IoT technology for e-commerce customer information segmentation

ऑनलाइन शॉपिंग की हलचल भरी दुनिया में, एक व्यापारी एक ऐसी चुनौती का सामना कर रहा है जो वाणिज्य जितनी ही पुरानी है: अपना मानसिक संतुलन खोए बिना हर ग्राहक के साथ एक व्यक्ति के रूप में व्यवहार कैसे किया जाए। अतीत में, एक दुकानदार अपने नियमित ग्राहकों को नाम और चेहरे से जानता था। आज, एक डिजिटल स्टोर लाखों लोगों की सेवा कर सकता है, जिनमें से अधिकांश केवल एक यूजरनेम और शिपिंग पते की दूरी पर हैं। जीवित रहने के लिए, इन व्यवसायों को अपने ग्राहकों को समूहों में बांटना होगा, यह समझना होगा कि कौन सबसे अधिक लाभ लाता है और किसे थोड़े अतिरिक्त ध्यान की आवश्यकता है। यही ग्राहक विभाजन (कस्टमर सेगमेंटेशन) की कला है। पारंपरिक रूप से, व्यवसाय किसी खरीदार के मूल्य का आकलन करने के लिए तीन सरल चीजों को देखते रहे हैं: उन्होंने हाल ही में क्या खरीदा, वे कितनी बार खरीदते हैं, और वे कितना पैसा खर्च करते हैं। तथ्यों का यह त्रय ग्राहक की आदतों का एक बुनियादी मानचित्र बनाता है। हालांकि, केवल इन संख्याओं को जोड़ने से अक्सर वास्तविक व्यवहार की सूक्ष्मता छूट जाती है। एक ग्राहक जो बहुत खर्च करता है लेकिन शायद ही कभी आता है, वह उस ग्राहक से अलग हो सकता है जो प्रतिदिन आता है लेकिन बहुत कम खर्च करता है। प्रश्न बना हुआ है: एक खरीदार के वास्तविक मूल्य को देखने के लिए हम इन कारकों को निष्पक्ष रूप से कैसे तौलें?

हेनानन पॉलिटेक्निक इंस्टीट्यूट के एक शोधकर्ता ने ऑनलाइन व्यापारियों द्वारा अपने डेटा का विश्लेषण करने के तरीके को परिष्कृत करके इस प्रश्न का उत्तर देने का प्रयास किया। यह अनुमान लगाने के बजाय कि तीनों कारकों में से—हालियापन (रेसेन्सी), आवृत्ति (फ्रीक्वेंसी), या खर्च—में से कौन सा सबसे महत्वपूर्ण है, शोधकर्ता ने डेटा को स्वयं बोलने देने के लिए 'एन्ट्रॉपी वेट मेथड' नामक एक गणितीय दृष्टिकोण का उपयोग किया। यह तकनीक प्रत्येक कारक के महत्व की गणना इस आधार पर करती है कि डेटा में कितना अंतर है, यह सुनिश्चित करते हुए कि अंतिम स्कोर बिक्री रिकॉर्ड में वास्तविक पैटर्न को दर्शाता है, न कि किसी पूर्व-निर्धारित राय को। अध्ययन ने पिंडाडुओ (Pinduoduo) प्लेटफॉर्म पर कुकीज़ और केक बेचने वाले एक विशिष्ट व्यापारी पर ध्यान केंद्रित किया, जिसमें अगस्त 2019 से जनवरी 2020 तक के 32,000 से अधिक खरीद रिकॉर्ड की जांच की गई। अमान्य ऑर्डर को हटाने के लिए डेटा को साफ करने और शिपिंग पते के आधार पर ग्राहकों की पहचान करने के बाद, शोधकर्ता ने प्रत्येक खरीदार का मूल्यांकन करने के लिए इस नई स्कोरिंग प्रणाली को लागू किया।

एक बार जब शोधकर्ता ने ग्राहकों को स्कोर कर दिया, तो उन्होंने उन्हें समूहित करने के लिए एक क्लस्टरिंग टूल का उपयोग किया। कल्पना कीजिए कि मिश्रित पत्थरों के ढेर को केवल रंग या आकार के आधार पर नहीं, बल्कि उन प्राकृतिक समूहों को खोजने के आधार पर छाँटना जहाँ समान वजन और बनावट के पत्थर स्वाभाविक रूप से एक साथ बैठते हैं। कंप्यूटर ने दो से आठ तक के विभिन्न समूहों का परीक्षण किया, और उस व्यवस्था को चुना जिसने सबसे विशिष्ट और स्पष्ट श्रेणियां बनाईं। परिणाम चार अलग-अलग प्रकार के खरीदारों का एक मानचित्र था। पहला समूह, जो लगभग 27 प्रतिशत ग्राहकों का था, कम मूल्य वाले खरीदार थे: उन्होंने हाल ही में कुछ नहीं खरीदा था, वे विरल रूप से खरीदारी करते थे, और बहुत कम खर्च करते थे। दूसरा समूह, जो लगभग 23 प्रतिशत का प्रतिनिधित्व करता था, वे ग्राहक थे जिन्होंने अतीत में अच्छी राशि खर्च की थी और अक्सर खरीदारी की थी लेकिन हाल ही में शांत हो गए थे; ये वे खरीदार थे जिन्हें व्यापारी को वापस जीतने की आवश्यकता थी। तीसरा समूह, एक अन्य 27 प्रतिशत, हाल के खरीदार थे जो अभी भी स्टोर को एक्सप्लोर कर रहे थे लेकिन अभी तक उच्च खर्च या बार-बार आने के लिए प्रतिबद्ध नहीं हुए थे। अंत में, चौथा समूह, जो कुल का लगभग 22.5 प्रतिशत था, उच्च-मूल्य वाले ग्राहक थे: उन्होंने हाल ही में खरीदारी की, अक्सर खरीदारी की, और सबसे अधिक पैसा खर्च किया।

जब शोधकर्ता ने इस नए तरीके की तुलना ग्राहकों को स्कोर करने के पारंपरिक तरीके से की, तो अंतर स्पष्ट था। पारंपरिक दृष्टिकोण, जो अक्सर विशेषज्ञों द्वारा तय किए गए निश्चित भार (वेट्स) पर निर्भर करता है, अक्सर सबसे मूल्यवान खरीदारों को कुल का एक छोटा सा हिस्सा बनाने की प्रवृत्ति रखता था, जिसमें केवल 0.8 प्रतिशत को ही उच्च-मूल्य वाला पहचाना गया था। इसके विपरीत, नए तरीके ने, जिसने भार निर्धारित करने के लिए डेटा को निर्णय लेने दिया, उच्च-मूल्य वाले ग्राहकों के एक बहुत बड़े और अधिक यथार्थवादी समूह की पहचान की, जो इस प्रसिद्ध व्यावसायिक अवलोकन के करीब है कि ग्राहकों का एक छोटा हिस्सा अधिकांश लाभ उत्पन्न करता है। नए मॉडल ने दिखाया कि समूह एक-दूसरे से अधिक विशिष्ट थे, जिसका अर्थ है कि व्यापारी अब ग्राहक प्रकारों के बीच के अंतर को अधिक स्पष्टता से देख सकता था। यह सुझाव देता है कि हालियापन, आवृत्ति और खर्च को कितना भार देना है, यह तय करने के लिए डेटा को निर्णय लेने देकर, ऑनलाइन व्यवसाय अपने खरीदारों की अधिक सटीक प्रोफाइल बना सकते हैं। अध्ययन निष्कर्ष निकालता है कि यह दृष्टिकोण ग्राहकों को विभाजित करने का एक बेहतर तरीका प्रदान करता है, जिससे व्यापारियों को अपने सर्वश्रेष्ठ खरीदारों को खुश रखने और दूसरों को धीरे से वापस आने के लिए प्रोत्साहित करने के लिए अपनी रणनीतियों को अनुकूलित करने की अनुमति मिलती है, और यह सब वास्तव में वे कौन हैं, इसकी एक स्पष्ट तस्वीर के आधार पर होता है।