ФОРМИРОВАНИЕ ПОРТРЕТА ПОЛЬЗОВАТЕЛЯ С ПРИМЕНЕНИЕМ КЛАСТЕРНОГО АНАЛИЗА С ЦЕЛЬЮ РЕШЕНИЯ ПРОБЛЕМЫ ОТТОКА ПОЛЬЗОВАТЕЛЕЙ
|
АННОТАЦИЯ 3
Введение 6
1 Описание кластерного анализа и обзор его методов 9
1.1 Основные понятия и определения 9
1.2 Методы кластерного анализа 18
2 Формирование портрета пользователя на примере компании ООО «ОВЕРМОБАЙЛ» 31
2.1 Описание компании и отрасли 31
2.2 Формирование портрета 41
Заключение 52
Литература 53
Введение 6
1 Описание кластерного анализа и обзор его методов 9
1.1 Основные понятия и определения 9
1.2 Методы кластерного анализа 18
2 Формирование портрета пользователя на примере компании ООО «ОВЕРМОБАЙЛ» 31
2.1 Описание компании и отрасли 31
2.2 Формирование портрета 41
Заключение 52
Литература 53
По данным аналитической платформы SimilarWeb, на четвёртый день после установки мобильное приложение теряет порядка 77% активных пользователей. С игровыми приложениями ситуация аналогичная - через первые три дня в среднем около 74% активных игроков перестают пользоваться продуктом. Через три месяца после установки количество активных пользователей мобильной игры снижается до 3%. В среднем через 7 месяцев пользователь и вовсе удалит приложение со своего устройства.
Данная статистика говорит о том, что перед разработчиками мобильных игр стоит непростая задача: заинтересовать своих пользователей в течение первых семи дней. Так как именно с третьего по седьмой день использования большинство пользователей принимает решение о том, стоит ли пользоваться приложением дальше. От этого периода, в основном, зависит дальнейший успех приложения.
Этими факторами объясняется актуальность выбранной темы исследования. Высокая конкуренция на игровом рынке требует от компании эффективных решений, понимания своей аудитории и умения быстро реагировать на внешнюю среду. Лучший способ отвечать этим показателям - анализировать поведение потребителей.
С анализом пользователей приложений поможет справиться кластерный анализ. Основой его задачей является задача разбиения исходных наблюдений на чётко выраженные кластеры, группы схожих объектов. Другими словами, кластерный анализ может разделить пользователей по показателям их игрового поведения на группы с похожим игровым поведением. В дальнейшем, к этим группам можно относить поведение новых пользователей, тем самым делать предположение об их предпочтениях и предлагать им персонализированные рекомендации, чтобы не допускать оттока.
Также, стоит отметить, что в реальной жизни, когда дело доходит до практики, есть большая вероятность столкнуться с проблемой неоднородности данных. Эта проблема может возникнуть, когда, например, исходные наблюдения имеют разные единицы измерения или масштаб. Кластерный анализ может справиться с этой проблемой. Одним из его достоинств является то, что он позволяет рассматривать объекты разных видов.
Целью выпускной квалификационной работы бакалавра является анализ предпочтений пользователей приложения «Небоскрёб мечты» от компании ООО «ОВЕРМОБАЙЛ» и выделение в них групп со схожим игровым поведением для предложения персонализированных рекомендаций.
В связи с поставленной целью были выявлены и решены следующие задачи для её достижения:
• ознакомление с кластерным анализом как с одним из направлений многомерных статистических методов;
• изучение методов кластерного анализа;
• анализ отрасли игровых мобильных приложений;
• получение навыков практического применения методов кластерного анализа;
• проведение кластеризации пользователей приложения ООО «ОВЕРМОБАЙЛ» с использованием программной среды R;
• предложение рекомендаций по использованию полученных результатов.
Объектом данного исследования являются пользователи мобильного приложения «Небоскрёб мечты».
Предметом исследования является поведение пользователей мобильного приложения «Небоскрёб мечты».
В ходе работы использовались методы сбора, предобработки и анализа данных, а также такие методы кластерного анализа, как иерархическая кластеризация и кластеризация методом !-средних.
Тема кластерного анализа широко распространена, начало его развития в качестве самостоятельной дисциплины относят к первой половине XX века. Исследованию этой темы посвящены работы таких авторов, как Терентьев П.В., Чеканвский Я., Р. Трион, Р. Сокэл, П. Снит, Дж. Вэн Райзин, Дж. Мак-Кин, Айвазян С. А., Бухштабер В. М., Енюков И. С., Мешалкин Л. Д., Мандель И. Д., Жамбю М., Дюран Б., Олдендерфер М. С., Блэшфилд Р. К., и другие. Большинство современных методов кластеризации были предложены в 60-е годы XX-го века. Однако, несмотря значительное число публикаций, в этой теме ещё остаются нерешённые вопросы.
Одна из нерешённых проблем кластерного анализа, упомянутая в данном исследовании, - проблема, порождаемая вопросом оптимального количества кластеров. Перед аналитиками стоит вопрос, сколько групп похожих объектов, полученных в результате проведения кластеризации, будет обеспечивать «правильный» результат анализа. Предположения о количестве кластеров могут исходить из теоретических исследований или же из собственных предположений аналитика, особенно, если набор данных для анализа не велик, с его визуализацией не возникает проблем, и во время исследования можно посмотреть на структуру исходных наблюдений.
Также стоит отметить, что на сегодняшний день не существует и единой системы классификации кластерных процедур.
Практическая значимость результатов исследования заключается в том, что компания может использовать разные маркетинговые стратегии для разных групп пользователей, действовать более узко, а не широко. Компания может представлять отдельным группам пользователей со схожим игровым поведением отдельные персонализированные предложения по использования своего продукта, тем самым повышая эффективность своей деятельности.
Отчёт по производственной практике состоит из аннотации, содержания, введения, основной части, заключения, списка литературы и предметного указателя компетенций.
Основная часть состоит из двух глав. В первой главе данной работы автором рассмотрены основные понятия, определения и принципы кластерного анализа, описаны его основные методы. Во второй главе была описана компания, данные которой были использованы для анализа, а также отрасль, в которой эта компания реализует свою деятельность. Также была проведена кластеризация пользователей мобильного приложения с использованием программной среды R.
В заключении приведены основные, наиболее существенные выводы и результаты, полученные во время проведения исследования. Также сформулированы рекомендации по применению полученных результатов.
Во время исследования данной темы автором были изучены и проанализированы учебники для ВУЗов таких авторов, как В. С. Мхитарян, Б. Г. Миркин, И. И. Елисеева и другие. Также автор обращался к статистическим данным аналитической компании Newzoo, образовательной платформе Stepik, словарю Wiki Loginom и к некоторым электронным ресурсам. Для визуализации некоторых примеров был использован сервис Visualizing K- Means Clustering. Информация обо всех источниках содержится в списке литературы.
Данная статистика говорит о том, что перед разработчиками мобильных игр стоит непростая задача: заинтересовать своих пользователей в течение первых семи дней. Так как именно с третьего по седьмой день использования большинство пользователей принимает решение о том, стоит ли пользоваться приложением дальше. От этого периода, в основном, зависит дальнейший успех приложения.
Этими факторами объясняется актуальность выбранной темы исследования. Высокая конкуренция на игровом рынке требует от компании эффективных решений, понимания своей аудитории и умения быстро реагировать на внешнюю среду. Лучший способ отвечать этим показателям - анализировать поведение потребителей.
С анализом пользователей приложений поможет справиться кластерный анализ. Основой его задачей является задача разбиения исходных наблюдений на чётко выраженные кластеры, группы схожих объектов. Другими словами, кластерный анализ может разделить пользователей по показателям их игрового поведения на группы с похожим игровым поведением. В дальнейшем, к этим группам можно относить поведение новых пользователей, тем самым делать предположение об их предпочтениях и предлагать им персонализированные рекомендации, чтобы не допускать оттока.
Также, стоит отметить, что в реальной жизни, когда дело доходит до практики, есть большая вероятность столкнуться с проблемой неоднородности данных. Эта проблема может возникнуть, когда, например, исходные наблюдения имеют разные единицы измерения или масштаб. Кластерный анализ может справиться с этой проблемой. Одним из его достоинств является то, что он позволяет рассматривать объекты разных видов.
Целью выпускной квалификационной работы бакалавра является анализ предпочтений пользователей приложения «Небоскрёб мечты» от компании ООО «ОВЕРМОБАЙЛ» и выделение в них групп со схожим игровым поведением для предложения персонализированных рекомендаций.
В связи с поставленной целью были выявлены и решены следующие задачи для её достижения:
• ознакомление с кластерным анализом как с одним из направлений многомерных статистических методов;
• изучение методов кластерного анализа;
• анализ отрасли игровых мобильных приложений;
• получение навыков практического применения методов кластерного анализа;
• проведение кластеризации пользователей приложения ООО «ОВЕРМОБАЙЛ» с использованием программной среды R;
• предложение рекомендаций по использованию полученных результатов.
Объектом данного исследования являются пользователи мобильного приложения «Небоскрёб мечты».
Предметом исследования является поведение пользователей мобильного приложения «Небоскрёб мечты».
В ходе работы использовались методы сбора, предобработки и анализа данных, а также такие методы кластерного анализа, как иерархическая кластеризация и кластеризация методом !-средних.
Тема кластерного анализа широко распространена, начало его развития в качестве самостоятельной дисциплины относят к первой половине XX века. Исследованию этой темы посвящены работы таких авторов, как Терентьев П.В., Чеканвский Я., Р. Трион, Р. Сокэл, П. Снит, Дж. Вэн Райзин, Дж. Мак-Кин, Айвазян С. А., Бухштабер В. М., Енюков И. С., Мешалкин Л. Д., Мандель И. Д., Жамбю М., Дюран Б., Олдендерфер М. С., Блэшфилд Р. К., и другие. Большинство современных методов кластеризации были предложены в 60-е годы XX-го века. Однако, несмотря значительное число публикаций, в этой теме ещё остаются нерешённые вопросы.
Одна из нерешённых проблем кластерного анализа, упомянутая в данном исследовании, - проблема, порождаемая вопросом оптимального количества кластеров. Перед аналитиками стоит вопрос, сколько групп похожих объектов, полученных в результате проведения кластеризации, будет обеспечивать «правильный» результат анализа. Предположения о количестве кластеров могут исходить из теоретических исследований или же из собственных предположений аналитика, особенно, если набор данных для анализа не велик, с его визуализацией не возникает проблем, и во время исследования можно посмотреть на структуру исходных наблюдений.
Также стоит отметить, что на сегодняшний день не существует и единой системы классификации кластерных процедур.
Практическая значимость результатов исследования заключается в том, что компания может использовать разные маркетинговые стратегии для разных групп пользователей, действовать более узко, а не широко. Компания может представлять отдельным группам пользователей со схожим игровым поведением отдельные персонализированные предложения по использования своего продукта, тем самым повышая эффективность своей деятельности.
Отчёт по производственной практике состоит из аннотации, содержания, введения, основной части, заключения, списка литературы и предметного указателя компетенций.
Основная часть состоит из двух глав. В первой главе данной работы автором рассмотрены основные понятия, определения и принципы кластерного анализа, описаны его основные методы. Во второй главе была описана компания, данные которой были использованы для анализа, а также отрасль, в которой эта компания реализует свою деятельность. Также была проведена кластеризация пользователей мобильного приложения с использованием программной среды R.
В заключении приведены основные, наиболее существенные выводы и результаты, полученные во время проведения исследования. Также сформулированы рекомендации по применению полученных результатов.
Во время исследования данной темы автором были изучены и проанализированы учебники для ВУЗов таких авторов, как В. С. Мхитарян, Б. Г. Миркин, И. И. Елисеева и другие. Также автор обращался к статистическим данным аналитической компании Newzoo, образовательной платформе Stepik, словарю Wiki Loginom и к некоторым электронным ресурсам. Для визуализации некоторых примеров был использован сервис Visualizing K- Means Clustering. Информация обо всех источниках содержится в списке литературы.
В первой части данной работы были рассмотрены основные понятия и определения кластерного анализа, описана его цель и алгоритм проведения в общем случае. Также были представлены наиболее часто используемые в кластерном анализе меры расстояний между объектами и между классами объектов. Для методов определения расстояния между объектами были представлены некоторые рекомендации по их выбору во время проведения анализа.
Далее были представлены и описаны основные методы кластерного анализа. Также была приведена визуализация работы алгоритма одного из самых популярных методов кластерного анализа - метода !-средних. При описании методов была описана проблема, порождаемая одним из нерешённых вопросов кластеризации - вопрос выбора оптимального количества кластеров, приведён один из способов решения данной проблемы.
Во второй части работы была поставлена и решена задача кластеризации пользователей по основным показателям их игрового поведения с применением программной среды R. Сведения об игроках для решений поставленной задачи были предоставлены компанией ООО «ОВЕРМОБАЙЛ», которая занимается разработкой мобильных игр. Данная задача была поставлена из-за проблемы оттока пользователей. Ведь по статистике, около 74% пользователей удаляют игру со своего смартфона на четвёртый день после установки. Также, для лучшего понимания проблемы, во время исследования была проанализирована компания ООО «ОВЕРМОБАЙЛ» и её продукты, игровой рынок России и мира, а также доля мобильных игр в этом рынке.
Результаты, полученные при проведении кластерного анализа пользователей мобильной игры, позволяют на начальных этапах отнести нового игрока к той или иной группе пользователей по его игровому поведению. Эту информацию можно использовать для составления персонализированных акций. Например, можно предложить игроку особые условия для улучшения того объекта, который интересует его больше всего в своей игре, с которым он совершает больше всего действий. Нацеленность на типовые группы игроков позволит повысить их заинтересованность и вовлечённость, а соответственно и эффективность самого продукта.
Далее были представлены и описаны основные методы кластерного анализа. Также была приведена визуализация работы алгоритма одного из самых популярных методов кластерного анализа - метода !-средних. При описании методов была описана проблема, порождаемая одним из нерешённых вопросов кластеризации - вопрос выбора оптимального количества кластеров, приведён один из способов решения данной проблемы.
Во второй части работы была поставлена и решена задача кластеризации пользователей по основным показателям их игрового поведения с применением программной среды R. Сведения об игроках для решений поставленной задачи были предоставлены компанией ООО «ОВЕРМОБАЙЛ», которая занимается разработкой мобильных игр. Данная задача была поставлена из-за проблемы оттока пользователей. Ведь по статистике, около 74% пользователей удаляют игру со своего смартфона на четвёртый день после установки. Также, для лучшего понимания проблемы, во время исследования была проанализирована компания ООО «ОВЕРМОБАЙЛ» и её продукты, игровой рынок России и мира, а также доля мобильных игр в этом рынке.
Результаты, полученные при проведении кластерного анализа пользователей мобильной игры, позволяют на начальных этапах отнести нового игрока к той или иной группе пользователей по его игровому поведению. Эту информацию можно использовать для составления персонализированных акций. Например, можно предложить игроку особые условия для улучшения того объекта, который интересует его больше всего в своей игре, с которым он совершает больше всего действий. Нацеленность на типовые группы игроков позволит повысить их заинтересованность и вовлечённость, а соответственно и эффективность самого продукта.
