MIJOZLARNI SEGMENTATSIYA QILISH UCHUN KLASTERLASH MODELLARI ISHLAB CHIQISH

YOSH OLIMLAR ILMIY-AMALIY KONFERENSIYASI in-academy.uz/index.php/yo 64 MIJOZLARNI SEGMENTATSIYA QILISH UCHUN KLASTERLASH MODELLARI ISHLAB CHIQISH Ikromaliyev Dilshodbek Ismoil o’g’li Farg'ona davlat texnika universiteti “Axborot texnologiyalari va telekommunikatsiya” fakulteti 612-23 guruh 3-bosqich talabasi e-mail: [email protected] Madaminjonov Baxtiyorjon Sherzodjon og’li Farg'ona davlat texnika universiteti “Axborot texnologiyalari va telekommunikatsiya” fakulteti 611-23 guruh 3-bosqich talabasi e-mail: [email protected] https://doi.org/10.5281/zenodo.17994165 Annotatsiya: Ushbu tadqiqot ishida zamonaviy biznesda mijozlarni segmentatsiya qilishning ahamiyati va klasterlash algoritmlaridan foydalangan holda mijozlarni guruhlash metodologiyasi o'rganildi. Tadqiqot davomida K-Means, DBSCAN va ierarxik klasterlash kabi mashinali o'rganish algoritmlari taqqoslab tahlil qilindi. Maqolada mijoz ma'lumotlarini qayta ishlash, xususiyatlarni tanlash, modellarni baholash va natijalarni biznes qarorlari qabul qilishda qo'llash usullari muhokama qilindi. Tadqiqot natijalari ko'rsatdiki, to'g'ri tanlangan klasterlash modellari mijozlar xulq-atvorini chuqurroq tushunish, marketing strategiyalarini optimallashtirish va biznes samaradorligini oshirishga yordam beradi. Kalit so‘zlar: mijozlarni segmentatsiya qilish, klasterlash, K-Means, mashinali o'rganish, ma'lumotlar tahlili, marketing strategiyasi, RFM tahlili, mijozlar bazasi. Zamonaviy raqamli iqtisodiyot sharoitida korxonalar katta hajmdagi mijozlar ma'lumotlarini to'plash imkoniyatiga ega. Biroq, bu ma'lumotlardan samarali foydalanish va mijozlarni to'g'ri guruhlarga ajratish orqali maqsadli marketing strategiyalarini ishlab chiqish dolzarb vazifadir. Mijozlarni segmentatsiya qilish – bu katta mijozlar bazasini o'xshash xususiyatlar, xulq-atvor va ehtiyojlar asosida kichik guruhlarga bo'lish jarayonidir. An'anaviy segmentatsiya usullari (yosh, jins, geografik joylashuv) zamonaviy bozor talablariga to'liq javob bermaydi. Buning o'rniga, mashinali o'rganish va klasterlash algoritmlari mijozlarning haqiqiy xulq-atvorini, xarid tarixi va qiziqishlarini hisobga olgan holda avtomatik ravishda segmentlar yaratish imkonini beradi. Klasterlash – bu nazorat qilinmaydigan o'rganish (unsupervised learning) metodlaridan biri bo'lib, ma'lumotlarni oldindan belgilangan yorliqlar (labels) yo'qligida guruhlar (klasterlar)ga ajratadi. Har bir klaster o'z ichiga o'xshash xususiyatlarga ega bo'lgan ob'ektlarni birlashtiradi, turli klasterlar esa bir-biridan farq qiladi. Mijozlarni segmentatsiya qilishning ahamiyati. Mijozlarni segmentatsiya qilish quyidagi afzalliklarni taqdim etadi: Maqsadli marketing kampaniyalari: Har bir segment uchun maxsus marketing strategiyalarini ishlab chiqish imkoniyati. Masalan, yuqori daromadli mijozlar uchun premium mahsulotlarni taklif qilish, narxga sezgir mijozlar uchun esa chegirmalar taqdim etish. Mijozlarni saqlash: Churn (mijozlarning ketish) ehtimolini aniqlash va xavf ostidagi mijozlarga maxsus e'tibor berish orqali sodiqlikni oshirish. Tadqiqotlar shuni ko'rsatadiki, yangi mijoz jalb qilish mavjud mijozni saqlashdan 5-25 baravar qimmatroq. Mahsulotlarni rivojlantirish: Har bir segment ehtiyojlarini tushunish orqali yangi mahsulotlar va xizmatlarni ishlab chiqish. Mijozlar feedbackini segmentlar bo'yicha tahlil qilish mahsulot sifatini oshirishga yordam YOSH OLIMLAR ILMIY-AMALIY KONFERENSIYASI in-academy.uz/index.php/yo 65 beradi. Resurslarni optimal taqsimlash: Marketing byudjetini eng samarali segmentlarga yo'naltirish. ROI (Return on Investment) ko'rsatkichlarini segment darajasida tahlil qilish va eng foydali guruhlarga investitsiyalarni ko'paytirish. Shaxsiylashtirilgan tajriba: Har bir segment uchun maxsus kontentlar, takliflar va aloqa kanallari orqali mijoz tajribasini yaxshilash. Shaxsiylashtirilgan yondashuv konversiya stavkalarini 10-15% oshirishi mumkin. Mijozlarni segmentatsiya qilishda quyidagi yondashuvlar qo'llaniladi: Demografik segmentatsiya: Yosh, jins, ta'lim darajasi, daromad kabi demografik ma'lumotlar asosida. Geografik segmentatsiya: Joylashuv, iqlim, shahar yoki qishloq mintaqa bo'yicha. Psixografik segmentatsiya: Hayot tarzi, shaxsiy qadriyatlar, qiziqishlar va fikrlar asosida. Xulq-atvor segmentatsiyasi: Xarid tarixi, mahsulotlardan foydalanish, brend sodiqligiga qarab. Bu yondashuv eng samarali hisoblanadi, chunki u haqiqiy harakatlarni aks ettiradi. Klasterlash algoritmlari va ularning tavsifi K-Means algoritmi eng keng tarqalgan va oson qo'llaniladigan klasterlash usuli hisoblanadi. U ma'lumotlarni K ta guruhga ajratadi, bu jarayonda har bir ma'lumot nuqtasi eng yaqin markaziy nuqtaga (centroid) biriktiriladi. Algoritmning ishlash tamoyili quyidagi bosqichlardan iborat: birinchidan, K ta klaster markazlari tasodifiy tanlanadi; ikkinchidan, har bir nuqta eng yaqin markazga biriktiriladi; uchinchidan, har bir klaster uchun yangi markaz hisoblanadi va o'rtacha qiymat aniqlanadi; nihoyat, markazlar o'zgarmay qolguncha ushbu bosqichlar takrorlanadi. DBSCAN (Density-Based Spatial Clustering) DBSCAN zichlik asosida ishlaydigan klasterlash algoritmi bo'lib, turli shakldagi klasterlarni aniqlash va shovqinli ma'lumotlarni ajratish imkoniyatini beradi. Bu algoritm ma'lumotlarni zich va siyrak hududlar asosida ajratadi, bu esa uni murakkab geometrik shakldagi klasterlarni aniqlashga qodir qiladi. Ierarxik Klasterlash (Hierarchical Clustering) Ierarxik klasterlash ma'lumotlarni daraxt (dendrogram) ko'rinishida ierarxik tuzilmaga ajratadi. Bu usulning ikkita asosiy yondashuvi mavjud: pastdan yuqoriga (agglomerative) va yuqoridan pastga (divisive). Birinchisida har bir nuqta alohida klaster sifatida boshlanadi va asta-sekin eng yaqin klasterlar birlashtiriladi. Ikkinchisida esa barcha nuqtalar bitta klasterda boshlanadi va keyin bo'linib boradi. Gaussian Mixture Model (GMM) GMM ehtimollik asosida ishlaydigan klasterlash usuli bo'lib, har bir klaster Gauss taqsimoti bilan tavsiflanadi. Uning ishlash prinsipiga ko'ra, ma'lumotlar bir nechta Gauss taqsimotlarining aralashmasidan iborat deb faraz qilinadi, EM (Expectation-Maximization) algoritmi yordamida parametrlar optimallashtiriladi va har bir nuqtaning har bir klasterga tegishli bo'lish ehtimoli hisoblanadi. Mijozlarni segmentatsiya qilish jarayoni Mijozlarni segmentatsiya qilish jarayoni turli manbalardan ma'lumotlar to'plash bilan boshlanadi. Bularga CRM (Mijozlar bilan munosabatlar boshqaruvi) tizimlari, elektron tijorat platformalari (veb-sayt va mobil ilovalar), ijtimoiy tarmoqlar, raqamli marketing kanallari, offline do'konlar, POS (Sotish nuqtasi) tizimlari, shuningdek anketalar va mijozlar fikrmulohazalari kiradi. Xususiyatlarni Ishlab Chiqish (Feature Engineering) YOSH OLIMLAR ILMIY-AMALIY KONFERENSIYASI in-academy.uz/index.php/yo 66 Segmentatsiya jarayonida xususiyatlarni ishlab chiqish muhim bosqich hisoblanadi. RFM tahlili bu borada klassik usul bo'lib, u uchta asosiy ko'rsatkichni o'z ichiga oladi: Recency (oxirgi xariddan o'tgan kun), Frequency (ma'lum davrdagi xaridlar soni) va Monetary (umumiy xarajatlar miqdori). Qo'shimcha xususiyatlar orasida o'rtacha chek miqdori (AOV), mijozning umrbo'yi qiymati (CLV), ketish ehtimoli (churn probability), mahsulot toifalari bo'yicha xaridlar taqsimoti, sezonlik ko'rsatkichlar, savatcha o'rtacha qiymati va tark etish darajasi, qaytib kelish oralig'i va boshqalar mavjud. Ma'lumotlarni normalizatsiya qilish va masshtablash muhim ahamiyatga ega, chunki klasterlash algoritmlari xususiyatlar o'lchoviga sezgir. Masalan, daromad (ming so'mda) va xaridlar soni (birliklar) turli o'lchovlarda bo'lgani uchun ularni bir xil masshtabga keltirish zarur. Model o'rgatish va baholash Mijozlarni segmentatsiya qilishda klasterlash modelini tanlash juda muhim qadam bo'lib, bu jarayon turli omillarni hisobga olgan holda amalga oshiriladi. Quyidagi strategik ketmaketlik optimal natijalarga erishishga yordam beradi. Dastlabki bosqichda murakkablik darajasiga qarab K-Means algoritmi bilan boshlash maqsadga muvofiqdir. K-Means algoritmi sodda tuzilishi, tez ishlashi va keng miqyosda qo'llanilishi tufayli dastlabki eksperimentlar uchun ideal variant hisoblanadi. Uning asosiy afzalligi tezkor natijalar berishi va dastlabki tahlil uchun etarli darajada ma'lumot berishidir. Agar dastlabki tahlillar klasterlarning shar shaklida emas, balki murakkab geometrik shakllarda joylashganligini ko'rsatsa, DBSCAN yoki Gaussian Mixture Model (GMM) algoritmlarini sinab ko'rish tavsiya etiladi. DBSCAN zichlik asosida ishlaydi va turli shakl va o'lchamdagi klasterlarni aniqlash qobiliyatiga ega. Bu algoritm shovqinli ma'lumotlarni avtomatik ravishda ajratib turadi. GMM esa ehtimollik asosida ishlaydi va yumshoq klasterlash imkoniyatini beradi, ya'ni har bir mijoz bir nechta segmentlarga ma'lum darajada tegishli bo'lishi mumkin. Natijalarni interpretatsiya qilish Klasterlash natijalarini to'g'ri talqin qilish va har bir segmentni aniq tavsiflash marketing strategiyalarini ishlab chiqish uchun muhim bosqichdir. Har bir klaster uchun quyidagi statistik ko'rsatkichlarni hisoblash va tahlil qilish zarur. O'rtacha RFM ko'rsatkichlari har bir segmentni tavsiflashda muhim rol o'ynaydi. Har bir segment uchun Recency, Frequency va Monetary ko'rsatkichlarining o'rtacha qiymatlarini hisoblash orqali segmentlarni qiyosiy tahlil qilish mumkin. Masalan, bir segmentda o'rtacha Recency 15 kun (ya'ni oxirgi xarid 15 kun oldin), o'rtacha Frequency 4 (chorakda 4 marta xarid), o'rtacha Monetary 500,000 so'm bo'lishi mumkin. Bu ko'rsatkichlar segmentlarni "yuqori qiymatli sodiq mijozlar", "kam xarid qiluvchilar" yoki "xavf ostidagi mijozlar" kabi guruhlarga ajratish imkonini beradi. Xulosa Ushbu tadqiqot ishida mijozlarni segmentatsiya qilishda klasterlash modellarining qo'llanilishi va zamonaviy biznes samaradorligini oshirishdagi ahamiyati chuqur o'rganildi. Tadqiqot natijalari shuni ko'rsatdiki, mashinali o'rganish algoritmlariga asoslangan mijozlarni segmentatsiya qilish an'anaviy usullarga nisbatan ancha samarali va aniqdir. Tadqiqot davomida K-Means, DBSCAN, ierarxik klasterlash va GMM kabi turli algoritmlardagi afzalliklar va kamchiliklar taqqoslab tahlil qilindi. Har bir algoritmning o'ziga xos qo'llanish sohalari va YOSH OLIMLAR ILMIY-AMALIY KONFERENSIYASI in-academy.uz/index.php/yo 67 optimal sharoitlari aniqlandi: K-Means algoritmi tezkorligi va katta ma'lumotlar to'plamlari bilan ishlash qobiliyati tufayli keng ko'lamli biznes vazifalarida samarali ekanligi isbotlandi. Shaxsiylashtirilgan yondashuv orqali konversiya stavkalarini 10-15% oshirish mumkin. Mijozlarni saqlash: RFM tahlili va klasterlash kombinatsiyasi yordamida xavf ostidagi mijozlarni erta bosqichda aniqlash va ularning ketishining oldini olish mumkin. Bu esa yangi mijoz jalb qilish xarajatlarini sezilarli darajada kamaytiradi. Mahsulotlarni rivojlantirish: Segment ehtiyojlarini to'g'ri tushunish yangi mahsulotlar va xizmatlarni ishlab chiqishda nishonga olish aniqligini oshiradi va bozorga chiqarish muvaffaqiyat ehtimolini yuqorlatadi. Resurslarni samarali taqsimlash: Marketing byudjetini eng foydali segmentlarga yo'naltirish orqali umumiy biznes samaradorligini oshirish mumkin. Tadqiqot natijalari asosida korxonalarga quyidagi tavsiyalar beriladi: Bosqichma-bosqich yondashuv: Dastlab sodda K-Means algoritmi bilan boshlash, keyin ehtiyojga qarab murakkabroq metodlarga o'tish maqsadga muvofiq. Sifatli ma'lumotlar to'plash: Klasterlash sifati bevosita ma'lumotlar sifatiga bog'liq. Xulosa qilib aytganda, klasterlash modellariga asoslangan mijozlarni segmentatsiya qilish zamonaviy biznes uchun muhim strategik vosita hisoblanadi. To'g'ri tanlangan va qo'llangan algoritm mijozlar bilan munosabatlarni tubdan yaxshilaydi, marketing samaradorligini oshiradi va uzoq muddatli raqobat ustunligini ta'minlaydi. Tadqiqot natijalari shuni ko'rsatdiki, ma'lumotlarga asoslangan yondashuv va zamonaviy mashinali o'rganish texnologiyalari biznesni yangi bosqichga olib chiqish imkoniyatini beradi. Adabiyotlar, References, Литературы: 1. O'zbekiston Respublikasi Prezidentining "Raqamli iqtisodiyot va elektron hukumatni rivojlantirish chora-tadbirlari to'g'risida"gi PF-5349-son Farmoni. – Toshkent, 2018. https://lex.uz/ru/docs/-3564970 2. O'zbekiston Respublikasi Prezidentining "Sun'iy intellekt sohasini rivojlantirish choratadbirlari to'g'risida"gi PF-6079-son Farmoni. – Toshkent, 2023. http://lex.uz/docs/6302361 3. "Raqamli O'zbekiston – 2030" strategiyasi. – Toshkent, 2020. http://lex.uz/docs/5030957 4. Raqamlashtirish va axborot texnologiyalarini rivojlantirish vazirligi. Raqamli transformatsiya konsepsiyasi. – Toshkent, 2022. https://mitc.uz 5. Abdullayev Y.Q., Ergashxodjaeva Sh.J. Ma'lumotlar tahlili va mashinali o'rganish asoslari. – Toshkent: "Fan va texnologiya", 2021. – 256 b. kitobxon.com/shop/elektron-tijorat-varaqamli-marketing 6. Xasanov A.Sh., Saidov A.X. Axborot texnologiyalari va raqamli biznes. – Toshkent: TDIU, 2020. – 312 b. twirpx.com/file/3328771/ 7. Qo'chqorov U.U. Sun'iy intellekt va uning iqtisodiyotda qo'llanilishi. – Toshkent: "IqtisodMoliya", 2022. – 428 b. https://books.google.com/books?vid=ISBN9789943384549 8. Toshmatov Sh.S., Mirzaev B.S. Elektron tijorat va raqamli marketing. – Toshkent: TDIU, 2019. – 276 b. https://kitobxon.com/shop/elektron-tijorat-va-raqamli-marketing/