Ефективність алгоритмів кластеризації для аналізу малих маркетингових даних: порівняльний аналіз і практичні рекомендації

UKR: У роботі досліджено ефективність алгоритмів кластеризації при аналізі малих наборів маркетингових даних. Основну увагу приділено алгоритму Support Vector Machines (SVM), який показав високу точність класифікації та стійкість до перенавчання. Проведено серію емпіричних експериментів, що включали підготовку даних, формування тренувальних і тестових вибірок, налаштування параметрів моделі та оцінку ефективності за допомогою стандартних метрик. Результати дослідження підтвердили доцільність використання методів регуляризації, аугментації даних і перенесеного навчання для покращення класифікації. Розроблені рекомендації спрямовані на оптимізацію маркетингових стратегій, зокрема на точну сегментацію ринку та ефективне управління ресурсами компаній в умовах обмежених даних.

ENG: The paper investigates the effectiveness of clustering algorithms in analysing small sets of marketing data. The main attention is paid to the Support Vector Machines (SVM) algorithm, which has shown high classification accuracy and resistance to overfitting. A series of empirical experiments were conducted, including data preparation, formation of training and test samples, adjustment of model parameters and evaluation of efficiency using standard metrics. The results of the study confirmed the feasibility of using regularisation, data augmentation and transfer learning methods to improve classification. The developed recommendations are aimed at optimising marketing strategies, including accurate market segmentation and efficient management of companies' resources in the face of limited data.