Методы кластеризации для сегментации товаров в задачах розничной аналитики
Боковая панель статьи
Основное содержимое статьи
Аннотация
Статья посвящена обзору и сравнительному анализу методов кластеризации, применяемых для сегментации товарного ассортимента в сфере розничной торговли. Актуальность исследования обусловлена необходимостью автоматизации процессов анализа больших объемов транзакционных данных и перехода от субъективных экспертных оценок к объективным моделям управления ассортиментом и ценообразованием. В работе рассматриваются классические и современные подходы к кластеризации, включая иерархические методы, алгоритмы разделения, методы на основе плотности, а также модели на основе гауссовых смесей. Особое внимание уделяется вопросам предобработки данных, выбора оптимального числа кластеров с использованием метрик оценки качества и интерпретации полученных сегментов в контексте ценовых категорий и паттернов потребительского спроса. Проводится сравнительная оценка методов по критериям масштабируемости, устойчивости к выбросам и интерпретируемости результатов. Результаты работы могут быть использованы при построении автоматизированных аналитических систем поддержки принятия решений в розничной торговле.
Скачивания
Информация о статье
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Библиографические ссылки
Özmen E. S. Time Series Performance and Limitations with SARIMAX: An Application with Retail Store Data //Electronic Turkish Studies. – 2021. – Т. 16. – №. 5.
Silaen B. R., Nasution M., Muti’ah R. Implementation of the ABC Analysis to the Inventory Management //International Journal of Science, Technology & Management. – 2024. – Т. 5. – №. 4. – С. 816-825.
Ruan J. et al. Time-varying price elasticity of demand estimation for demand-side smart dynamic pricing //Applied Energy. – 2022. – Т. 322. – С. 119520.
Yahya A., Kurniawan R. Implementasi Algoritma K-Means untuk Pengelompokan Data Penjualan Berdasarkan Pola Penjualan: Implementation of K-Means Algorithm for Clustering Sales Data Based on Sales Patterns //MALCOM: Indonesian Journal of Machine Learning and Computer Science. – 2025. – Т. 5. – №. 1. – С. 350-358.
Бова В. В., Кравченко Ю. А., Родзин С. И. Методы и алгоритмы кластеризации текстовых данных (обзор) //Известия ЮФУ. Технические науки. – 2022. – №. 4.
Lanza K. E. Comparison of Linkages for Hierarchical Clustering of Directed Unweighted Graph Networks. – 2024.
Xu H. C., Pham N. Scalable DBSCAN with random projections //Advances in Neural Information Processing Systems. – 2024. – Т. 37. – С. 27978-28008.
Wang F., Li L., Fränti P. Nested Gaussian mixture model: clustering data from generalized mixture distributions. – 2025.
Chicco D. et al. The silhouette coefficient and the davies-bouldin index are more informative than dunn index, calinski-harabasz index, shannon entropy, and gap statistic for unsupervised clustering internal evaluation of two convex clusters //PeerJ Computer Science. – 2025. – Т. 11. – С. e3309.