Retail Customer Segmentation Using Machine Learning-Based Clustering Techniques
यह शोध पत्र 4,338 यूके ग्राहकों के RFM-आधारित डेटासेट पर K-Means क्लस्टरिंग लागू करके खुदरा लेनदेन डेटा को कार्रवाई योग्य अंतर्दृष्टि में बदलने की चुनौती को संबोधित करता है, जो पद्धतिगत सीमाओं और नैतिक विचारों का आलोचनात्मक परीक्षण करते हुए दो विशिष्ट खंडों को प्रकट करता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
आधुनिक खुदरा व्यापार के विशाल, गूँजते हुए गोदामों में, एक शांत क्रांति हो रही है, जो नई मशीनरी से नहीं, बल्कि उन लोगों की गहरी समझ से संचालित है जो इन दरवाजों से होकर गुजरते हैं। दशकों से, व्यवसाय एक सरल विरोधाभास से जूझ रहे हैं: उनके पास हर खरीदारी के बारे में डेटा का पहाड़ है, फिर भी वे अक्सर हर ग्राहक के साथ ऐसा व्यवहार करते हैं जैसे कि वे बिल्कुल एक समान हों। एक स्टोर उसी व्यक्ति को एक ही फ्लायर भेज सकता है जो साल में एक बार केवल एक वस्तु खरीदता है, और उस व्यक्ति को भी जो हर हफ्ते खरीदारी करता है, जिससे लोगों के वास्तविक व्यवहार में मौजूद सूक्ष्म लेकिन महत्वपूर्ण अंतर छूट जाते हैं। इसे हल करने के लिए, शोधकर्ताओं ने 'क्लस्टरिंग' नामक छंटनी की एक विधि की ओर रुख किया है, जो अनिवार्य रूप से डेटा को स्वयं बोलने देने का एक तरीका है। ग्राहकों को उम्र या स्थान के आधार पर पहले से बने बक्सों में जबरन डालने के बजाय, यह दृष्टिकोण तीन विशिष्ट व्यवहारों को देखता है: किसी व्यक्ति ने कितनी हाल ही में कुछ खरीदा है, वे कितनी बार वापस आते हैं, और वे कितना पैसा खर्च करते हैं। लोगों को एक जैसे व्यवहार करने वालों के समूहों में बांटकर, खुदरा विक्रेता अनुमान लगाना बंद कर सकते हैं और समझना शुरू कर सकते हैं, जिससे वे अपने प्रस्तावों को उन लोगों की वास्तविक आदतों के अनुरूप ढाल सकें जिनकी वे सेवा करते हैं।
संजिवनी यूनिवर्सिटी, भारत के एक शोधकर्ता पवन फिमपले द्वारा किया गया एक हालिया अध्ययन, यूनाइटेड किंगडम के एक बड़े ऑनलाइन रिटेलर के वास्तविक दुनिया के डेटासेट का उपयोग करके इस सिद्धांत का परीक्षण करता है। शोधकर्ता ने 2010 और 2011 के बीच बेची गई प्रत्येक वस्तु को रिकॉर्ड करने वाले नंबरों के एक अराजक प्रवाह, यानी पांच लाख से अधिक व्यक्तिगत लेनदेन के विशाल लॉग से शुरुआत की। पहली चुनौती इस कच्चे माल को समझ में लाना था। डेटा में त्रुटियां, रिटर्न और कई ऐसे प्रविष्टियाँ थीं जहाँ खरीदार की पहचान गायब थी, इसलिए शोधकर्ता ने सूची को सावधानीपूर्वक फ़िल्टर किया, ऐसी किसी भी चीज़ को हटा दिया जो किसी ज्ञात ग्राहक द्वारा की गई स्पष्ट, पूर्ण खरीदारी का प्रतिनिधित्व नहीं करती थी। इस प्रक्रिया ने उस विशाल लॉग को 4,338 अद्वितीय ग्राहकों की एक स्वच्छ, संरचित सूची में बदल दिया, जिनमें से प्रत्येक का खरीदारी के इतिहास की गणना की गई थी।
एक स्वच्छ डेटासेट हाथ में होने के बाद, शोधकर्ता ने 'के-मीन्स क्लस्टरिंग' (K-Means clustering) नामक एक मशीन लर्निंग तकनीक लागू की। कल्पना कीजिए कि अलग-अलग ऊंचाइयों और वजन वाले लोगों से भरा एक कमरा है; यदि आप उनसे अपने पड़ोसियों के दिखने में सबसे समान होने के आधार पर समूह बनाने के लिए कहें, तो वे स्वाभाविक रूप से क्लस्टर बना लेंगे। कंप्यूटर ने कुछ ऐसा ही किया, लेकिन नंबरों के साथ। इसने तीन प्रमुख व्यवहारों—हालियाता (recency), आवृत्ति (frequency) और मौद्रिक मूल्य (monetary value)—को देखा और 4,338 ग्राहकों को अलग-अलग समूहों में विभाजित करने का सबसे अच्छा तरीका खोजने का प्रयास किया। लक्ष्य समूहों की ऐसी संख्या खोजना था जहाँ प्रत्येक समूह के भीतर के लोग एक-दूसरे के बहुत समान हों, लेकिन दूसरे समूहों के लोगों से बहुत भिन्न हों। शोधकर्ता ने डेटा को विभाजित करने के कई अलग-अलग तरीकों का परीक्षण किया, और यह जांचने के लिए गणितीय उपकरणों का उपयोग किया कि प्रत्येक विभाजन कितनी अच्छी तरह से समूहों को एक साथ रखता है।
परिणामों ने एक चौंकाने वाला और कुछ हद तक आश्चर्यजनक पैटर्न का खुलासा किया। डेटा "बार्गेन हंटर्स" (सस्ते सामान खोजने वाले), "फ्रीक्वेंट ब्राउज़र्स" (अक्सर देखने वाले) और "लक्जरी बायर्स" (विलासिता के खरीदार) जैसे विभिन्न प्रकार के खरीदारों के संतुलित मिश्रण में नहीं बंटा। इसके बजाय, सबसे प्रभावी विभाजन से केवल दो समूह प्राप्त हुए। पहला समूह विशाल था, जिसमें 4,338 ग्राहक शामिल थे जो रिटेलर के आधार का एक बड़ा हिस्सा थे। ये सामान्य खरीदारी करने वाले थे जिनके आदतें औसत थीं, जो कभी-कभार खरीदारी करते थे और मध्यम मात्रा में खर्च करते थे। दूसरा समूह बहुत छोटा था, जिसमें केवल 26 व्यक्ति शामिल थे। ये केवल थोड़े बेहतर ग्राहक नहीं थे; वे अत्यधिक आउटलेयर्स (outliers) थे जिन्होंने अन्य किसी भी व्यक्ति की तुलना में काफी अधिक पैसा खर्च किया और बहुत अधिक बार खरीदारी की। वास्तव में, ये 26 लोग इतने अलग थे कि कंप्यूटर एल्गोरिदम ने उन्हें पूरी तरह से अलग कर दिया, और उन्हें अपने आप में एक विशिष्ट श्रेणी के रूप में माना।
यह परिणाम इस बात पर प्रकाश डालता है कि वास्तविक दुनिया में डेटा कैसे व्यवहार करता है। अध्ययन में पाया गया कि इन 26 व्यक्तियों की खर्च करने की आदतें इतनी चरम थीं कि उन्होंने गणितीय गणना पर प्रभुत्व जमा लिया, जिससे समूह की सीमा प्रभावी रूप से शेष जनसंख्या से दूर खिंच गई। हालांकि इस पद्धति ने उच्च-मूल्य वाले आउटलेयर्स की सफलतापूर्वक पहचान की, लेकिन शोधकर्ता ने उल्लेख किया कि यह परिणाम डेटा की विशिष्ट प्रकृति से अत्यधिक प्रभावित था। डेटासेट लगभग पूरी तरह से यूनाइटेड किंगडम के ग्राहकों से बना था, जिसका अर्थ है कि पाए गए पैटर्न अन्य देशों के खरीदारों पर लागू नहीं हो सकते हैं। इसके अलावा, जिस तरह से डेटा को साफ किया गया था, उसमें कई लेनदेन, जैसे कि मेहमानों (guests) के लेनदेन जिन्होंने लॉग इन नहीं किया था, को बाहर कर दिया गया था, जिससे औसत ग्राहक की तस्वीर बिगड़ी हो सकती थी।
अध्ययन यह निष्कर्ष निकालता है कि हालांकि मशीन लर्निंग ग्राहक व्यवहार में छिपे हुए पैटर्न खोजने के लिए एक शक्तिशाली उपकरण है, लेकिन यह कोई जादुई छड़ी नहीं है जो स्वचालित रूप से पूर्ण मार्केटिंग सूचियाँ तैयार कर देती है। विश्लेषण ने दिखाया कि इस विशिष्ट डेटासेट में सबसे स्पष्ट विभाजन औसत खरीदार और कुछ 'सुपर-स्पेंडर्स' (अत्यधिक खर्च करने वाले) के बीच था, न कि विभिन्न ग्राहक प्रकारों के एक सूक्ष्म स्पेक्ट्रम के बीच। शोधकर्ता इस बात पर जोर देते हैं कि ये निष्कर्ष खोजपूर्ण (exploratory) हैं और इनके साथ महत्वपूर्ण चेतावनियाँ भी जुड़ी हैं। समूहों में अत्यधिक असंतुलन यह सुझाव देता है कि एल्गोरिदम कुछ बहुत बड़ी संख्याओं की प्रतिक्रिया दे रहा था, न कि मानव व्यवहार की एक प्राकृतिक, संतुलित विविधता की। इससे पहले कि कोई व्यवसाय इन समूहों का उपयोग वास्तविक निर्णय लेने के लिए कर सके, उन्हें इन पूर्वाग्रहों को ध्यान में रखना होगा, शायद अत्यधिक खर्च के डेटा को संभालने के तरीके को समायोजित करके या ग्राहकों की अधिक विविध श्रेणी से जानकारी एकत्र करके। अंततः, यह कार्य एक अनुस्मारक के रूप में कार्य करता है कि हर एल्गोरिदम के पीछे डेटा को रखने और उसे फेंक देने के बारे में निर्णयों का एक सेट होता है, और वे चुनाव ही उस कहानी को आकार देते हैं जो डेटा सुनाता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।