Segmentacja rynku kursów online: Co ujawniają klastry dotyczące nisz nabywcy

Segmentacja rynku kursów online: Dlaczego to inne pytanie niż prognozowanie

Prognozowanie ceny lub popularności kursu odpowiada na pytanie 'co konkretnie ta oferta zrobi'. Segmentacja zadaje zupełnie inne, a może bardziej strategiczne pytanie: 'jakie odrębne rodzaje kursów istnieją na tym rynku i ile w zasadzie różnorodnych propozycji nabywczych się tam znajduje?' To dziedzina uczenia nienadzorowanego – nie ma etykiet do przewidywania, tylko struktura do odkrycia. Projekt analizy rynku wykorzystujący grupowanie do katalogu kursów online wykazał, że niewielka liczba klastrów – cztery w tym przypadku – była wystarczająca, aby wyjaśnić większość znaczących różnic pod względem ceny, czasu trwania, oceny i liczby zapisanych osób, co samo w sobie jest informacyjne: sugeruje to, że rynek nie jest ciągłym kontinuum ofert, ale zorganizowany wokół kilku rozpoznawalnych propozycji nabywczych.

Wybór cech i umożliwienie algorytmowi znalezienia struktury

Algorytmy grupowania, takie jak k-means, grupują obserwacje minimalizując wariancję wewnątrzklasterową na wybranych zmiennych numerycznych, więc wybór cech determinuje, jaką strukturę można znaleźć. Użycie ceny, czasu trwania, oceny instruktora i popularności/liczby zapisów jako cech grupowania (po standardowym przeskalowaniu każdej z nich do porównywalnych skal, ponieważ k-means jest wrażliwe na wielkość cech) pozwala algorytmowi grupować kursy wyłącznie na podstawie ich zachowania na rynku, niezależnie od etykiety tematycznej. To różny wgląd niż sortowanie kursów według kategorii: dwa kursy IT mogą znaleźć się w różnych klastrach, jeśli jeden jest tani, krótki, masowy produkt, a drugi to długi, drogi, niszowy produkt, podczas gdy krótki tani kurs IT i krótki tani kurs językowy mogą znaleźć się w tym samym klastrze pomimo braku wspólnego tematycznie związku.

Wychwycone cztery segmenty

Uruchomienie k-means (z liczbą klastrów dobraną za pomocą metody łokcia lub współczynnika sylwetki, a następnie zweryfikowane pod kątem interpretowalności) na tym zbiorze danych dało się cztery wyraźne grupy, które odpowiadają rozpoznawalnym typom nabywców:

Dlaczego segmentacja ta jest bardziej opłacalna niż etykiety kategorii

Etykieta taksonomii kategorii ('Programowanie', 'Języki', 'Biznes') mówi platformie, czego uczy się kurs, ale nie jak zachowuje się on komercyjnie. Segmenty wygenerowane przez grupowanie mówią platformie, w jaki sposób kurs konkuruje - cenowo, czasowym zaangażowaniem lub głębokością - niezależnie od tematu. Różnica ta ma znaczenie dla decyzji biznesowych: platforma starająca się zwiększyć wolumen zapisów powinna badać, co ma wspólnego z klastrem 'popularny kurs o średniej długości' (zakres cenowy, zakres czasowy, próg oceny) i zachęcać do tworzenia nowych ofert, aby docelowo kierować się tym zakresem, podczas gdy platforma starająca się budować przychody premium/kwalifikacje powinna szukać, co oddziela klastr 'premium długi' od reszty i inwestować w wspieranie tych cech (bardziej szczegółowe programy nauczania, silniejsze vetting instruktorów, certyfikaty), zamiast optymalizować każdy kurs pod kątem tego samego ogólnego szablonu.

Interpretacja klastr w kontekście rzeczywistego rynku

Konkretne liczby za tymi klastrami odzwierciedlają podstawowy rynek, który badał ten projekt – krajowy rynek edukacji online, w którym treści programistyczne i IT znajdują się na wysokim końcu skali cenowej, a instrukcje w języku ojczystym docierają do około połowy wymienionych kursów, a krótsze kursy o długości 10–30 godzin charakteryzują się najwyższym zaangażowaniem. W rynkach o odmiennych cechach strukturalnych (różne średnie dochody, różne dynamiki językowe, różna dojrzałość platform) ta sama metodologia klastrowa prawdopodobnie ujawniłaby podobny podział na cztery części – budżetowy/masowy, premium/ekspercki, popularny punkt idealny i niszowy/specjalistyczny – nawet jeśli dokładne progi cenowe i długości kursów definiujące każdą grupę różnią się znacznie. Ta strukturalna spójność, a nie konkretne liczby, jest bardziej przenośnym wnioskiem z tego typu analizy.

Przekształcanie klastrów w rekomendacje

Wartość ćwiczenia segmentacji jest osiągana tylko wtedy, gdy zostanie przetłumaczona na konkretne działania. W tym projekcie wyniki grupowania zostały bezpośrednio wprowadzone do niewielkiego zestawu rekomendacji biznesowych: inwestuj disproportionately w czynniki podnoszące rating i recenzje (ponieważ sygnały jakościowe wydawały się być różniącymi się nie tylko między, ale i wewnątrz klastrów), koncentruj się na IT/specjalizacji technicznej, biorąc pod uwagę siłę cenową tego segmentu, priorytetowo traktuj treści w języku ojczystym ze względu na jego korelację z popularnym segmentem, utrzymuj elastyczne ceny i dostosowane do segmentu zamiast jednolitych dla kategorii, oraz preferuj krótsze formaty (około 20–40 godzin) ponieważ ten zakres czasu konsekwentnie nakładał się z klastrem o najwyższym zaangażowaniu. Żadne z tych rekomendacji nie wymagało przewidywania niczego dotyczącego nowego kursu – pochodziły one wyłącznie z rozumienia kształtu istniejącego rynku.

Często zadawane pytania

Wypróbuj na żywo

Wszystko powyżej działa bezpośrednio w Twojej przeglądarce — otwórz the simulation i zmieniaj parametry podczas działania. Nic nie jest instalowane ani przesyłane na serwer, cały model działa w jednej karcie.