top of page

จัดกลุ่มลูกค้าด้วย Clustering Model


Customer Segmentation by clustering model

Clustering คือ Machine Learning Model ประเภท Unsupervised ที่ไม่มี Target หรือ ไม่มีต้นแบบของผลลัพธ์ ซึ่งเป็น Model ที่เอาไว้ใช้การจัดกลุ่มจัดก้อนของข้อมูล ที่ไม่เคยมีการจัดกลุ่มก้อนมาก่อน

ตัวอย่างเช่น การจัดกลุ่มของผลิตภัณฑ์สินค้า ซึ่งอาจมีหลายคนสงสัยว่า ทำไมต้องใช้ Clustering Model ทั้งๆ ที่สินค้าก็จัดหมวดหมู่ด้วยประเภทของสินค้าได้เองอยู่แล้ว ก็ต้องบอกว่า การจัดกลุ่มด้วยการใช้ Model จะจัดกลุ่มตามพฤติกรรมที่ลูกค้ามีต่อสินค้า โดยใช้ข้อมูลการสั่งซื้อสินค้า เช่น จัดกลุ่มจากความถี่ในการซื้อ จัดกลุ่มจากปริมาณของการซื้อ เป็นต้น โดยการจัดกลุ่มแบบ Cluster ที่ได้จากข้อมูล จะทำให้สามารถแบ่งกลุ่มของผลิตภัณฑ์ตามความประสงค์ของลูกค้า ซึ่งอาจจะมีจำนวนกลุ่มน้อยกว่าการจัดกลุ่มด้วยประเภทผลิตภัณฑ์

กรณีตัวอย่าง การจัดกลุ่มลูกค้าด้วยพฤติกรรมการซื้อสินค้า ของร้าน Sephora (ร้านจำหน่ายเครื่องสำอาง สัญชาติฝรั่งเศส ที่มีจำนวนสาขากว่า 2,300 แห่ง ใน 33 ประเทศ) ซึ่งหากแยกประเภทของสินค้าจากแบรนด์ จะพบว่า Sephora ขายสินค้าเกือบ 350 แบรนด์ การจะทำการตลาดให้รองรับกลุ่มลูกค้าของแต่ละแบรนด์คงเป็นไปได้ยาก วิธีการของ Sephora คือ การจัดกลุ่มลูกค้า จากพฤติกรรมการซื้อของลูกค้าเองทำให้สามารถแบ่งกลุ่มลูกค้าออกมาได้ทั้งหมด 5 กลุ่ม ได้แก่ กลุ่ม Skincare (ผม ผิวหน้า ผิวกาย), กลุ่มตา (มาสคาร่า ที่เขียนขอบตา อายแชโดว์), กลุ่มเครื่องสำอางบริเวณหน้า (แป้ง รองพื้น คอนซิลเลอร์), กลุ่ม ลิปสติก, และน้ำหอม เมื่อได้กลุ่มของลูกค้ามาแล้ว วิธีการทำ Promotion ก็จะทำเพื่อลูกค้าแต่ละกลุ่มมากขึ้น โดยอาจมีการวิเคราะห์เชิงลึกในแต่ละกลุ่มเพิ่มเติม โดยอ้างอิงจาก DNA ของลูกค้าแต่ละคน

การจัดกลุ่มของ Sephora ไม่ใช่แค่การนำข้อมูลมาเขียนกราฟเพื่อดูแนวโน้มของกราฟ แต่เป็นการเขียนโปรแกรมขึ้นมาเพื่อสร้างกฎเกณฑ์ด้วยโครงสร้างของข้อมูลเพื่อจัดกลุ่มตามลักษณะที่ได้ในชุดข้อมูลนั้นๆ เช่น คนที่ซื้อสินค้าประเภทไหนเป็นจำนวนเท่าไหร่ต่อปี ถึงจะกลายเป็นคนกลุ่มนั้นอย่างสมบูรณ์ หรือแม้กระทั่ง คนแต่ละคนสามารถอยู่ในหลายกลุ่มได้หรือไม่ เป็นต้น

วิธีการจัดกลุ่มโดยการใช้ข้อมูลเช่นนี้ คือ การทำ Clustering Model นั่นเอง โดยประเภทของการจัดกลุ่ม แบ่งออกเป็น 2 ประเภทใหญ่ๆ ได้แก่

  • Hard Clustering หรือการกำหนดให้แต่ละชุดข้อมูล แบ่งออกเป็นกลุ่มที่แยกออกจากกันโดยสิ้นเชิง

  • Soft Clustering หรือการที่ข้อมูลมีโอกาสที่จะอยู่ในหลายๆ กลุ่มได้ ขึ้นอยู่กับความน่าจะเป็นของตัวข้อมูล

 

นอกจากใช้จัดกลุ่มตามพฤติกรรมของผู้ใช้งานแล้ว Clustering Model ยังสามารถใช้สร้าง Model ในรูปแบบอื่นๆ ได้ ดังตัวอย่างต่อไปนี้

  • การวิเคราะห์ภาพในวงการแพทย์ เพื่อแบ่งกลุ่มความผิดปกติของเซลล์ หรือข้อมูล

  • การวิเคราะห์ความหนาแน่นของ Demand ในพื้นที่

  • การวางแผนการกระจายสินค้า โดยใช้ Clustering Model เพื่อระบุตำแหน่งที่เหมาะสมในการสร้างศูนย์กระจายสินค้า หรือ Hub

  • การวิเคราะห์สถานที่ในการเปิดร้านค้า

เป็นต้น

Algorithm ที่สามารถใช้ทำ Clustering Model ได้ ได้แก่ K-Means. Fuzzy-C-Means, Hierarchical Clustering ซึ่ง Algorithm แต่ละประเภท จะมีข้อดีข้อเสียที่แตกต่างกัน

 

การใช้ Data Model เพื่อเป็นตัวช่วยในการตัดสินใจ เป็นแนวทางการดำเนินธุรกิจแบบ Data Driven Business มีประโยชน์เพื่อช่วยให้การตัดสินใจดำเนินงานใดๆ ก็ตาม จะเป็นไปด้วยเหตุและผล ที่มีรูปแบบที่ชัดเจนมากขึ้น มีความแม่นยำ และวัดผลได้ ที่สำคัญคือ หากสามารถเลือกใช้โปรแกรม หรือสร้างระบบที่อัตโนมัติได้ จะทำให้การตัดสินใจต่างๆ นั้นสะดวกรวดเร็วมากยิ่งขึ้น

ศาสตร์ด้าน Data Science หรือ การสร้าง Data Model เป็นศาสตร์ที่ใกล้ตัว ซึ่งหากสามารถนำมาประยุกต์ใช้กับแนวทางการทำงานในหน่วยงานต่างๆ ได้ ก็จะยิ่งส่งเสริมให้งานนั้นๆ เกิดขึ้นได้อย่างมีประสิทธิภาพ

เรื่อง Data เป็นเรื่องของผู้เกี่ยวข้องทุกท่าน ซึ่งไม่ยากจนเกินไป ที่จะเรียนรู้ใหม่ ไปด้วยกัน

 

แท็ก:

< Previous
Next >
bottom of page