Розширена анотація українською мовою

Розвиток інформаційних технологій (ІТ) спричиняє збільшення масиву даних (Big Data), які необхідно генерувати, зберігати та обробляти для задоволення потреб споживачів. При цьому сегментація, як один із маркетингових інструментів, може сприяти розвитку торговельної діяльності організації та отриманню вигід від неї. Поряд із цим автори зазначають, що маркетологам та особам, які приймають рішення, важливо розуміти основні принципи прогнозного моделювання та аналізу Big Data з точки зору сегментації ринку. Результати дослідження свідчать, що маркетинг та ІТ поєднуються внаслідок дайджиталізації, а статистика набуває все більшого значення завдяки зростанню Big Data та можливостей інтелектуального їх аналізу. Метою даного дослідження є формування принципів поділу споживачів на відповідні сегменти, використовуючи прогнозне моделювання на основі Big Data компанії. Вихідні данні для дослідження надані небанківською кредитною установою Латвії АТ «4finance». Таким чином, у ході дослідження, процес інтелектуального аналізу даних описаний та виконаний на основі інформації, наданої вищезазначеною компанією. З метою здійснення інтелектуального аналізу даних та виокремлення сегментів клієнтів автори використали програмне середовище RapidMiner та застосовували методологію інтелектуального аналізу даних CRISP-DM. У ході дослідження для оцінки економічного ефекту від створеної моделі сегментації споживачів (11321 споживача), автори перевірили три види діяльності компанії. У ході дослідження усіх клієнтів було поділено на дві групи відповідно до створеної прогнозної моделі: перша група складається із клієнтів, які згідно прогнозам, стануть неактивними, тоді як друга група представлена клієнтами, пасивність яких не передбачалась. Окрім цього, усіх клієнтів було поділено на три групи, які містять аналогічний розподіл за очікуваним результатом. Таким чином, на основі отриманих результатів дослідження автори виявили загальні характеристики сегментації та прогнозного моделювання. На основі результатів проведеного емпіричного дослідження авторами визначено, що створення споживчих сегментів є можливим за допомогою прогнозної моделі високої складності, не використовуючи при цьому статистичних кодів програмного забезпечення. Так, результати дослідження дають підстави стверджувати, що впровадження сегментації на основі інтелектуального аналізу даних та прогнозного моделювання можуть принести економічні вигоди організації у ключових сферах її діяльності. Таким чином, створена у ході дослідження модель сегментації демонструє економічні вигоди для компанії. Автори зазначають, що даний сегментаційний підхід можна використовувати у різних сферах бізнесу. 

Ключові слова: сегментація, Big Data, прогнозна модель, дерево рішень, програмне середовище RapidMiner.

Класифікація JEL: M31, C45.

Цитувати як: Verdenhofs, A., & Tambovceva, T. (2019). Evolution of customer segmentation in the era of Big Data Marketing and Management of Innovations, 1, 238-243. https://doi.org/10.21272/mmi.2019.1-20

Ця стаття публікуються за ліцензією Creative Commons Attribution International License

Список використаних джерел

1. Adrian, C., Sidi, F., Abdullah, R., Ishak, I., Affendey, L.S., Jabar, M.A. (2016). Big data analytics implementation for value discovery: A Systematic Literature Review. Journal of Theoretical and Applied Information Technology, 93 (2), pp. 385-393. 
2. Agarwal, R. and Dhar, V., 2014. Big Data, Data Science, and Analytics: The Opportunity and Challenge for IS Research.
3. Azevedo, A.I.R.L. and Santos, M.F., 2008. KDD, SEMMA and CRISP-DM: a Parallel Overview. IADS-DM.
4. Chen, C.P. and Zhang, C.Y., 2014. Data-Intensive Applications, Challenges, Techniques and Technologies: A Survey on Big Data. Information Sciences, 275, pp.314-347.
5. France, S.L., Ghose, S. (2019). Marketing Analytics: Methods, Practice, Implementation, and Links to Other Fields. Expert Systems with Applications, 119, pp. 456-475. 
6. Goyat, S., 2011. The Basis of Market Segmentation: a Critical Review of Literature. European Journal of Business and Management, 3(9), pp.45-54.
7. Howard, J., 2012. From Predictive Modelling to Optimization: The Next Frontier. [Online] Available at: https://www.youtube.com/watch?v=vYrWTDxoeGg [Accessed 13 January 2018]
8. Kim, K.Y. and Lee, B.G., 2015. Marketing Insights for Mobile Advertising and Consumer Segmentation in the Cloud Era: AQ–R Hybrid Methodology and Practices. Technological Forecasting and Social Change, 91, pp.78-92.
9. Morabito, V. (2015). Big data and analytics: Strategic and Organizational Impacts. Springer. pp. 183.
10. Muley, P. and Joshi, A., 2015. Application of Data Mining Techniques for Customer Segmentation in Real Time Business Intelligence. International Journal of Innovative Research in Advanced Engineering (IJIRAE), 2(4), pp.106-109.
11. Nevin, J.A., 1969. Signal Detection Theory and Operant Behavior: A Review of David M. Green and John A. Swets’ Signal Detection Theory and Psychophysics. Journal of the Experimental Analysis of Behavior, 12(3), pp.475-480.
12. Quinn, L., Hines, T. and Bennison, D., 2007. Making Sense of Market Segmentation: a Fashion Retailing Case. European Journal of Marketing, 41(5/6), pp.439-465.
13. Saggi, M.K., Jain, S. (2018). A Survey Towards an Integration of Big Data Analytics to Big Insights for Value-Creation. Information Processing and Management, 54 (5), pp. 758-790.
14. Shmueli, G., 2010. To Explain or to Predict? Statistical Science, 25(3), pp.289-310.
15. Smith, W.R., 1956. Product Differentiation and Market Segmentation as Alternative Marketing Strategies. Journal of marketing, 21(1), pp. 3-8.
16. Verhoef, P.C., Kooge, E., Walk, N. (2016). Creating value with Big Data Analytics: Making Smarter Marketing Decisions. Routledge: London. pp. 338.
17. Wong, E., Wei, Y. 2018. Customer Online Shopping Experience Data Analytics: Integrated Customer Segmentation and Customised Services Prediction Model. International Journal of Retail and Distribution Management, 46(4), pp. 406-420.