Разработка методики сегментации пользователей с помощью алгоритмов кластеризации и расширенной аналитики
https://doi.org/10.26907/1562-5419-2022-25-2-137-147
Аннотация
Статья посвящена созданию эффективного решения по сегментации пользователей. Представлены анализ существующих сервисов сегментации пользователей и подходов к их сегментации (ABCDx сегментация, демографическая сегментация, сегментация на основании карты пути пользователя), а также анализ алгоритмов кластеризации (K-means, Mini-Batch K-means, DBSCAN, Agglomerative Clustering, Spectral Clustering). Исследование названных подходов нацелено на создание решения по сегментации, «гибкого» и адаптирующегося под каждую пользовательскую выборку. Также применены дисперсионный анализ (тест ANOVA) и разбор метрик кластеризации для оценки качества сегментации пользователей. С помощью указанных методов разработано эффективное решение по сегментации пользователей с использованием технологии расширенной аналитики и машинного обучения.
Об авторах
Д. А. Клинов
Казанский (Приволжский) Федеральный университет
Россия
Россия
К. А. Григорян
Казанский (Приволжский) Федеральный университет
Россия
Россия
Список литературы
1. Churin V.V. Rol' marketingovyh issledovanij v proektnoj dejatel'nosti: Uchebno-metodicheskoe posobie // Moskovskij avtomobil'no-dorozhnyj gosudarstvennyj tehnicheskij universitet (MADI). 2019. S. 1–111.
2. An J., Kwak H., Jung S., Salminen J., Jansen B. Customer segmentation us-ing online platforms: isolating behavioral and demographic segments for persona creation via aggregated user data // Social Network Analysis and Mining. 2018. P. 1–19.
3. Starkova N V. Klasterizacija stran Evropy po demograficheskim priznakam // Molodoj uchenyj. 2016. № 9 (113). S. 418–426. URL: https://moluch.ru/archive/113/28811/ (date of the application: 06.06.2022)
4. Cherezov D.S. Obzor osnovnyh metodov klassifikacii i klasteri-zacii dannyh // Vestnik Voronezhskogo gosudarstvennogo universiteta. Serija: Sistemnyj analiz i informacionnye tehnologii. 2009. №2. S. 23–27. URL: https://rucont.ru/efd/519732 (date of the application: 06.06.2022)
5. Jagabathula S., Rusmevichientong P., Venkataraman A., Zhao X. Estimating Large-Scale Tree Logit Models // NYU Stern School of Business, 2022.
6. Amigó E., Gonzalo J., Artiles J. A comparison of extrinsic clustering evaluation metrics based on formal constraints // Information Retrieval volume. 2009. No. 12. P. 461–486.
7. Topalovich N. Algoritmy klasterizacii v mashinnom obuchenii // Molodoj uchenyj. 2020. № 52 (342). S. 47–49. URL: https://moluch.ru/archive/342/77003/ (date of the application: 06.06.2022)
8. Rodriguez M.Z., Comin C.H., Casanova D., Bruno O.M., Amancio D.R., Costa L.F., Rodrigues F.A. Clustering algorithms: A comparative approach // PLoS One. 2019. No. 14. P. 15–30.
9. Bajkov I.I. Metod ansamblirovanija algoritmov klasterizacii dlja reshenija zadachi sovmestnoj klasterizacii // Sensornye sistemy. 2021. T. 35. № 1. S. 43–49.
Рецензия
Для цитирования:
Клинов Д.А., Григорян К.А. Разработка методики сегментации пользователей с помощью алгоритмов кластеризации и расширенной аналитики. Электронные библиотеки. 2022;25(2):137-147. https://doi.org/10.26907/1562-5419-2022-25-2-137-147
For citation:
Klinov D.A., Grigorian K.A. Development of a Method for User Segmentation using Clustering Algorithms and Advanced Analytics. Russian Digital Libraries Journal. 2022;25(2):137-147. (In Russ.) https://doi.org/10.26907/1562-5419-2022-25-2-137-147
Просмотров:
42
Послать статью по эл. почте 