Avaliação de métodos de clustering para a segmentação geográfica de clientes

Abstract

Em 2014 foram levantados a existência de mais de 1,2 mihões de pontos de vendas de bebidas no Brasil. Entre as empresas mais influentes do ramo, pode ser destacado a Ambev, que detém em seu portfólio marcas de bebidas como Budweiser, Brahma e Stella Artois. Com mais de 1 milhão de clientes em 2022 e 111 centros de distribuições, existe complexo problema para segmentar o atendimento destes pontos de vendas. Para atende-los de forma singular, são designados vendedores a cada ponto de venda, os quais auxiliam nas vendas de produtos como também ajudam preventivamente em possíveis problemas decorrentes da entrega. Levando em conta a quantidade de pontos de vendas que os vendedores da empresa precisam atender diariamente, uma metodologia para o planejamento de visitas se faz necessário. Desta maneira, o presente trabalho buscou propor um método para segmentar geograficamente as regiões de atendimento através de algoritmos de clustering. Para isso, foram estudados os fundamentos básicos do método de clusterização bem como testados diferentes métodos: K-means, K-means ++ e Suppor Vector Machine. Ao analisar os quatro métodos, foram avalidados parâmetros de velocidade de processamento do algoritmo, de distância média entre os pontos de venda de cada cluster gerado e da distribuição da quantidade de pontos de venda por região. O método que melhor obteve resultados nestes parâmetros foi o K-means, sendo assim utilizado em nas seguintes cidades: Sapucaia do Sul, Porto Alegre e Gravataí. Em um total de 210 clusters, a aplicação do K-means gerou uma redução de 69,1% da distância total de quilômetros dos pontos de venda frente aos pontos médios de seus respectivos clusters. Além disso, foi reduzido 67,7% do desvio padrão fem relação a quantidade de clientes alocados por clusters. Mesmo por vezes alocando clientes muitos próximos geograficamente em clusters diferentes, o K-means foi capaz de segmentar regiões e melhorar a disitrbuição de clientes por vendedores. Assim, pode ser concluido que métodos de clustering são eficazes para segmentar dados geográficos.

In 2014, the existence of over 1.2 million beverage sales points in Brazil were identified. Among the most influential companies in the sector is Ambev, which holds brands such as Budweiser, Brahma, and Stella Artois in its portfolio. With over 1 million customers in 2022 and 111 distribution centers, it becomes complex to find an effective method to segment the service regions. To serve the customer in a singular way, salespeople are assigned to each point of sale, assisting in the sales of products and ensuring that there are no problems during delivery. Considering the number of sales points that the company's salespeople need to serve daily, a methodology for visit planning is necessary. Thus, this study proposed a method to geographically segment the service regions using clustering algorithms. For this purpose, the basic fundamentals of the clustering method were studied, and different methods were tested: K-means, K-means++ and Support Vector Machine. When analyzing the four methods, algorithm processing speed parameters, average distance between sales points in each generated cluster, and distribution of the number of sales points per region were evaluated. The method that performed best in these parameters was K-means, and it was therefore used on Ambev customer bases in Sapucaia do Sul, Porto Alegre, and Gravataí. In a total of 210 clusters, the application of K-means generated a 69.1% reduction in the total distance in kilometers of sales points compared to the midpoint of their respective clusters. In addition, there was a 67.7% reduction in the standard deviation compared to the number of customers allocated per cluster. Even when allocating customers who are geographically very close in different clusters at times, K-means was able to segment regions and improve the distribution of customers among salespeople. Thus, it can be concluded that clustering methods are effective for segmenting geographical data.