Кластерный анализ данных: как находить закономерности и принимать решения

Представьте две компании. Одна тратит миллионы на улучшение продукта, ориентируясь на «среднего клиента». Вторая вкладывается в премиальный тариф для тех, кто готов платить, и в обучение для сомневающихся. Результат предсказуем.

Похожая ситуация и в управлении персоналом. HR-специалист вводит ДМС для всего коллектива, а текучка не снижается. Причина проста: выгорающие руководители и демотивированные новички – это две реальности, требующие разного подхода.

Если ориентироваться только на средние показатели, то они будут сглаживать различия и скрывать истинное положение дел. Кластерный анализ помогает заглянуть за усредненные значения. Маркетологи с его помощью перестают распылять бюджет, а HR-менеджеры видят, кто выгорает от перегрузок, а кто теряет мотивацию из-за рутины.

В статье разберем:

• как без глубоких знаний статистических инструментов разделить покупателей или сотрудников на группы;
• как преобразовать знания о сегментах в решения, приносящие прибыль;
• покажем на примере, как кластеризация помогла фирме снизить отток клиентов.

Что такое кластерный анализ

Это метод из области Data Science (науки о данных), который помогает разделить группу объектов на несколько подгрупп. В бизнесе такие объекты — потенциальные или действующие покупатели и сотрудники.

Проще говоря, алгоритм ищет, например, внутри массива ответов на опросы людей со схожими моделями поведения или мнениями. И группирует их.

Допустим, компания опросила потребителей и попросила оценить качество сервиса по шкале от 1 до 10. Собрали 2000 анкет. Средний балл — 7 из 10. На первый взгляд все выглядит нормально.

Однако кластеризация позволяет обнаружить внутри этой информации важные латентные объединения. 👉 Алгоритм выделит три сегмента:

• адвокаты — ставят 9–10 и активно рекомендуют услуги;
• нейтральные — ставят 6–8 и пользуются сервисом без особой лояльности;
• недовольные — ставят 3–5 и рассматривают альтернативы.

И выявит структуру аудитории. Усредненная оценка 7 этого не дает.

Именно поэтому метод широко используется в маркетинге, CX-исследованиях (Customer Experience — изучающих опыт и удовлетворенность целевой аудитории (ЦА)) и HR-аналитике.

Его основная задача — найти естественные кластеры внутри представленных для обработки сведений, где:

• объекты внутри группы максимально похожи,
• разные формирования имеют заметные различия.

Отличие от классификации

Классификация — это задача из Machine Learning (Машинного обучения), где категории известны заранее. 👉  Компания уже знает, кто такие «лояльные клиенты», и учит модель распознавать их по признакам.

Кластеризация работает иначе: у нее нет готовых категорий. С ее помощью исследователь находит не заданные объединения, а естественные, о которых бизнес мог даже не догадываться.

Вот почему этот метод используют в исследовательской аналитике, когда нужно понять, какие сегменты ЦА существуют на самом деле.

Зачем бизнесу кластеризация итогов опросов

Она эффективна, когда у компании уже есть много разных сведений:

• отчеты о проведенных анкетированиях;
• статистика CRM (Customer Relationship Management, система управления взаимоотношениями с потребителями или пользователями);
• поведенческая аналитика;
• информация об использовании продукции/услуг.

С ее помощью можно разделить этот массив на понятные части.

Кластеризация в маркетинге

Маркетологи используют ее для:

• сегментации заказчиков;
• анализирования поведения покупателей;
• поиска новых целевых аудиторий.

👉  Проанализировав покупателей интернет-магазина может разделить их на:

• импульсивных;
• рациональных;
• охотников за скидками.

Для каждой категории настраивают отдельную коммуникацию.

Кластеризация в HR

В HR-аналитике она помогает анализировать итоги анкетирования сотрудников. 👉  Внутри компании могут быть:

• сотрудники-энтузиасты;
• стабильные исполнители;
• сотрудники на грани выгорания.

Если работать только со средней оценкой вовлеченности, такие различия незаметны.

Кластеризация при аналитике клиентского опыта

В CX она позволяет понять:

• какие заказчики сталкиваются с проблемами;
• какие довольны сервисом;
• какие готовы рекомендовать продукцию.

Это позволяет приоритизировать повышение качеств.

Основные методы кластеризации и как их выбирать

Их существует много, но в прикладной аналитике чаще всего используют несколько базовых способов. Для выбора подходящего важно понимать не только математические детали, но и в каких ситуациях какой подход работает лучше.

k-средних

Это самый распространенный способ разбиения множества объектов на кластеры. Он используется, когда значения представлены числовыми показателями 👉:

• оценки по шкале 1–10;
• частота покупок;
• время использования товара/предложения;
• суммы заказов.

Работает так:

1. исследователь задает предполагаемое число групп (k);
2. система распределяет объекты по ним;
3. внутри каждой группировки остаются максимально похожие объекты.

Пример. Компания анализирует ответы покупателей на вопросы:

• удовлетворенность ценой;
• удобство интерфейса;
• скорость доставки.

После выявляют потребителей:

• довольных услугой или продукцией;
• довольных ценой, но недовольных сервисом;
• недовольных почти всем.

💡 Почему нужно проверять результат. Алгоритм всегда создает кластеры, даже если в исходниках нет четкой системы. Вот почему выводы следует интерпретировать и проверять с точки зрения бизнеса.

Иерархическая кластеризация

Она показывает структуру групп и подгрупп.

Алгоритм начинает с объединения самых похожих объектов, затем последовательно соединяет их в более крупные. Итог визуализируется в виде дерева — дендрограммы. На ней хорошо видна иерархия:

• внизу — мелкие, близкие по свойствам формирования,
• выше — их объединение в крупные конгломераты.

Это полезно, когда нужно:

• понять аудиторию;
• исследовать объединения глубже.

Способ хорошо работает с числовыми значениями опросов средней величины (несколько сотен участников анкетирования).

Методы для сложных данных

Иногда стандартные способы не подходят 💡:

• если информация категориальная (город, профессия);
• если в ней много шума (случайных или неискренних ответов);
• если человек может относиться сразу к нескольким объединениям.

В таких случаях используют специализированные программы из области Statistical Learning (статистического обучения), которые помогают не путаться на противоречивых сведениях.

Но в большинстве маркетинговых и HR-задач достаточно базовых методов. Главное — не усложнять модель без необходимости.

Подготовка данных: где возникает большинство ошибок

Практика аналитики показывает: до 80% времени проекта уходит на подготовку информации. Это нормально.

Большинство алгоритмов работают на основе расстояния между объектами: чем ближе объекты друг к другу в многомерном пространстве признаков, тем выше вероятность, что они будут сгруппированы вместе.

Если подготовка прошла плохо — содержит мусор (необдуманные ответы), пропуски (пустые вопросы в анкетах) или не приведена к единому знаменателю (👉 один показатель замеряется в тысячах, другой — шкально от единицы до пяти), — алгоритм найдет случайные, бессмысленные множества. Для избежания этого перед исследовательской деятельностью проверяют несколько параметров.

Выбор показателей для изучения

Не стоит включать в модель все возможные переменные. Лучше оставить 5–15 показателей, которые действительно могут отличать людей друг от друга.

💡  Подходят: 

• удовлетворенность сервисом; 
• периодичность заказов;
• использование функций. 

Это содержательные признаки, которые действительно разделяют людей по поведению.

Работа с пропусками

При проверке анкет часто встречаются пустые ответы. Если их не обработать, алгоритм может: игнорировать строки или некорректно считать расстояния. 

Поэтому пропуски обычно:

• удаляют (если анкета почти пустая);
• или заполняют средним значением.

Этот процесс называется импутацией.

Выбросы

Выброс — это значение, сильно отличающееся от остальных. 👉 Один клиент тратит в 100 раз больше остальных.

Такие значения могут перетянуть центр кластера, и выводы станут нестабильными.

Поэтому выбросы:

• проверяют,
• корректируют,
• или исключают.

Нормализация данных

Если один параметр, например, измеряется в тысячах рублей, а другой — по степени возрастания от одного до десяти, алгоритм будет считать первый более важным.

Для недопущения этого критерии приводят к единому масштабу. Этот процесс именуют нормализацией. Он делает показатели сопоставимыми и повышает их точность.

Пример: как кластерный анализ помог найти неочевидный сегмент, вызывавший отток клиентов

Контекст:

Компания из сектора B2B (работает с юридическими лицами, а не с частными покупателями) продает программное обеспечение по подписке. Ежемесячный NPS-опрос (индекс лояльности клиентов) показывает хорошие проценты (+42), но отток ЦА составляет 6% и не снижается. Аналитики решили сгруппировать ответы, чтобы увидеть объективную картину.

Что сделали:

Собрали на платформе «Анкетолог» 350 анкет с оценками по 8 критериям (скорость работы, качество поддержки, цена, функциональность и др.). Подготовили отчеты (удалили пропуски, скорректировали выбросы, нормализовали) и запустили k-средних. Протестировали варианты от 2 до 6 кластеров — лучший из них дал разбиение на 4 группы.

Результат:

Кластер	Доля	Характеристика	Название
1	28%	Оценки 9–10 по всем параметрам	«Фанаты»
2	15%	Поддержка — 3, функциональность — 9	«Критики поддержки»
3	22%	Функциональность — 4, остальное — 6–7	«Нуждающиеся в функциях»
4	35%	Цена — 3, остальное — 7–8	«Ценовые скептики»

Главный инсайт:

Самая большая группа клиентов (35%) недовольна ценой, хотя само ПО оценивают высоко. Раньше это было незаметно, потому что «фанаты» (28%) завышали усредненные показатели. Компания инвестировала в улучшение функций для всех, а настоящая проблема оказалась в восприятии цены значительной частью аудитории.

Что изменили:

Компания:

• пересмотрела ценовую модель и добавила тариф с ограниченным функционалом;
• изменила коммуникацию ценности продукта для сомневающихся в стоимости.

Итог:

Отток в этом объединении начал снижаться. Пример показывает, как можно обнаружить скрытые сегменты, невидимые в средних показателях.

Инструменты для анализа: с чего начать

Провести базовую кластеризацию можно даже без сложной аналитической инфраструктуры. Информацию для изучения удобно собирать через платформы, 👉 сервис по проведению онлайн-опросов «Анкетолог». 

Он позволяет выгрузить отчеты в форматах Excel, CSV или SPSS — эти документы можно напрямую загрузить в любой инструмент, о котором пойдет речь ниже.

Excel

Для первых экспериментов достаточно Microsoft Excel. В нём есть:

• надстройки анализа полученных сведений
• функции обработки таблиц
• возможность подготовить данные.

Этот вариант подходит для небольших исследований. Отличная база для начала работы.

Статистические пакеты

Для регулярной аналитики используют специальные инструменты, 👉 IBM SPSS Statistics (Statistical Package for the Social Sciences)

Они позволяют:

• автоматически группировать;
• визуализировать итоги;
• проверять статистические гипотезы.

Языки программирования Python и R для сложной аналитики

Для более трудных проектов используют языки программирования:

• Python (универсальный язык, много готовых библиотек);
• R (специализированный язык для статистики, удобен для визуализации и научных расчетов).

👉 В Python популярна библиотека scikit-learn (инструментарий для машинного обучения на основе SciPy). Она позволяет:

• строить модели;
• тестировать разные алгоритмы;
• автоматизировать ход работы.

Использование искусственного интеллекта (ИИ) для ускорения работы

Базовый анализ можно выполнить с помощью ИИ-инструментов. Если у вас есть очищенный файл с данными, можно использовать, 👉 ChatGPT или Claude.

Пример запросов:

📌 Промпт 1

Ты выступаешь в роли исследователя.

Проанализируй таблицу с результатами анкетирования.

Выполни кластерный анализ заполненных анкет покупателей/сотрудников по числовым вопросам и предложи 3–5 вариантов разделения аудитории.

Для каждого из них опиши характеристики и отличия от других.

📌 Промпт 2

Проведи предварительное изучение статданных:

 – оцени распределение признаков

 – предложи оптимальное количество сегментов

 – объясни, какие переменные сильнее всего влияют на сегментацию.

📌 Промпт 3

После проведенных процедур предложи интерпретацию итогов с позиции бизнесмена: что можно выделить и какие управленческие решения возможны.

Важно: выводы ИИ нужно проверять, потому что модель может предложить гипотезы, а не строгий статистический результат.

Первые шаги для внедрения кластерного анализа

Это можно сделать без сложных проектов. Достаточно трех шагов.

📌 1. Пилотный проект

Выберите один опрос:

• удовлетворенность коммерческим предложением;
• клиентский опыт;
• вовлеченность сотрудников.

Запустите подходящий метод кластеров, посмотрите на итоговую сегментацию. Это позволяет быстро проверить есть ли структура в полученных значениях.

📌 2. Обсуждение результатов

После важно обсудить результаты с командой:

• маркетинга;
• технической поддержки.

Это служит основой для понимания:

• совпадают ли кластеры с опытом бизнеса;
• есть ли у них практический смысл.

Если полученную информацию нельзя интерпретировать, значит модель нужно пересмотреть.

📌 3. Регулярный анализ

Когда метод начинает давать полезные инсайты, его можно применять регулярно. Например:

• раз в квартал анализировать ответы клиентов;
• отслеживать изменение объединений покупателей;
• проверять эффект изменений.

Заключение

Кластерный анализ — полезный аналитический инструмент. Он позволяет:

• систематизировать аудиторию;
• обнаружить скрытые кластеры клиентов;
• принимать более точные бизнес-решения.

Главная ценность метода — переход от усредненной аналитики к работе с реальными группами людей. Кластеризация приносит пользу, когда есть:

• достоверные данные;
• внимательная интерпретация результатов;
• готовность бизнеса менять решения.

Даже простой анализ данных опроса может показать, что внутри одной «средней оценки» скрывается разные сегменты потребителей. Именно эти различия часто дают самые важные инсайты.

FAQ

1. Как проверить, что сегменты не случайны?

Сделайте несколько итераций с разными начальными настройками. Если состав групп каждый раз примерно одинаков — итог устойчивый. Если они «прыгают» — данных мало или они не систематизированы.

2. Какие данные применяют для кластеризации?

Подойдут любые сведения, которые можно представить в числах: оценки из опросов, регулярность приобретения, период использования товара, стоимость заказов и даже категории (регион, место работы) после специального кодирования.

3. Сколько объединений нужно строить?

Чаще всего тестируют несколько вариантов (👉 3–6) и выбирают тот, который лучше всего интерпретируется в контексте коммерческой деятельности.