону. Полученные кластеры можно делить далее на подкластеры: по сумме чека, товарам или другим критериям.

Зачем проводить кластерный анализ

Из всего сказанного выше может показаться, что кластеризация — слишком сложный инструмент аналитики и применять её в маркетинге нецелесообразно. Однако на практике даже ручная сегментация позволяет систематизировать собранную информацию и заметить основные закономерности.

Пример: интернет-магазин рассортировал клиентов по среднему чеку и получил три условные группы:

• низкий чек;
• средний чек;
• высокий чек.

Далее применяются ещё три критерия кластеризации:

• возраст;
• пол;
• регион.

Затем специалист по маркетингу сопоставляет результаты и смотрит пересечения кластеров по возрасту, полу и геолокации с группами по среднему чеку. Так можно увидеть связь между социально-демографическими характеристиками и покупательной способностью клиентов. Эти данные используются в таргетированной рекламе, email-рассылках и других инструментах продвижения.

Часто кластерный анализ выступает в роли подготовительного этапа для других методов исследования данных. А использование специальных аналитических систем делает процедуру кластеризации полностью автоматизированной. Маркетолог загружает данные, настраивает параметры оценки и получает готовые кластеры для дальнейшего исследования.

Как провести кластерный анализ

Алгоритм состоит из четырёх этапов:

1. Формирование базы объектов.
2. Определение критериев сегментации.
3. Подготовка данных.
4. Выбор инструмента и проведение кластеризации.

Разберём действия на каждом этапе подробнее.

Соберите данные

Выберите объект, то есть определите, что именно будете исследовать:

• клиентов;
• эффективность рекламы и маркетинга;
• продажи;
• работу торговых точек;
• конкурентов.

Определите, какие данные нужны для этого исследования, и при необходимости пополните базу.

Например, если анализируете клиентов, то посмотрите, какая статистика уже есть и какой информации не хватает. Затем используйте сервисы для быстрого сбора клиентских данных.

Один из способов быстро пополнить базу — провести опрос. Для этого можно запустить чат-бот, который задаёт вопросы вашим клиентам и отправляет данные в CRM или другое хранилище.

Собирать данные для кластерного анализа с помощью чат-бота можно по следующему алгоритму:

• составьте список вопросов, которые нужно задать клиентам;
• создайте бот в конструкторе;
• подключите бот к Telegram-каналу, на сайте или другой площадке;
• сделайте рассылку по клиентской базе с предложением пройти опрос в чат-боте;
• чтобы пользователи активнее участвовали в опросе, предложите бонус: например, промокод на следующий заказ;
• клиенты переходят в бот и отвечают на вопросы;
• в конце диалога бот отправляет в чат обещанный промокод.

В результате вы решаете две задачи маркетинга:

• вовлечение клиентов в коммуникацию с брендом;
• пополнение базы для аналитики.

Если ваша аудитория предпочитает общение по телефону, можно проводить голосовые опросы с помощью виртуальных ассистентов. Алгоритм сбора данных похож на работу с чат-ботом:

• создаёте голосовой помощник;
• настраиваете интеграцию с базой;
• запускаете голосовой обзвон.

Если объект исследования — индекс удовлетворённости клиентов (CSI), то можно собирать данные без прямых опросов. Для этого нужно подключить систему аналитики звонков SaluteSpeech Insights. Технология распознавания речи позволяет отслеживать эмоции клиентов и операторов по более чем 340 речевым характеристикам. В результате система автоматически прогнозирует уровень CSI и классифицирует диалоги как негативные, нейтральные и позитивные.

SaluteSpeech Insights помогает выполнить несколько задач:

• автоматически собрать базу для кластерного анализа;
• оперативно выявлять негативные ситуации и решать проблемы с недовольными клиентами.

Выберите критерии анализа

Определите, по каким параметрам нужно сегментировать данные. Пример: сеть магазинов применяет кластеризацию для составления ассортимента товаров в торговых точках. Объектами сегментации являются магазины, а критериями могут быть следующие параметры:

• географическое положение торговой точки;
• объём продаж каждого вида продукции в торговой точке;
• средний чек по каждому виду продукции.

Такой анализ покажет связь между расположением магазина и спросом на разные товары. Можно увидеть, какие продукты больше покупают в магазинах за чертой города, а какие — у метро, в центре, спальных районах. Станет понятно, что и в каком объёме нужно поставлять в каждую торговую точку. Таким образом, кластеризация помогает разработать таргетированный ассортимент, оптимизировать логистику и вести более направленный маркетинг.

При работе с клиентской базой можно выбрать такие критерии:

• доход клиента;
• частота заказов;
• часто заказываемые продукты;
• сумма заказа;
• уровень удовлетворённости по отзывам.

После выбора критериев нужно определить степень похожести объектов, то есть меру межпредметного сходства. Задайте диапазон значений для каждого кластера.

Например, при сегментации аудитории по уровню дохода можно выделить три группы:

• низкий — до 25 000 ₽;
• высокий — более 150 000 ₽;
• средний — от 25 000 до 150 000 ₽.

Суммы указаны для примера, конкретные значения нужно назначить исходя из особенностей бизнеса и целевой аудитории.

Подготовьте данные

Переведите все объекты в скалярные величины:

• логические значения "Да"/"Нет";
• числовые значения (суммы, проценты в единой системе измерения);
• кодовые обозначения текстовых величин (например, коды регионов вместо названий городов).

Выберите инструмент

Можно использовать аналитические системы с возможностями кластеризации. В маркетинге популярны сервисы Key Collector, Serpstat, Rush Analytics, в бизнес-аналитике — Tableau.

Для кластеризации небольшой базы по двум — трём параметрам подходят онлайн-таблицы или Excel. Для создания кастомизированных решений любой сложности используется программный метод. Например, для реализации алгоритма графов или квадратичной ошибки можно создать код на Python вручную или с помощью нейросети GigaChat.