Геомаркетинговий підхід в задачі розміщення: порівняльний аналіз трьох алгоритмів кластеризації
| dc.contributor.author | Кононова, Катерина Ю. | |
| dc.contributor.author | Kononova, Kateryna | |
| dc.contributor.author | Кононова, Екатерина Ю. | |
| dc.contributor.author | Кострінчук, Денис О. | |
| dc.contributor.author | Kostrinchuk, Denis | |
| dc.contributor.author | Костринчук, Денис А. | |
| dc.date.accessioned | 2020-10-08T10:22:47Z | |
| dc.date.available | 2020-10-08T10:22:47Z | |
| dc.date.issued | 2019 | |
| dc.description.abstract | В результаті дослідження було вирішено задачу оптимізації мережі кав’ярень у місті Харків, яка полягала в тому, щоб знайти такі місця розташування торгівельних точок, щоб мережа кав’ярень рівномірно покривала усе місто, а окремі кав’ярні знаходилися на прийнятній відстані одна від одної та забезпечували максимальний трафік потенційних клієнтів. Для вирішення задачі було використано геомаркетинговий підхід, що дозволяє порядз маркетинговою інформацією враховувати просторові дані. Розроблено низку моделей кластеризаціїта проведено серію експериментів із кожною з них. Аналіз результатів експериментів показав, що базова модель хоча і задовольняє вимогам рівномірного покриття міста мережею кав’ярень, але вона не враховує характеристики потенційних клієнтів. Багатофакторнамодель, навпаки, хоча і дозволяє враху-вати маркетингову інформацію, проте не спрямована на пошук кластерів, для яких з центру до околиці можна дістатися за прийнятний час. В результаті застосування зваженої однофакторної моделі було проведено кластеризацію окремо для різних сегментів потенційних клієнтів, для кожного з яких була вирішена задача розміщення. Результати отриманої кластеризації задовольнили усім потребам бізнесу. В результаті заміни метрики Хаверсіна для підрахунку фактичної відстані між двомакоординатами на дані API Google maps було враховано особливості міського трафіку та уточнено межі кластерів. As a result of the study, the problem of placing a coffee shop network in Kharkiv was solved in order to find such locations for outlets so that the coffee shop network evenly covers the entire city and different cafes are at an acceptable distance from each other and provide maximum traffic of potential customers.To solve the problem, a geomarketing approach was used which along with marketing information allows taking spatial data into account. A number of clustering models were developed and a series of experiments were conducted with eachof them.The analysis of the results of experiments showed that thebasic modelalthough meets the requirements of uniform coverage of the city with a chain of coffee houses, but it does not take into consideration the characteristics of potential customers. The multifactor model, on the contrary, although allows taking into account marketing information, but it is not aimed at finding clusters for which you can get from the center to the outskirts in acceptable time. As a result of applying a weighted one-factor model, clustering was carried out separately for different segments of potential customers, for each of them the placement problem was solved. The results of clustering satisfied all needs of the business. After replacement the way of calculating distance between two coordinates fromHaversine distance metric toGoogle maps API data, the urban traffic features were taken into account and clusters boundaries were refined. В результате исследования была решена задача размещения сети кофеен в городе Харьков, которая заключалась в том, чтобы найти такие места расположения торговых точек, чтобы сеть кофеенравномерно покрывала весь город, а отдельные кафе находились на приемлемом расстоянии друг от друга и обеспечивали максимальный трафик потенциальных клиентов. Для решения задачи был использован геомаркетинговый подход, позволяющий наряду с маркетинговой информацией учитывать пространственные данные. Разработан ряд моделей кластери-зации и проведены серии экспериментов с каждой из них. Анализ результатов экспериментов показал, что базовая модель хотя и удовлетворяет требованиям равномерного покрытия города сетью кофеен, но она не учитывает характеристики потенциальных клиентов. Многофакторная модель, наоборот, хотя и позволяет учесть маркетинговую информацию, однако не направлена на поиск кластеров, для которых из центра до окраины можно добраться за приемлемое время. В результате применения взвешенной однофакторной модели была проведена кластеризация отдельно для различных сегментов потенциальных клиентов, для каждого из которых была решена задача размещения. Результаты полученной кластеризации удовлетворили всем потребностям бизнеса. В результате замены метрики Хаверсина для подсчета реального расстояния между двумя координатами на данные API Google maps были учтены особенности городского трафика и уточнены границы кластеров. | uk_UA |
| dc.identifier.citation | Кононова К. Ю. Геомаркетинговий підхід в задачі розміщення: порівняльний аналіз трьох алгоритмів кластеризації / К. Ю. Кононова, Д. О. Кострінчук // Нейро-нечіткі технології моделювання в економіці : наук.-анал. журн. / М-во освіти і науки України, ДВНЗ «Київ. нац. екон. ун-т ім. Вадима Гетьмана» ; [редкол.: А. В. Матвійчук (голов. ред.) та ін.]. – Київ : КНЕУ, 2019. – № 8. – С. 30–47. | uk_UA |
| dc.identifier.issn | 2306-3289 | |
| dc.identifier.uri | https://ir.kneu.edu.ua:443/handle/2010/34081 | |
| dc.language.iso | uk | uk_UA |
| dc.publisher | ДВНЗ «Київський національний економічний університет імені Вадима Гетьмана» | uk_UA |
| dc.subject | геомаркетинговий підхід | uk_UA |
| dc.subject | задача розміщення | uk_UA |
| dc.subject | кластеризація | uk_UA |
| dc.subject | метод зміщення середнього значення | uk_UA |
| dc.subject | самоорганізаційна карта | uk_UA |
| dc.subject | метод K-середніх | uk_UA |
| dc.subject | API | uk_UA |
| dc.subject | Гугл карта | uk_UA |
| dc.subject | geomarketing approach | uk_UA |
| dc.subject | problem of placing | uk_UA |
| dc.subject | clustering | uk_UA |
| dc.subject | mean shift | uk_UA |
| dc.subject | SOM | uk_UA |
| dc.subject | Kmeans | uk_UA |
| dc.subject | API | uk_UA |
| dc.subject | Google map | uk_UA |
| dc.subject | геомаркетинговый подход | uk_UA |
| dc.subject | задача размещения | uk_UA |
| dc.subject | кластеризация | uk_UA |
| dc.subject | метод сдвига среднего значения | uk_UA |
| dc.subject | самоорганизующаяся карта | uk_UA |
| dc.subject | метод K-средних | uk_UA |
| dc.subject | API | uk_UA |
| dc.subject | Гугл карта | uk_UA |
| dc.subject.udc | 519.85:658 | uk_UA |
| dc.title | Геомаркетинговий підхід в задачі розміщення: порівняльний аналіз трьох алгоритмів кластеризації | uk_UA |
| dc.title.alternative | A geomarketing approach in the placement problem: a comparative analysis of three clusterization algorithms | uk_UA |
| dc.title.alternative | Геомаркетинговый подход в задаче размещения: сравнительный анализ трех алгоритмов кластеризации | uk_UA |
| dc.type | Article | uk_UA |