Применение методов интеллектуального анализа для повышения прибыльности сетевого бизнеса

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.

кластеризация, фармацевтический бизнес, интеллектуальный анализ, стратегия, k-means-алгоритм

1. Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение / пер. с англ. А. А. Слинкина. – М. : ДМК Пресс, 2018.

2. Литвишко О. В. Финансовые аспекты функционирования спортивных клубов // Теория и практика физической культуры. – 2011. – № 5. – С. 77.

3. Обучение без учителя: 4 метода кластеризации данных на Python. 2018. – URL: https://proglib.io/p/unsupervised-ml-with-python/ (дата обращения: 01.11.2021).

4. 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).

5. 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).

6. 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).

7. 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).

8. 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).

9. 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).

10. 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).

11. 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.

12. 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).

13. 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).

14. 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).

15. VanderPlas J. Python Data Science Handbook: Essential Tools for Working with Data. – O'Reilly Media, 2016.

16. 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).

17. 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).