Retail Customer Segmentation Using Machine Learning-Based Clustering Techniques
本論文は、英国の顧客4,338人のRFMデータセットにK-meansクラスタリングを適用することで、手法的な限界と倫理的検討事項を批判的に検証しつつ、小売取引データを実行可能な洞察へと変換するという課題に取り組むものである。
原論文は CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。 免責事項の全文を読む
現代の小売業における、あの広大で、うなりを上げる倉庫の中で、静かな革命が起きている。それは新しい機械によるものではなく、その扉をくぐる人々に対する、より深い理解によるものである。何十年もの間、企業は単純なパラドックスに苦しんできた。すなわち、あらゆる購入に関する膨大なデータを保有していながら、顧客一人ひとりを、あたかも全く同じ人間であるかのように扱ってしまうという問題である。ある店が、年に一度だけ商品を購入する人と、毎週買い物に来る人に対して、全く同じチラシを送ってしまうことがあり、そこでは、人々の実際の行動における微妙だが極めて重要な違いが見落とされている。これを解決するために、研究者たちは「クラスタリング」と呼ばれる分類手法に目を向けた。これは本質的に、データに自ら語らせる方法である。顧客を年齢や居住地に基づいて既成の枠に押し込めるのではなく、このアプローチでは、3つの特定の行動、すなわち「最後に購入してからどれくらい経過したか（最新性）」、「どのくらいの頻度で戻ってくるか（頻度）」、「いくら使ったか（金額）」に着目する。似たような行動をとる人々をグループ化することで、小売業者は推測をやめ、理解へと踏み出すことができる。つまり、顧客の実際の習慣に合わせて、提供するオファーを調整できるのである。
インドのサンジヴァニ大学の研究者であるパワン・フィムパレ氏による最近の研究は、イギリスの大手オンライン小売業者からの実世界のデータセットを用いて、この理論を検証している。研究者は、2010年から2011年の間に販売されたすべてのアイテムを記録した、数字の混沌とした流れである50万件以上の個別の取引ログから始めた。最初の課題は、この生の素材を整理することであった。データにはエラーや返品、そして購入者の身元が不明なエントリーが多く含まれていたため、研究者はリストを慎重にフィルタリングし、既知の顧客による明確かつ完了した購入を表さないものはすべて取り除いた。このプロセスによって、膨大なログは、計算された購買履歴を持つ4,338人のユニークな顧客による、クリーンで構造化されたリストへと絞り込まれた。
クリーンなデータセットを手にした研究者は、「K-means法」として知られる機械学習技術を適用した。さまざまな身長や体重の人々が集まった部屋を想像してほしい。もし彼らに、隣の人と最も似ている人に基づいてグループを作るよう頼んだら、彼らは自然にクラスターを形成するだろう。コンピュータも同様のことを、数字を使って行った。コンピュータは、最新性、頻度、金額という3つの主要な行動を分析し、4,338人の顧客を明確なグループに分割する最善の方法を見つけ出そうとした。目標は、各グループ内の人々が互いに非常に似通っており、かつ他のグループの人々とは大きく異なるような、グループの数を見つけることだった。研究者は、データの分割の質を測定するために設計された数学的ツールを用いて、それぞれの分割がどれほどうまく機能しているかを確認しながら、データを分割する多くの異なる方法をテストした。
結果は、驚くべき、かついくぶん意外なパターンを明らかにした。データは、「バーゲンハンター」、「頻繁な閲覧者」、「高級品愛好家」といった、多様なタイプの買い物客のバランスの取れた混合物へと分かれたわけではなかった。代わりに、最も効果的な分割は、わずか2つのグループという結果になった。第1のグループは膨大で、小売業者の顧客基盤の大部分を占める4,312人の顧客を含んでいた。彼らは典型的な習慣を持つ定期的な買い物客であり、時折購入し、適度な金額を支出していた。第2のグループは極めて小さく、わずか26名で構成されていた。彼らは単に「少し良い顧客」なのではない。他の誰よりも大幅に多くのお金を使い、はるかに高い頻度で買い物をする、極端な外れ値であった。実際、これら26名は他の人々とはあまりにも異なっていたため、コンピュータのアルゴリズムは彼らを完全に分離し、独自のカテゴリーとして扱ったのである。
この結果は、現実の世界でデータがどのように振る舞うかという、極めて重要な現実を浮き彫りにしている。研究によれば、これら26名の支出習慣があまりにも極端であったため、数学的な計算を支配し、グループの境界線を他の集団から引き離してしまった。この手法は、これら高価値の外れ値を特定することには成功したが、研究者は、この結果がデータの特定の性質に強く影響されていると指摘した。データセットはほぼ全面的にイギリスの顧客で構成されていたため、見出されたパターンは他の国の買い物客には当てはまらない可能性がある。さらに、データのクリーニングの過程で、ログインしていないゲストからの取引などの多くが除外されており、それが平均的な顧客の姿を歪めてしまった可能性がある。
本研究は、機械学習は隠れたパターンを見つけ出す強力なツールではあるものの、自動的に完璧なマーケティングリストを生み出す魔法の杖ではない、と結論づけている。分析によれば、この特定のデータセットにおける最も明白な分割は、多様な顧客タイプの微細なスペクトラムではなく、平均的な買い物客と一握りの超高額支出者との間の境界であった。研究者は、これらの知見は探索的なものであり、重要な注意点が付随することを強調している。グループ間の極端な不均衡は、アルゴリズムが多様な人間の行動という自然でバランスの取れた多様性ではなく、いくつかの非常に大きな数値に反応したことを示唆している。企業がこれらのグループを実際の意思決定に利用する前に、極端な支出データをどのように扱うかを調整したり、より多様な範囲の顧客から情報を収集したりするなど、これらのバイアスを考慮する必要があるだろう。結局のところ、この研究は、あらゆるアルゴリズムの背後には、どのデータを保持し、どのデータを捨てるかという選択が存在しており、その選択がデータの語る物語を形作るものであるということを、改めて思い出させてくれるものである。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。