Научный журнал «Вестник науки»

Режим работы с 09:00 по 23:00

zhurnal@vestnik-nauki.com

Информационное письмо
  1. Главная
  2. Архив
  3. Вестник науки от 9 августа 2026 г.
  4. Научная статья № 47
Просмотры  16 просмотров

СРАВНИТЕЛЬНЫЙ АНАЛИЗ МЕТОДОВ КЛАСТЕРИЗАЦИИ ПОЛЬЗОВАТЕЛЕЙ ЦИФРОВОГО ПРОДУКТА

Аннотация: в статье рассматривается задача сегментации пользователей цифрового продукта методами кластерного анализа. Сопоставлены алгоритм k-средних, иерархическая кластеризация методом Уорда и плотностной алгоритм DBSCAN. Предложены критерии выбора метода: форма и плотность кластеров, необходимость предварительного задания числа сегментов, устойчивость к выбросам, интерпретируемость, вычислительная сложность и требования к предварительной обработке данных. На синтетическом наборе из двадцати пользовательских профилей выполнена стандартизация признаков и проведено сравнение результатов по коэффициенту силуэта. Показано, что k-средних и метод Уорда формируют понятные сегменты при заранее заданном числе кластеров, а DBSCAN лучше отделяет аномальные профили и не требует фиксировать количество сегментов. Сформулированы рекомендации по использованию методов в аналитике цифрового продукта.

Ключевые слова: кластерный анализ, сегментация пользователей, цифровой продукт, метод k-средних, метод Уорда, алгоритм DBSCAN, коэффициент силуэта, интеллектуальный анализ данных.

Введение. Цифровой продукт формирует поток данных о действиях пользователей: частоте посещений, конверсии, длительности сессий, обращениях в поддержку и использовании отдельных функций. Агрегированные показатели позволяют выделять группы со сходным поведением и принимать решения о персонализации, удержании, коммуникациях и развитии функциональности. Если заранее известных меток сегментов нет, задача относится к обучению без учителя и может решаться методами кластерного анализа [6].

Результат кластеризации зависит не только от данных, но и от предположений конкретного алгоритма. Метод k-средних стремится сформировать компактные группы вокруг центров, иерархические методы строят последовательность объединений объектов, DBSCAN определяет кластеры как области повышенной плотности и отдельно маркирует шумовые точки. Один и тот же набор пользовательских профилей может получить различное разбиение, поэтому выбор алгоритма должен быть связан с аналитической целью и структурой данных, а не с популярностью метода. Цель исследования состоит в разработке практических рекомендаций по выбору метода кластеризации пользователей цифрового продукта.

Для достижения цели решены следующие задачи: рассмотрены особенности k-средних, метода Уорда и DBSCAN, сформирован набор критериев сравнения, подготовлен синтетический набор пользовательских профилей, выполнено модельное сравнение результатов, определены условия рационального применения каждого алгоритма. Теоретические основы кластеризации. Кластерный анализ представляет собой формальное исследование способов группировки объектов по измеренным характеристикам или сходству без использования заранее заданных классов [6]. В прикладной аналитике цифрового продукта объектом может быть пользователь, сессия, заказ, контентная единица или продуктовая функция.

Качество результата определяется выбранными признаками, масштабированием, метрикой расстояния и соответствием алгоритма геометрии данных. Алгоритм k-средних восходит к работе Дж. Маккуина [2]. Его целевая функция минимизирует сумму квадратов расстояний от объектов до центров назначенных кластеров: J = sum(k=1..K) sum(x in Ck) ||x - mk||^2,где K - число кластеров, Ck - множество объектов k-го кластера, mk - его центр.

Метод прост для интерпретации и эффективен на больших массивах, однако требует заранее определить K, чувствителен к масштабу признаков и выбросам, а также лучше работает с компактными кластерами сопоставимой дисперсии. Иерархическая агломеративная кластеризация начинает с отдельных объектов и последовательно объединяет наиболее близкие группы. В методе Уорда выбирается объединение, которое минимально увеличивает внутрикластерную сумму квадратов [3]. Результат может быть представлен дендрограммой, что делает структуру объединений наглядной.

При этом окончательное число сегментов все равно задается уровнем разреза иерархии, а вычислительные затраты возрастают с объемом выборки. Алгоритм DBSCAN формирует кластеры на основе плотности расположения объектов и использует два основных параметра: радиус окрестности eps и минимальное число объектов minPts [4]. Точки в областях достаточной плотности объединяются, а изолированные профили отмечаются как шум. Преимуществами являются отсутствие необходимости заранее указывать число кластеров и способность обнаруживать группы сложной формы.

Ограничение связано с подбором параметров и снижением качества при существенно различающейся плотности кластеров. Для количественной оценки внутренней структуры используется коэффициент силуэта, предложенный П. Руссеувом [5]: s(i) = [b(i) - a(i)] / max{a(i), b(i)},где a(i) - среднее расстояние от объекта i до объектов собственного кластера, b(i) - минимальное среднее расстояние до объектов другого кластера. Значение близкое к 1 указывает на хорошее соответствие объекта своему кластеру, около 0 - на положение возле границы, отрицательное - на возможное ошибочное назначение.

Материалы и методы. Исследование выполнено на синтетическом наборе из двадцати пользовательских профилей. Данные созданы исключительно для демонстрации алгоритмов и не относятся к реальным людям или организациям. Использованы четыре признака: число сессий за месяц, конверсия в целевое действие в процентах, средняя длительность сессии в минутах и число обращений в поддержку.

Набор содержит три устойчивые поведенческие группы и два аномальных профиля. Поскольку признаки измеряются в разных единицах, перед расчетом выполнена стандартизация: zij = (xij - mj) / sj,где xij - значение j-го признака для i-го пользователя, mj - среднее значение признака, sj - стандартное отклонение. Без масштабирования признаки с большим числовым диапазоном искусственно доминировали бы в евклидовом расстоянии. Подход к качеству данных согласуется с необходимостью учитывать точность, полноту и согласованность данных, выделяемых в модели ISO/IEC 25012:2008 [1].

Таблица 1. Критерии выбора метода кластеризации. Таблица 2. Синтетические пользовательские профили.

Сравнительная характеристика методов. Для k-средних и метода Уорда число кластеров проверялось в диапазоне от двух до шести. Максимальный коэффициент силуэта среди проверенных значений получен при пяти кластерах, однако такое решение создает два одноэлементных сегмента для аномальных профилей. Для прикладной сегментации выбрано K = 4: три содержательно интерпретируемые группы и один отдельный аномальный профиль.

Это показывает, что внутреннюю метрику нельзя использовать изолированно от содержательной интерпретации. Таблица 3. Коэффициент силуэта при различном числе кластеров. Алгоритмы k-средних и Уорда при K = 4 дали одинаковое разбиение с точностью до нумерации кластеров: группа из семи объектов, включающая шесть высокоактивных пользователей и профиль U20, группа из шести регулярных пользователей, группа из шести пользователей с риском оттока, одноэлементный кластер U19.

Таким образом, U20 присоединен к высокоактивному сегменту, а U19 выделен отдельно. Для DBSCAN использованы eps = 0,7 и minPts = 3. Алгоритм сформировал три кластера по шесть пользователей и пометил U19 и U20 как шум. Коэффициент силуэта для восемнадцати объектов, вошедших в кластеры, составил 0,698.

Такой результат лучше отражает исходную структуру синтетического набора, поскольку два намеренно аномальных профиля не включаются в основные поведенческие сегменты. Таблица 4. Сопоставление результатов алгоритмов. * Коэффициент силуэта DBSCAN рассчитан только для объектов, вошедших в кластеры. Интерпретация пользовательских сегментов.

Содержательная интерпретация выполнена по средним значениям признаков в кластерах DBSCAN. Первый сегмент характеризуется высокой частотой использования, высокой конверсией, длительными сессиями и малым числом обращений в поддержку. Второй сегмент демонстрирует регулярное, но менее интенсивное использование. Третий сегмент имеет низкую активность и конверсию при повышенном числе обращений, что может указывать на риск оттока или неудовлетворенность продуктом.

Таблица 5. Средние профили сегментов DBSCAN. Для высокоактивного сегмента могут быть уместны программы лояльности, расширенные функции и ранний доступ к новым возможностям. Для регулярного сегмента полезно исследовать барьеры, которые препятствуют росту частоты использования или конверсии.

Пользователи с риском оттока требуют анализа проблемных сценариев, качества обучения и причин обращений в поддержку. Аномальные профили нельзя автоматически считать ошибочными: U19 может отражать технический трафик или проблемное поведение, а U20 - редкого, но крайне результативного пользователя. Такие случаи следует проверять отдельно до принятия продуктового решения. Практические рекомендации по выбору алгоритма.

Метод k-средних рационален при больших объемах данных, наличии обоснованного числа сегментов и ожидании компактных групп. Перед его применением необходимо масштабировать признаки, проверить несколько значений K и оценить устойчивость к инициализации. Выбросы желательно предварительно обнаруживать или ограничивать, поскольку они смещают центры кластеров. Метод Уорда целесообразен на выборках умеренного размера, когда аналитик хочет увидеть вложенную структуру сегментов и исследовать разные уровни детализации.

Дендрограмма помогает объяснить, какие группы объединяются раньше, однако результат остается чувствительным к масштабированию и выбранной метрике. На больших наборах вычислительные и памятьевые затраты могут ограничивать применение. DBSCAN следует выбирать, когда значимы выбросы, число сегментов заранее неизвестно или предполагаются группы сложной формы. Параметры eps и minPts необходимо подбирать с помощью анализа расстояний до соседей и проверки устойчивости.

При разной плотности сегментов один набор параметров может объединять плотные группы и терять разреженные, поэтому результат нужно сопоставлять с предметным смыслом. Независимо от алгоритма процесс сегментации должен включать контроль качества данных, документирование признаков, проверку интерпретируемости и последующую продуктовую валидацию. Кластер является статистической конструкцией, а не готовой бизнес-категорией. Сегмент можно использовать в продуктовой стратегии только после того, как установлено устойчивое различие в поведении и понятен механизм воздействия.

Ограничения исследования. Основным ограничением является синтетический характер набора данных. Полученные числовые значения демонстрируют работу методов, но не позволяют утверждать, что те же параметры будут оптимальны для реального цифрового продукта. В практической задаче могут потребоваться категориальные признаки, временные последовательности, методы снижения размерности и специальные метрики расстояния.

Кроме того, коэффициент силуэта оценивает компактность и разделенность, но не заменяет проверку бизнес-полезности сегментов. Дальнейшее исследование может включать сравнение алгоритмов на обезличенных продуктовых данных, анализ стабильности сегментов во времени, применение HDBSCAN для кластеров различной плотности и оценку влияния состава признаков на результат. Отдельной задачей является построение процесса регулярного пересчета сегментов и контроля дрейфа пользовательского поведения. Заключение.

Сравнение показало, что универсального метода кластеризации пользователей цифрового продукта не существует. k-средних обеспечивает простое и масштабируемое разбиение при известном числе компактных сегментов. Метод Уорда дает сходный результат и дополнительно раскрывает иерархию групп. DBSCAN не требует заранее фиксировать число кластеров и способен отделять аномальные профили, но чувствителен к параметрам плотности. В модельном примере k-средних и метод Уорда при K = 4 получили коэффициент силуэта 0,591, тогда как DBSCAN сформировал три основных сегмента, выделил два шумовых профиля и достиг значения 0,698 на кластеризованных объектах.

Для задач продуктовой аналитики алгоритм следует выбирать после анализа геометрии данных, качества признаков и требований к интерпретации. Практическая ценность сегментации определяется не максимальной метрикой, а тем, насколько полученные группы устойчивы, объяснимы и связаны с конкретными продуктовыми решениями.


Полная версия статьи PDF

Номер журнала «Вестник науки» № 8 (101) том 2


Ссылка для цитирования:

Кожушкин Е.В. СРАВНИТЕЛЬНЫЙ АНАЛИЗ МЕТОДОВ КЛАСТЕРИЗАЦИИ ПОЛЬЗОВАТЕЛЕЙ ЦИФРОВОГО ПРОДУКТА // Журнал «Вестник науки» от 9 августа 2026 г. № 8 (101) том 2. С. 397 - 410. 2026 г. ISSN 2712-8849 // Электронный ресурс: https://www.вестник-науки.рф/article/32739 (дата обращения: 12.11.2026 г.)


Альтернативная ссылка латинскими символами: vestnik-nauki.com/article/32739



Нашли грубую ошибку (плагиат, фальсифицированные данные или иные нарушения научно-издательской этики) ?
- напишите письмо в редакцию журнала: zhurnal@vestnik-nauki.com


Вестник науки © 2026.    16+




* В выпусках журнала могут упоминаться организации (Meta, Facebook, Instagram) в отношении которых судом принято вступившее в законную силу решение о ликвидации или запрете деятельности по основаниям, предусмотренным Федеральным законом от 25 июля 2002 года № 114-ФЗ «О противодействии экстремистской деятельности» (далее - Федеральный закон «О противодействии экстремистской деятельности»), или об организации, включенной в опубликованный единый федеральный список организаций, в том числе иностранных и международных организаций, признанных в соответствии с законодательством Российской Федерации террористическими, без указания на то, что соответствующее общественное объединение или иная организация ликвидированы или их деятельность запрещена.