Моделювання процесу сегментації клієнтів з використанням розширеного RFM аналізу для підтримки прийняття рішень у маркетингу

Журнал :
Випуск :
2 (51)
ISSN :
2617-8044
Початкова сторінка :
85
Кінцева сторінка :
97
Цитування :
[APA 7] Чорноус, Г. О., & Хижняк, А. О. (2025). Customer Segmentation Modeling via Advanced RFM Analysis for Decision-Making in Marketing. Теоретичні та прикладні питання економіки, (2 (51)), 85–97. https://doi.org/10.17721/tppe.2025.51.7
[ДСТУ] Чорноус Г. О., Хижняк А. О. Customer Segmentation Modeling via Advanced RFM Analysis for Decision-Making in Marketing. Теоретичні та прикладні питання економіки. 2025. no. 2 (51). P. 85—97. URL: https://doi.org/10.17721/tppe.2025.51.7 (date of access: 25.07.2026).
У сучасних умовах розвитку електронної комерції однією з ключових проблем є необхідність ефективної сегментації клієнтів для підвищення результативності маркетингових стратегій та забезпечення стабільності взаємовідносин із покупцями. Традиційний RFM-аналіз, що ґрунтується на показниках давності, частоти та вартості покупок, активно використовується у практиці, проте має певні обмеження, зокрема неврахування демографічних та поведінкових характеристик клієнтів, що знижує точність сегментації. Метою дослідження є розробка та перевірка ефективності удосконаленої моделі сегментації клієнтів RFMP-DOV+AIC, яка поєднує класичні параметри RFM з додатковими ознаками: різноманітність покупок, характеристики онлайн-поведінки та оцінку довгострокової цінності клієнта. Методологічну основу дослідження становлять методи економіко-математичного моделювання, статистичного аналізу, кластеризації та алгоритми машинного навчання, реалізовані у середовищі Python. Для еміпричної перевірки використано відкритий набір даних із платформи Kaggle, що містить інформацію про транзакції інтернет-магазину. У процесі дослідження здійснено попередню обробку даних, нормалізацію показників та формування ознак для моделі. На основі алгоритму K-means побудовано сегменти клієнтів, які оцінено за допомогою наступних показників: SSE, індекс Silhouette, індекс Calinski-Harabasz та індекс Davies-Bouldin. Узгоджені результати цих показників дозволяють обґрунтовано вибрати кількість кластерів, що гарантує внутрішню однорідність та відстань між кластерами. Результати підтвердили, що розширена модель забезпечує більш чітке групування клієнтів та дозволяє виокремити сегменти з урахуванням поведінкових і демографічних характеристик, що недоступно для класичного RFM-аналізу. Практичне значення отриманих результатів полягає у можливості інтеграції моделі RFMP-DOV+AIC у CRM-системи підприємств електронної комерції для оптимізації маркетингових комунікацій, зниження відтоку клієнтів та підвищення рівня їхньої лояльності. Запропонований підхід може бути використаний як у наукових дослідженнях у сфері маркетингової аналітики, так і в практичній діяльності компаній, що працюють на ринку e-commerce.
Ключові слова :
RFM-аналіз електронна комерція кластеризація маркетингова аналітика персоналізація RFM analysis e-commerce clustering marketing analytics personalization
Галузі знань та спеціальності :
11 Математика та статистика::112 Статистика
Галузі науки і техніки (FOS) :
Економіка та бізнес
Файл(и) :
Вантажиться...
Ескіз
Завантажити
Формат :

Adobe PDF

Розмір :

477.47 KB

Контрольна сума :

(MD5):911db7ab080a120bb3bb74197a01cad5

Creative Commons Attribution 4.0 International
Якщо не вказано інше, ця робота розповсюджується на умовах ліцензії Creative Commons Attribution 4.0 International