vestreaВестник Российского экономического университета имени Г. В. ПлехановаVestnik of the Plekhanov Russian University of Economics2413-28292587-9251Plekhanov Russian University of Economics10.21686/2413-2829-2022-2-176-185vestrea-1307Research ArticleЭКОНОМИКА ПРЕДПРИНИМАТЕЛЬСТВАECONOMICS OF ENTREPRENEURSHIPПрименение методов интеллектуального анализа для повышения прибыльности сетевого бизнесаUsing Methods of Intellectual Analysis to Step up Profitability of Network BusinessСавинаН. П.SavinaN. P.

Наталья Павловна Савина - кандидат экономических наук, доцент кафедры мировой экономики

117997, Москва, Стремянный пер., д. 36

Natalya P. Savina - PhD, Assistant Professor of the Department for World Economy

36 Stremyanny Lane, Moscow, 117997

Savina.NP@rea.ruГалстянН. А.GalstyanN. A.

Нарек Андраникович Галстян - аналитик данных

125315, Москва, Ленинградский проспект, д. 70

Narek A. Galstyan - Data analyst

70 Leningradsky Avenue, Moscow, 125315

Galstyan.NA@novartis.comЛитвишкоО. В.LitvishkoO. V.

Олег Валерьевич Литвишко - кандидат экономических наук, доцент кафедры финансового менеджмента

117997, Москва, Стремянный пер., д. 36

Oleg V. Litvishko - PhD, Assistant Professor of the Department for Financial Management

36 Stremyanny Lane, Moscow, 117997

Litvishko.OV@rea.ruЗакревскаяЕ. А.ZakrevskayaE. A.

Екатерина Андреевна Закревская - кандидат экономических наук, доцент кафедры математических методов в экономике

117997, Москва, Стремянный пер., д. 36

Ekaterina A. Zakrevskaya - PhD, Assistant Professor of the Department for Mathematical Methods in Economics

36 Stremyanny Lane, Moscow, 117997

Zakrevskaya.EA@rea.ruРоссийский экономический университет имени Г. В. ПлехановаРоссияPlekhanov Russian University of EconomicsRussian Federation20221304202202176185Copyright © Савина Н.П., Галстян Н.А., Литвишко О.В., Закревская Е.А., 20222022Савина Н.П., Галстян Н.А., Литвишко О.В., Закревская Е.А.Savina N.P., Galstyan N.A., Litvishko O.V., Zakrevskaya E.A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://vest.rea.ru/jour/article/view/1307

В статье рассмотрено применение кластеризации аптечных сетей и определены стратегии работы с каждым из полученных кластеров, что вызвано необходимостью перепроверять основные показатели работы аптечных сетей (скорость продаж, количество брендов исследуемой компании в сети, состояние складов, наличие сильных конкурентов в продажах сети), а также сложностью распределения ресурсов компании для выстраивания коммуникации с аптечными сетями (визитов представителей) и самой продукции между аптечными сетями. Для решения задачи кластеризации аптечных сетей в исследовании выбран метод k-means, основанный на учете доли компании и доли конкретного бренда в продажах аптечной сети. Метрикой для определения качества полученных результатов был выбран «силуэт», т. е. форма отображения набора кластеров. Его показатель равен 0,514, что свидетельствует о достаточно высокой точности результатов и возможности внедрения данного алгоритма в реальную бизнес-практику. Итогом кластерного анализа множества аптечных сетей является набор из трех кластеров. Используя полученные результаты кластеризации и имеющиеся бизнес-требования для каждого кластера, в ходе исследования был предложен ряд рекомендаций по взаимодействию фармацевтической компании с аптечными сетями в части оценки конкурентной среды, анализа скорости продаж и пополняемости складских запасов сети, частоты визитов фармацевтических представителей в аптечные сети. По результатам проведенного исследования сделан вывод, что любой предлагаемый метод кластеризации аптечных данных должен обновляться с точки зрения качества интерпретации результатов, актуальности изначально выбранных критериев кластеризации и корректироваться исходя из бизнестребований, которые поступают со стороны команд маркетологов, менеджеров по категориям лекарственных средств и отдельным брендам.

The article studies the use of drug-store chain clusterization and determines strategy of work with each of the clusters, which is necessary because key work parameters of drug-store chains, such as selling speed, the number of brands of the company being investigated in the chain, the condition of stores, availability of strong competitors in the chain selling must be verified. Another reason is complexity of company resource distribution to build communications with drug-store chains (representatives’ calls) and products themselves among drug-store chains. To resolve the problem of drug-store clusterization k-means method based on the assessment of the company share and the share of a concrete brand in the drug-store chain was chosen for the research. As metrics for identifying the quality of obtained results ‘silhouette’ was chosen, i.e. the form of a cluster set representation. Its factor is equal to 0.514, which testifies to rather high accuracy of results and possibility to introduce this algorithm into real business practice. By cluster analyzing the multitude of drug-store chains a set of three clusters was identified. On the basis of these results of clusterization and current business requirements for each cluster a number of recommendations were put forward aimed at interaction between the pharmaceutical company and drug-store chains in the aspect of assessing the competition environment, analyzing selling speed and re-filling stocks of the chain, frequency of pharmaceutical representatives’ calls to drug-store chains. The findings of the research allowed us to draw a conclusion that any method of clusterization of drug-store data should be renewed in view of the quality of result interpretation, topicality of initial criteria of clusterization and should be corrected proceeding from business requirements, which arrive from marketer teams and managers on medicine categories and separate brands.

кластеризацияфармацевтический бизнесинтеллектуальный анализстратегияk-means-алгоритмclusterizationpharmaceutical businessintellectual analysisstrategyk-means algorithmСтатья подготовлена по результатам исследования, проведенного при финансовой поддержке Российского экономического университета имени Г. В. Плеханова.ReferencesГудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение / пер. с англ. А. А. Слинкина. – М. : ДМК Пресс, 2018.Gudfellou Ya., Bendzhio I., Kurvill A. Glubokoe obuchenie [Deep Learning], translated from English by A. A. Slinkin. Moscow, DMK Press, 2018. (In Russ.).Литвишко О. В. Финансовые аспекты функционирования спортивных клубов // Теория и практика физической культуры. – 2011. – № 5. – С. 77.Litvishko O. V. Finansovye aspekty funktsionirovaniya sportivnykh klubov [Financial Aspects of the Functioning of Sports Clubs]. Teoriya i praktika fizicheskoy kultury [Theory and Practice of Physical Culture], 2011, No. 5, pp. 77. (In Russ.).Обучение без учителя: 4 метода кластеризации данных на Python. 2018. – URL: https://proglib.io/p/unsupervised-ml-with-python/ (дата обращения: 01.11.2021).Obuchenie bez uchitelya: 4 metoda klasterizatsii dannykh na Python. 2018 [Teaching without a teacher: 4 methods of data clustering in Python. 2018]. (In Russ.). Available at: https://proglib.io/p/unsupervised-ml-with-python/ (accessed 01.11.2021).Соколов Е. А. Лекция 12. Обучение без учителя. – URL: https://github.com/esokolov/ml-course-hse/blob/master/2016-fall/lecture-notes/lecture12-unsupervised.pdf (дата обращения: 01.11.2021).Sokolov E. A. Lektsiya 12. Obuchenie bez uchitelya [Lecture 12. Teaching without a teacher]. (In Russ.). Available at: https://github.com/esokolov/ml-course-hse/blob/master/2016-fall/lecture-notes/lecture12-unsupervised.pdf (accessed 01.11.2021).Чубукова И. А. Курс лекций «Data Mining». Национальный открытый интернет-университет информационных технологий «ИНТУИТ». 2018. – URL: http://www.intuit.ru/department/database/datamining (дата обращения: 01.11.2021).Chubukova I. A. Kurs lektsiy «Data Mining». Natsionalnyy otkrytyy internet-universitet informatsionnykh tekhnologiy «INTUIT». 2018 [Course of lectures "Data Mining". National Open Internet University of Information Technologies "INTUIT". 2018]. (In Russ.). Available at: http://www.intuit.ru/department/database/datamining (accessed 01.11.2021).Agglomerative Hierarchical Clustering. International online learning resource for Data Mining and Statistics «Data Novia». 2019. – URL: https://www.datanovia.com/en/lessons/agglomerative-hierarchical-clustering/ (дата обращения: 01.11.2021).Agglomerative Hierarchical Clustering. International online learning resource for Data Mining and Statistics «Data Novia». 2019. Available at: https://www.datanovia.com/en/lessons/agglomerative-hierarchical-clustering/ (accessed 01.11.2021).Dabbura I. K-means Clustering: Algorithm, Applications, Evaluation Methods, and Drawbacks. Online publishing platform Medium. 2018. – URL: https://towardsdatascience.com/k-means-clustering-algorithm-applications-evaluation-methods-and-drawbacksaa03e644b48a (дата обращения: 01.11.2021).Dabbura I. K-means Clustering: Algorithm, Applications, Evaluation Methods, and Drawbacks. Online publishing platform Medium. 2018. Available at: https://towardsdatascience.com/k-means-clustering-algorithm-applications-evaluation-methods-anddrawbacks-aa03e644b48a (accessed 01.11.2021).Das A. Segmentation using Unsupervised Learning Technique – Clustering. Online publishing platform Medium. 2018. – URL: https://towardsdatascience.com/segmentationusing-unsupervised-learning-technique-clustering-bb4089c6392e (дата обращения: 01.11.2021).Das A. Segmentation using Unsupervised Learning Technique – Clustering. Online publishing platform Medium. 2018. Available at: https://towardsdatascience.com/segmentation-using-unsupervised-learning-technique-clustering-bb4089c6392e (accessed 01.11.2021).Girgin S. K-Means Clustering Model in 6 Steps with Python. Online publishing platform Medium. 2019. – URL: https://medium.com/pursuitnotes/k-means-clustering-model-in-6-steps-with-python-35b532cfa8ad (дата обращения: 01.11.2021).Girgin S. K-Means Clustering Model in 6 Steps with Python. Online publishing platform Medium. 2019. Available at: https://medium.com/pursuitnotes/k-means-clustering-model-in-6-steps-with-python-35b532cfa8ad (accessed 01.11.2021).Korolev S. Open Machine Learning Course. Topic 7. Unsupervised Learning: PCA and Clustering. Online publishing platform Medium. 2018. – URL: https://medium.com/openmachine-learning-course/open-machine-learning-course-topic-7-unsupervised-learning-pcaand-clustering-db7879568417 (дата обращения: 01.11.2021).Korolev S. Open Machine Learning Course. Topic 7. Unsupervised Learning: PCA and Clustering. Online publishing platform Medium. 2018. Available at: https://medium.com/open-machine-learning-course/open-machine-learning-course-topic-7-unsupervised-learningpca-and-clustering-db7879568417 (accessed 01.11.2021).Litvishko O., Beketova K., Akimova B., Azhmukhamedova A., Islyam G. Impact of the Digital Economy on the Banking Sector // E3S Web of Conferences. 1st International Conference on Business Technology for a Sustainable Environmental System. BTSES-2020. – Almaty, 2020. – С. 04033.Litvishko O., Beketova K., Akimova B., Azhmukhamedova A., Islyam G. Impact of the Digital Economy on the Banking Sector. E3S Web of Conferences. 1st International Conference on Business Technology for a Sustainable Environmental System. BTSES-2020. Almaty, 2020. С. 04033.Nakagomi K. Cluster Analysis of Pharmacists’ Work Attitudes // Journal of General and Family Medicine, Japan. – 2017. URL: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5729359/ (дата обращения: 01.11.2021).Nakagomi K. Cluster Analysis of Pharmacists’ Work Attitudes. Journal of General and Family Medicine, Japan, 2017. Available at: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5729359/ (accessed 01.11.2021).Selecting the number of clusters with silhouette analysis on KMeans clustering. Online platform of machine learning in Python. 2019. – URL: https://scikit-learn.org/stable/auto_examples/cluster/plot_kmeans_silhouette_analysis.html (дата обращения: 01.11.2021).Selecting the number of clusters with silhouette analysis on KMeans clustering. Online platform of machine learning in Python. 2019. Available at: https://scikit-learn.org/stable/auto_examples/cluster/plot_kmeans_silhouette_analysis.html (accessed 01.11.2021).Todd A., Thomson K., Kasim A., Bambra C. Cutting Care Clusters: the Creation of an Inverse Pharmacy Care Law? An area-level analysis exploring the clustering of community pharmacies in England // BMJ Open Journal, England. – 2018. – URL: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6074640/ (дата обращения: 01.11.2021).Todd A., Thomson K., Kasim A., Bambra C. Cutting Care Clusters: the Creation of an Inverse Pharmacy Care Law? An area-level analysis exploring the clustering of community pharmacies in England. BMJ Open Journal, England, 2018. Available at: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6074640/ (accessed 01.11.2021).VanderPlas J. Python Data Science Handbook: Essential Tools for Working with Data. – O'Reilly Media, 2016.VanderPlas J. Python Data Science Handbook: Essential Tools for Working with Data. O'Reilly Media, 2016.Vivek S. Clustering algorithms for customer segmentation. Online publishing platform Medium. 2018. – URL: https://towardsdatascience.com/clustering-algorithms-for-customersegmentation-af637c6830ac (дата обращения: 01.11.2021).Vivek S. Clustering algorithms for customer segmentation. Online publishing platform Medium. 2018. Available at: https://towardsdatascience.com/clustering-algorithms-forcustomer-segmentation-af637c6830ac (accessed 01.11.2021).Wijaya C. Y. Breaking down the agglomerative clustering process. Online publishing platform Medium. 2019. – URL: https://towardsdatascience.com/breaking-down-theagglomerative-clustering-process-1c367f74c7c2 (дата обращения: 01.11.2021).Wijaya C. Y. Breaking down the agglomerative clustering process. Online publishing platform Medium. 2019. Available at: https://towardsdatascience.com/breaking-down-theagglomerative-clustering-process-1c367f74c7c2 (accessed 01.11.2021).

The authors declare that there are no conflicts of interest present.