Retail Customer Segmentation Using Machine Learning-Based Clustering Techniques
تتناول هذه الورقة تحدي تحويل بيانات معاملات التجزئة إلى رؤى قابلة للتنفيذ من خلال تطبيق خوارزمية "K-Means" للتحجيم العنقودي على مجموعة بيانات تعتمد على نموذج RFM لـ 4,338 عميلاً في المملكة المتحدة، مما يكشف عن شريحتين متميزتين مع فحص نقدي للقيود المنهجية والاعتبارات الأخلاقية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في المستودعات الشاسعة والنابضة بالحياة في قطاع التجزئة الحديث، تحدث ثورة هادئة، ليس من خلال آلات جديدة، بل من خلال فهم أعمق للأشخاص الذين يطرقون الأبواب. لعقود من الزمن، كافحت الشركات مع مفارقة بسيطة: فهي تمتلك جبالاً من البيانات حول كل عملية شراء تتم، ومع ذلك غالباً ما تعامل كل عميل كما لو كان متطابقاً تماماً مع غيره. قد ترسل متجر ما نفس المنشور الإعلاني لشخص يشتري سلعة واحدة مرة واحدة في السنة ولشخص يتسوق كل أسبوع، مما يؤدي إلى تفويت الاختلافات الدقيقة والحيوية في كيفية تصرف الناس فعلياً. ولحل هذه المعضلة، لجأ الباحثون إلى طريقة للتصنيف تسمى "التجميع" (clustering)، وهي في الأساس وسيلة لترك البيانات تتحدث عن نفسها. فبدلاً من إجبار العملاء على الدخول في قوالب جاهزة بناءً على العمر أو الموقع، ينظر هذا النهج إلى ثلاثة سلوكيات محددة: مدى حداثة آخر عملية شراء قام بها الشخص، وعدد مرات عودته، وكمية الأموال التي ينفقها. ومن خلال تجميع الأشخاص الذين يتصرفون بشكل متشابه، يمكن لتجار التجزئة التوقف عن التخمين والبدء في الفهم، وتفصيل عروضهم لتناسب العادات الفعلية للأشخاص الذين يخدمونهم.
تضع دراسة حديثة أجراها باوان فيمبالي، وهو باحث في جامعة سانجيفاني في الهند، هذه النظرية قيد الاختبار باستخدام مجموعة بيانات من الواقع لشركة تجزئة عبر الإنترنت كبيرة في المملكة المتحدة. بدأ الباحث بسجل ضخم لأكثر من نصف مليون معاملة فردية، وهو عبارة عن تدفق فوضوي من الأرقام يسجل كل قطعة بيعت بين عامي 2010 و2011. كان التحدي الأول هو استيعاب هذه المادة الخام؛ فقد احتوت البيانات على أخطاء، ومرتجعات، والعديد من المدخلات التي فُقد فيها هوية المشتري، لذا قام الباحث بتصفية القائمة بعناية، مستبعداً أي شيء لا يمثل عملية شراء واضحة ومكتملة من قبل عميل معروف. هذه العملية قلصت السجل الضخم إلى قائمة منظمة ونظيفة تضم 4,338 عميلاً فريداً، لكل منهم تاريخ محسوب لسلوكيات التسوق الخاصة به.
بعد الحصول على مجموعة بيانات نظيفة، طبق الباحث تقنية تعلم آلي تُعرف باسم "K-Means clustering". تخيل غرفة مليئة بأشخاص من أطوال وأوزان مختلفة؛ إذا طلبت منهم تجميع أنفسهم بناءً على من يشبه جيرانه أكثر، فسيشكلون طبيعياً مجموعات (clusters). فعل الكمبيوتر شيئاً مشابهاً، ولكن بالأرقام. فقد نظر في السلوكيات الثلاثة الرئيسية — الحداثة، والتكرار، والقيمة النقدية — وحاول إيجاد أفضل طريقة لتقسيم الـ 4,338 عميلاً إلى مجموعات متميزة. كان الهدف هو إيجاد عدد من المجموعات يكون الأشخاص داخل كل منها متشابهين جداً مع بعضهم البعض، ولكن مختلفين تماماً عن الأشخاص في المجموعات الأخرى. اختبر الباحث طرقاً عديدة لتقسيم البيانات، وفحص جودة كل تقسيم باستخدام أدوات رياضية مصممة لقياس مدى تماسك المجموعات.
كشفت النتائج عن نمط صارخ ومثير للدهشة نوعاً ما. لم تنقسم البيانات إلى مزيج متوازن من أنواع مختلفة من المتسوقين، مثل "صائدي الصفقات"، أو "المتصفحين الدائمين"، أو "مشترين السلع الفاخرة". بدلاً من ذلك، أسفر التقسيم الأكثر فعالية عن مجموعتين فقط. كانت المجموعة الأولى ضخمة، حيث ضمت 4,312 عميلاً يمثلون الغالبية العظمى من قاعدة التاجر. هؤلاء كانوا متسوقين منتظمين ذوي عادات نموذجية، يشترون من حين لآخر وينفقون مبالات معتدلة. أما المجموعة الثانية فكانت ضئيلة، وتتكون من 26 فرداً فقط. لم يكونوا مجرد عملاء أفضل قليلاً؛ بل كانوا حالات استثنائية متطرفة أنفقوا أموالاً أكثر بكثير وتسوقوا بوتيرة أكبر بكثير من أي شخص آخر. في الواقع، كان هؤلاء الـ 26 شخصاً مختلفين جداً عن البقية لدرجة أن خوارزمية الكمبيوتر فصلتهم تماماً، وعاملتهم كفئة متميزة خاصة بهم.
يسلط هذا الناتج الضوء على حقيقة حرجة حول كيفية سلوك البيانات في العالم الحقيقي. وجدت الدراسة أن عادات الإنفاق لهؤلاء الأفراد الـ 26 كانت متطرفة لدرجة أنها هيمنت على الحساب الرياضي، مما أدى فعلياً إلى سحب حدود المجموعة بعيداً عن بقية السكان. وبينما نجحت الطريقة في تحديد هؤلاء المستهلكين ذوي القيمة العالية، لاحظ الباحث أن هذه النتيجة تأثرت بشدة بالطبيعة المحددة للبيانات. فقد كانت مجموعة البيانات تتكون بالكامل تقريباً من عملاء من المملكة المتحدة، مما يعني أن الأنماط الموجودة قد لا تنطبق على المتسوقين في بلدان أخرى. علاوة على ذلك، فإن الطريقة التي تم بها تنظيف البيانات تعني أن العديد من المعاملات، مثل تلك التي تمت من قبل ضيوف لم يسجلوا دخولهم، قد استُبعدت، مما قد يؤدي إلى تحريف الصورة بالنسبة للعميل المتوسط.
تخلص الدراسة إلى أنه بينما يعد تعلم الآلة أداة قوية لاكتشاف الأنماط الخفية في سلوك العملاء، فإنه ليس عصا سحرية تنتج تلقائياً قوائم تسويقية مثالية. أظهر التحليل أن التقسيم الأكثر وضوحاً في مجموعة البيانات هذه كان بين المتسوق العادي وحفنة من كبار المنفقين، بدلاً من طيف دقيق من أنواع العملاء المختلفة. ويؤكد الباحث أن هذه النتائج استكشافية وتأتي مع تحفظات مهمة. إن عدم التوازن الشديد في المجموعات يشير إلى أن الخوارزمية كانت تتفاعل مع عدد قليل من الأرقام الكبيرة جداً بدلاً من التنوع الطبيعي والمتوازن للسلوك البشري. وقبل أن تتمكن أي شركة من استخدام هذه المجموعات لاتخاذ قرارات حقيقية، ستحتاج إلى مراعاة هذه الانحيازات، ربياً من خلال تعديل كيفية التعامل مع بيانات الإنفاق المتطرفة أو من خلال جمع معلومات من مجموعة أكثر تنوعاً من العملاء. وفي نهاية المطاف، تعمل هذه الدراسة كتذكير بأنه خلف كل خوارزمية توجد مجموعة من الخيارات حول ما يتم الاحتفاظ بالبيانات به وما يتم التخلص منه، وتلك الخيارات هي التي تشكل القصة التي ترويها البيانات.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.