Сегментування ринку інноваційної продукції за допомогою генетичних алгоритмів

Анотація

Метою дослідження є розробка універсального підходу до вирішення задачі сегментування ринку інноваційної продукції на основі поєднання генетичного алгоритму з традиційними методами кластеризації. Доведено, що зростаюча кількість та складність завдань, що вирішуються в межах маркетингових досліджень ринку, необхідність роботи з великим обсягом інформації, призводить до необхідності групування даних. Для сегментування  ринку медичного обладнання пропонується використовувати метод k-середніх – популярний алгоритм кластерного аналізу. Запропонований алгоритм кластеризації відноситься до категорії гібридних, так як він використовує еволюційний підхід, характерний для генетичних алгоритмів. Його перевагою є формування кластерів не по одному, а по сукупності критеріїв. У дослідженні розглядаються вектори в 5-вимірному просторі. За результатами дослідження виділено три основні ринкові ніші на ринку медичного обладнання та витратних матеріалів в Україні, які характеризуються достатньо щільним угрупованням споживачів навколо центру свого кластеру в просторі ознак.

Ключові слова: сегментування ринку, ринкова ніша, інноваційна продукція, кластеризація, генетичний алгоритм

DOI: 10.15276/mdt.5.2.2021.6

       1. Zozulov O.V. (2003) Segmentirovanie ryinka [Market segmentation]. Kiev, Studtsentr (in Russian)

1. Illiashenko S.M. (2005) Marketynhova tovarna polityka. [Marketing product policy]. Sumy: Universytetska knyha (in Ukrainian)


2. Kokhana T.V. (2013) Stratehichnyi pidkhid do sehmentatsii rynku. [Strategic approach to market segmentation]. Agrarian economy, vol. 6, No. 3-4, pp. 64-69.


3. Kudenko O.V. (2014) Krytychnyi analiz metodiv ta pidkhodiv do sehmentuvannia rynku. [Critical analysis of methods and approaches to market segmentation]. Productivity of agro-industrial production. economic sciences. No. 26, pp. 33-38.


4. Lotysh O. (2017) Sehmentatsiia rynku yak instrument stratehichnoho analizu haluzi. [Market segmentation as a tool for strategic analysis of the industry]. Scientific Bulletin of the International Humanities University. Series: economics and management. No. 24(1), pp. 120-124.


5. Oklander M.A. (2013) Suchasni transformatsii kulturnykh chynnykiv povedinky spozhyvacha. [Modern transformations of cultural factors of consumer behavior]. Economic Bulletin of NTUU "KPI". No. 10, pp. 386-392.


6. Smerichevskyi S., Klimova O., Kniazieva T. (2020) Mechanisms to ensure the activation of the market of products of aircraft building based on clustering and outsourcing. Cluster model of innovative development of the national economy: infrastructure and investment aspectsp. Poznań: Wydawnictwo naukowe WSPIA. рр. 352-364.


7. Yudin V.N., Karpov L.E. (2017) Nepolnostyu opisannyie ob'ektyi v sistemah podderzhki prinyatiya resheniy. [Incompletely described objects in decision support systems]. Programming. No. 5, pp. 24-31.


8. Hu Z., Bodyanskiy Y., Tyshchenko O. (2019) Self-learning procedures for a kernel fuzzy clustering system. Advances in Computing Science for Engineering and Education. Vol. 754, pp. 487-497.


9. Hartigan J.A., Wong M.A., Algorithm A.S. (1979) 136: A k-means clustering algorithm. Journal of the Royal Statistical Society, Series C (Applied Statistics). Vol. 28. № 1, pp. 100-108.


10. Kohonen T. (2001) Self-Organizing Maps: 3rd edition. Berlin-New York: Springer-Verlag. 521 p.


11. Zhang T., Ramakrishnan R., Livny M. (1996) BIRCH: an efficient data clustering method for very large databases. Proceedings of the ACM SIGMOD international conference on Management of data (SIGMOD '96). рp. 103-114. Available at: https://doi.org/10.1145/235968.233324 (accessed 3 February 2021).


12. Päivinen N. (2005) Clustering with a minimum spanning tree of scale-free-like structure. Pattern Recognition Letters. Vol. 26. Iss. 7. рp. 921-930. Available at: https://doi.org/10.1016/j.patrec.2004.09.039 (accessed 3 February 2021).


13. Guha S., Rastogi R., Shim K. (2000). ROCK: a robust clustering algorithm for categorical attributes. Information Systems. Vol. 25. № 5. рp. 345-366. Available at: https://doi.org/10.1016/S0306-4379(00)00022-3 (accessed 3 February 2021).


14. Sheikholeslami G., Chatterjee S., Zhang A. (2000) WaveCluster: A Wavelet-Based Clustering Approach for Spatial Data. VLDB Journal. No. 8 (3-4). рp. 289-304. Available at: http://dx.doi.org/10.1007/s007780050009 (accessed 3 February 2021).


15. Wang C., She Z., Stantic B., Chi C.H., Cao L. (2018) Coupled Clustering Ensemble by Exploring Data Interdependence. ACM Transactions on Knowledge Discovery from Data. Vol. 12. No. 6. рp. 63:1-63:38.


16. Abasi A., Sajedi H. (2016) Fuzzy-clustering based data gathering in wireless sensor network. International Journal on Soft Computing (IJSC). Vol. 7. No.1. Pp.1-15. Available at: https://doi.org/10.5121/ijsc.2016.7101 (accessed 3 February 2021).


17. Antamoshkin A., Kazakovtsev L. (2013). Random Search Algorithm for the p-Median Problem. Informatica (Ljubljana). Vol. 37. No. 3. рp. 267-278.


18. Hosage C.M., Goodchild M.F. (1986) Discrete Space Location Allocation Solutions from Genetic Algorithms. Annals of Operations Research. Vol. 6. рp. 35-46.


19. Alp O., Erkut E., Drezner Z. (2003) An Efficient Genetic Algorithm for the p-Median Problem. Annals of Operations Research. No.122 (1-4). рp. 21-42. Available at: https://doi.org/10.1023/A:1026130003508 (accessed 3 February 2021).


20. MacQueen J.B. (1967) Some Methods of Classification and Analysis of Multivariate Observations. Proceedings of the 5th Berkley Symposium on Mathematical Statistics and Probability. Vol. 1. рp. 281-297.


21. Mandel I.D. (1988) Klasternyiy analiz. [Cluster analysis]. Moscow: Finance and Statistics (in Russian)