Klaszteranalízis
A héten a kedvenc „hogy-a-csudába-nem-vettem-ezt-észre” módszeremet vesszük elő. Sok adat, kevés átlátás, és a gyanús érzés, hogy van itt valami rendszer — csak épp nem látszik. A klaszteranalízis pont ezt teszi láthatóvá. Ideális céges adatokra, de működik a bankszámládon és a gardróbodon is.
Van egy sajátos tehetetlenség, amit mindannyian ismerünk: ránézünk egy nagy halom valamire — kiadásokra, ügyfelekre, ruhákra, tennivalókra —, és pontosan tudjuk, hogy van benne rendszer, csak épp nem látjuk. Olyan ez, mintha egy csillagos égre néznénk, és éreznénk, hogy „na, ezek biztos kirajzolnak valamit”, de a végén mindig csak a Göncölszekeret találjuk meg, mert azt tanultuk, a többit meg feladjuk.
Az emberi agy körülbelül három-négy szempontig bírja fejben tartani a dolgokat, aztán feladja, és visszatér a kedvenc módszeréhez: a hasraütéshez.
„A vevőink? Hát, vannak a jók meg a rosszak.”
A Klaszteranalízis (angolul Cluster Analysis) erre a vakságra való. A trükkje egyszerű, de kicsit varázslatos, majdnem mint Harry Potter: fogja a sok objektumot — legyen az ügyfél, termék, kiadás vagy fényképed a macskádról —, megméri, mennyire hasonlítanak egymásra több szempont mentén egyszerre, és magától csoportokba rendezi őket úgy, hogy egy csoporton belül mindenki hasonló, a csoportok között viszont nagy a különbség. A csoportokat nem te találod ki előre — a módszer szigorúan tiltja, hogy a saját előfeltevésedet ráerőltesd —, hanem az adatból bukkannak elő. Ezért látod meg azt a szegmenst is, amiről nem is tudtad, hogy keresned kéne.
A módszer a biológiai rendszertanból és a statisztikából nőtt ki; a lényeg mindvégig ugyanaz: a csoportok az adat valódi szerkezetéből jönnek, nem abból, amit hinni szeretnénk róla — és épp ezért gyakran fel is borítják.
A módszer nagyjából így fut, minél kevesebb matektól rettegve:
Egy: eldöntöd, mit akarsz megtudni, és milyen szempontok szerint mérsz. Ügyfeleket csoportosítasz viselkedés szerint? Termékeket tulajdonság szerint? Ez dönti el az egészet — rossz kérdésre a legszebb klaszter is rossz választ ad.
Kettő: összeszeded az adatot, és minden szempontot közös léptékre hozol. Ha az egyik adatod 1-től 20-ig, a másik 10-től 10 000-ig terjed, a nagyobbik simán legázolja a kicsit — mint egy kamion a rollert.
Három: ráengeded a csoportosító algoritmust, és megnézed, hány természetes csoport rajzolódik ki. A darabszám nem előre kitalált kényelmi szám (a „legyen öt, az kerek”), hanem amit az adat elbír.
Négy: leellenőrzöd, hogy a csoportok tényleg valódiak-e — nem csak a képzeleted rajzolta beléjük. Ha másik módszerrel is ugyanaz jön ki, jó jel; ha nem, az is üzenet.
Öt: mindegyik csoportnak arcot adsz: mi jellemző rá, miben más, mint a többi. És ami a legfontosabb: megnézed, melyik csoportot nem szolgálja ki ma senki.
Hat: a rést lehetőséggé fordítod. Az alul-szolgált csoport a te terepod — ott van kereslet, és nincs, aki elvinné előled.
Na, nézzük élesben — előbb három hétköznapi halomban, aztán három mai magyar KKV-ban, ahol a rejtett csoport nem csak érdekes, hanem pénzt is ér.
Első rész: három halom az életből
Hová tűnik a pénz? A számla, amelyen kiderült az igazság
Eszter minden hónap végén ugyanazt a rejtélyt bámulta: a fizetés rendben megérkezett, aztán valahogy mégis elpárolgott, mint a jó szándék januárban. A nagy tételek megvoltak — rezsi, hitel, bevásárlás —, de maradt egy tekintélyes „egyéb”, amiről csak annyit tudott, hogy létezik.
Ahelyett, hogy megint fogadalmat tett volna, „mostantól spórolok”, a felnőtt élet leghatástalanabb mondata, fogta a 300 banki tranzakcióját, és hagyta, hogy hasonlóság szerint csoportokba rendeződjenek. Nem talált ki a kategóriákat előre. A klaszterek pár perc alatt kirajzolódtak, és egyikük kellemetlenül árulkodó volt: egy népes csoport az este tíz utáni, tizenöt ezer forint alatti rendelésekből — kaja, apró kütyü, „csak most akciós” dolgok. Külön-külön egyik sem tűnt fel. Együtt viszont ez volt a második legnagyobb kiadása a lakhatás után.
A rejtett csoport nem a spórolásán múlt, hanem egy szokáson: a fáradt, esti görgetésen. Eszter nem a költségvetést húzta meg — kikapcsolta az egykattintásos fizetést este tíz után.
A gardrób, amely hazudik
Márké az a szekrény volt, amelyik reggelente tömve van, mégis „nincs mit felvenni” — a fizika egyik megoldatlan legnagyobb rejtélye. Meg volt győződve róla, hogy változatosan öltözik. A szekrény más véleményen volt.
Egy unalmas vasárnap az összes ruháját végigvette néhány szempont szerint: milyen gyakran hordja, milyen alkalomra, milyen évszakra. Aztán hagyta, hogy a hasonló darabok összeálljanak csoportokká — nem aszerint, hogy ő minek gondolta őket, hanem hogy a valóságban hogyan viselkednek.
Két klaszter mondott el mindent. Az egyik egy szűk, agyonhordott mag — három szett, amiben az élete nyolcvan százalékát tölti. A másik egy meglepően népes csoport: a „megvettem, mert megtetszett, és azóta sem vettem fel” darabok, jó részük még címkével. A gardrób nem volt kicsi. Csak rosszul volt feltöltve.
Hová tűnik a hét?
Andrásnak minden vasárnap este ugyanaz a rossz érzése volt: rengeteget dolgozott, mégsem haladt semmivel. A naptára tele, a fontos feladatok mégis ott ültek érintetlenül, sértődötten.
Két hét bejegyzéseit vette elő, és hagyta, hogy a hasonló időblokkok csoportokba álljanak — nem a fontosságuk szerint, ahogy ő címkézte volna, hanem a valós jellemzőik szerint: hossz, résztvevők, hogy ki hívta össze.
A rejtett klaszter itt is előbújt: egy hatalmas csoport rövid, „csak egy gyors egyeztetés” hívásokból, amiket mindig más kezdeményezett, és amik szét is szabdalták a napját apró darabokra. Egyenként ártalmatlannak tűntek. Összeadva heti nyolc órát ettek meg. András nem több önfegyelmet kapott karácsonyra, hanem egy döntést: ezeket a mikro egyeztetéseket egyetlen, kedd délutáni sávba tömörítette. A mély munka hirtelen helyet kapott a naptárban, ahol addig csak lyukak voltak.
Három KKV, három rejtett csoport
A hétköznapi halmoknál, klasztereknél a tét egy kis önismeret és néhány megspórolt esti rendelés. Egy KKV-nál viszont a rejtett csoport gyakran egy egész üzletág, amit épp senki nem vesz észre — se te, se a versenytárs.
A webshop, amely rossz embernek árult
A Bőrönd & Társa Kft. egy 24 fős online bőrdíszmű- és ajándéktárgy-webshop. Az volt a fejükben, hogy a vevőik nagyjából egyfélék: maguknak vásárló, minőségre vágyó felnőttek. A marketing is ehhez szólt. A forgalom mégis makacsul lapos maradt, a hirdetési költség meg nem.
Az ügyvezető, H. Júlia, végül nem újabb hirdetést vett, hanem ránézett a saját adataira. Mivel adatelemzőjük nem volt, az AI-t kérte meg, hogy tervezze meg a csoportosítást — mit érdemes egyáltalán mérni:
A javaslat mentén lefuttatott elemzés egy csoportot vastagon kiemelt: egy jövedelmező, novemberben és decemberben aktív, magas kosár értékű, ajándékcsomagot és gyors szállítást kérő vásárlói kör — jórészt olyanok, akik másnak vettek, nem maguknak.
Ezt a szegmenst a „magadnak, minőségre” üzenet pont hidegen hagyta. Az AI felvázolta a profilt, de a nevet és az értelmezést Júlia csapata adta, akik ismerték a vevőket. A rés kézzelfogható lett: ajándékozási vonal — díszcsomagolás, ajándékkísérő üzenet, határidős kiszállítás —, és egy külön kampány az utolsó pillanatos ajándékozóknak, akiket eddig véletlenül sem szólítottak meg.
A kávézó, amely csak egy kávét látott
A Zöld Bab egy 12 fős belvárosi kávézó, két helyszínnel. A tulaj, K. Bence, tudta, hogy „jönnek a vendégek”, de hogy pontosan kik és mikor, arról annyi képe volt, mintha egy köddel teli ablakon át nézte volna a pincét. A délelőtti forgalom szolidan csordogált, az ebéd meg valahogy sosem futott be igazán.
A pénztárgépük két hónapnyi tranzakcióját csoportosították idő, kosár összetétel és tartózkodási idő szerint. Két rejtett klaszter is előbújt. Az egyik a délelőtti, laptop mellé beülő, egyetlen kávét három órán át kortyolgató távmunkás sereg — kedvesek, de az asztalt tovább foglalják, mint ameddig fizetnek. A másik, alul-szolgált csoport a déli, gyors, elviteles ebédre vágyó irodai vendég, aki most továbbmegy, mert náluk az ebéd lassú és bizonytalan.
A döntés nem „több marketing” lett, hanem két konkrét termék a két rejtett csoportra: a délelőtti távmunkásoknak egy „kávé + ülőhely délig” kombó, ami végre árazza az asztalfoglalást, az ebédelőknek pedig egy előre csomagolt, harminc másodperc alatt átvehető menü. A halom nem több vendéget kért — csak azt, hogy vegyék végre észre, kik ülnek ott.
A lekvárgyártó, aki a tömegben tolongott
A Kertek Íze Kft. egy 40 fős, kézműves lekvárt és szörpöt gyártó cég. Negyven-egynéhány terméke volt, és a tulaj, B. Gábor, büszke volt a széles kínálatra — egészen addig, míg valaki fel nem tette a kellemetlen kérdést, hogy vajon nem ugyanazt csinálják-e negyvenféleképpen.
A termékeiket tulajdonságok szerint csoportosították — ízprofil, cukortartalom, ár, csomagolás, célalkalom —, és a kép kijózanító volt. Szinte az egész portfólió egyetlen zsúfolt klaszterbe tömörült: klasszikus, közepes árú, magas cukortartalmú lekvár, pont oda, ahol a fél magyar piac és az összes lánc saját márkája is tolong.
Árversenyt vívtak saját magukkal és mindenki mással.
A tanulságos rész viszont az üres folt volt: a cukormentes, prémium, ajándékozható, felnőtt ízvilágú vonal — amit alig gyártott valaki, és amiért a jobb boltok fizetnének is. Az AI-t itt a versenytársak és a polcok feltérképezésére vetették be, hogy lássák, hol tényleg üres a tér; a mintát a kereskedelmi vezetőjük hitelesítette, aki naponta járta a boltokat. Az agenda nem újabb tíz klasszikus íz lett, hanem egy szűk, bátor prémium vonal a rés kellős közepére — oda, ahol nem kell a padlóig menni az árral, mert nincs kivel versenyezni.
Mikor húzd elő — és mire figyelj
A hat eset ugyanazt súgja: a klaszteranalízis akkor a legerősebb, amikor egy nagy, sokszempontú halomra nézel, érzed, hogy van benne rendszer, de az agyad három szempont után megadja magát. Ilyenkor nem okosabb tippet ad — hanem hagyja, hogy az adat maga rajzolja ki a csoportokat, és rendszerint épp azt a szegmenst tolja eléd, amit magadtól sosem kerestél volna.
Néhány buktató viszont makacsul visszatér, jó előre ismerni őket.
Ne a saját fejedből told rá a csoportokat. A módszer értéke épp az, hogy az adatból jönnek a klaszterek. Ha előre eldöntöd, hány csoport lesz és mik lesznek, csak a saját előítéletedet öntöd szép ábrába.
Egyenlítsd ki a szempontokat. A nagyon eltérő léptékű adatok közül a nagyobbik legázolja a többit. Közös léptékre hozás nélkül a klaszter arról szól, aminek véletlenül nagyobb a száma, nem arról, ami fontos.
A klaszter hipotézis, nem kőbe vésett igazság. Egy szép csoportosítás önbizalmat ad, de a valóságot még egy vevői beszélgetés vagy egy próba igazolja. A módszer megmondja, hová nézz — nem azt, hogy mit fogsz találni.
Ne legyen egyszeri fotó. A vevők és a piac mozognak; egy egyéves klaszterkép egy gyorsan változó piacon már egy másik cégről szól. Futtasd újra, ha új adat gyűlt össze.
És az AI-ról: a klaszteranalízis pont az a módszer, ahol egy KKV-nak valóban jól jön a gép, mert a matek egy részét elvégzi adatelemző nélkül is. De a súlypont az emberé marad — a gép megtalálja a csoportot, a nevét és az értelmét te adod, mert te ismered a vevőt, akit a klaszter csak egy pontfelhőként lát.
Szóval ha legközelebb egy halomra nézel — a kiadásaidra, a vevőidre, a termékeidre — és elfog az az érzés, hogy „van itt valami, csak nem látom”, ne erőltesd a szemed. Hagyd, hogy a hasonlóság elvégezze a munkát. Nagy eséllyel előbújik egy csoport, amiről nem tudtad, hogy létezik — és épp az lesz a legérdekesebb az egészben.
Megjegyzések
Megjegyzés küldése