AVTO EHTIYOT QISMLARI BOZORIDA MIJOZLARNI SEGMENTATSIYA QILISH UCHUN KLASTERLASH MODELLARI

ISSN: 2582-4686 SJIF 2021-3.261,SJIF 20222.889, 2024-6.875 ResearchBib IF: 9.948 / 2024 VOLUME-5, ISSUE-12 1457 AVTO EHTIYOT QISMLARI BOZORIDA MIJOZLARNI SEGMENTATSIYA QILISH UCHUN KLASTERLASH MODELLARI Ahmedov Behroʻzbek Behzodjon oʻgʻli Jaloliddinov Doniyorbek Jamoldin oʻgʻli Farg‘ona Davlat Texnika Universiteti talabalari [email protected] jaloliddinovdoniyorb[email protected]m Dilshodov Abrorjon Dilshodjon oʻgʻli Farg‘ona Davlat Texnika Universiteti o‘qituvchisi [email protected] Annotatsiya. Raqamli savdo platformalari va avtomobil sanoatining rivojlanishi natijasida avto ehtiyot qismlari bozorida mijozlar haqidagi ma’lumotlar hajmi sezilarli darajada oshib bormoqda. Ushbu ma’lumotlardan samarali foydalanish mijozlar ehtiyojlarini aniqlash, sotuv strategiyalarini optimallashtirish va xizmatlar sifatini oshirish imkonini beradi. Mazkur tadqiqot ishida avto ehtiyot qismlari bozorida mijozlarni segmentatsiya qilish masalasi klasterlash asosidagi mashinaviy o‘rganish modellari yordamida o‘rganildi. K-means, Hierarchical Clustering, DBSCAN va Gaussian Mixture Model (GMM) algoritmlarining samaradorligi qiyosiy tahlil qilindi. Eksperimental tadqiqotlar mijozlarning xarid chastotasi, ehtiyot qismlar turi, xarid qiymati va avtomobil markasi kabi ko‘rsatkichlar asosida amalga oshirildi. Natijalar GMM va DBSCAN algoritmlari murakkab va notekis xarid xatti-harakatlarini aniqlashda yuqori aniqlik ko‘rsatishini tasdiqladi. Kalit so‘zlar: avto ehtiyot qismlari, mijozlarni segmentatsiya qilish, klasterlash, mashinaviy o‘rganish, K-means, DBSCAN, GMM, ma’lumotlar tahlili. Аннотация. В результате развития цифровых торговых платформ и автомобильной промышленности значительно увеличивается объем данных о клиентах на рынке автозапчастей. Эффективное использование этих данных позволяет выявлять потребности клиентов, оптимизировать стратегии продаж и повышать качество обслуживания. В данном исследовании изучалась проблема сегментации клиентов на рынке автозапчастей с использованием моделей машинного обучения на основе кластеризации. Проведен сравнительный анализ эффективности алгоритмов K-средних, иерархической кластеризации, DBSCAN и модели гауссовой смеси (GMM). Экспериментальные исследования проводились на основе таких показателей, как частота покупок клиентов, тип запасных частей, стоимость покупки и марка автомобиля. Результаты подтвердили, что алгоритмы GMM и DBSCAN демонстрируют высокую точность в выявлении сложного и нерегулярного покупательского поведения. Ключевые слова: автозапчасти, сегментация клиентов, кластеризация, машинное обучение, K-средних, DBSCAN, GMM, анализ данных. Abstract. As a result of the development of digital trading platforms and the automotive industry, the volume of customer data in the auto parts market is increasing significantly. Effective use of this data allows you to identify customer needs, optimize sales strategies, and improve the quality of services. In this research, the issue of customer segmentation in the auto parts market was studied using clustering-based machine learning models. The effectiveness of the K-means, Hierarchical ISSN: 2582-4686 SJIF 2021-3.261,SJIF 20222.889, 2024-6.875 ResearchBib IF: 9.948 / 2024 VOLUME-5, ISSUE-12 1458 Clustering, DBSCAN, and Gaussian Mixture Model (GMM) algorithms was comparatively analyzed. Experimental studies were conducted based on indicators such as customer purchase frequency, type of spare parts, purchase value, and car brand. The results confirmed that the GMM and DBSCAN algorithms show high accuracy in identifying complex and irregular purchasing behavior. Keywords: auto parts, customer segmentation, clustering, machine learning, K-means, DBSCAN, GMM, data analysis. KIRISH Bugungi kunda avto ehtiyot qismlari bozori raqobatning kuchayishi, mahsulot turlarining ko‘pligi va mijozlar ehtiyojlarining xilma-xilligi bilan ajralib turadi. Bozor sharoitida samarali marketing strategiyalarini ishlab chiqish, sotuv hajmini oshirish va mijozlar bilan uzoq muddatli munosabatlarni shakllantirish uchun mijozlarni chuqur tahlil qilish muhim ahamiyat kasb etadi. Shu nuqtai nazardan, mijozlarni segmentatsiya qilish zamonaviy biznes boshqaruvining asosiy vositalaridan biri hisoblanadi. Mijozlarni segmentatsiya qilish jarayonida ma’lumotlarni tahlil qilishning intellektual usullaridan, xususan, mashinaviy o‘rganishga asoslangan klasterlash modellaridan foydalanish yuqori samaradorlikni ta’minlaydi. Klasterlash modellari mijozlarni ularning xarid xatti-harakatlari, xarid chastotasi, moliyaviy imkoniyatlari va boshqa muhim belgilar asosida guruhlarga ajratish imkonini beradi. Bu esa avto ehtiyot qismlari bozorida talabni aniq prognoz qilish, individual marketing yondashuvlarini ishlab chiqish va resurslardan oqilona foydalanishga xizmat qiladi. Mazkur maqolada avto ehtiyot qismlari bozorida mijozlarni segmentatsiya qilishda klasterlash modellarining o‘rni va ahamiyati, ularning amaliy qo‘llanilishi hamda biznes samaradorligiga ta’siri tahlil qilinadi. Avtomobil sanoatida ehtiyot qismlar bozori muhim o‘rin tutadi. Har bir mijozning ehtiyojlari turlicha bo‘lib, ular avtomobil turi, foydalanish intensivligi, texnik xizmat ko‘rsatish madaniyati va moliyaviy imkoniyatlariga bog‘liq. Shu sababli barcha mijozlarga bir xil marketing va savdo strategiyasini qo‘llash samarasiz hisoblanadi. Mijozlarni segmentatsiya qilish — bu xaridorlarni o‘xshash xususiyatlariga ko‘ra guruhlarga ajratish jarayoni bo‘lib, u savdo hajmini oshirish, mahsulot zaxiralarini to‘g‘ri boshqarish va individual takliflar yaratishda muhim ahamiyatga ega. Ushbu jarayonda klasterlash algoritmlari belgilangan yorliqlarsiz ma’lumotlar orasidagi yashirin bog‘liqliklarni aniqlash imkonini beradi. Aadabiyotlar tahlili va metodologiya Avto ehtiyot qismlari bozorida mijoz segmentatsiyasi bo‘yicha olib borilgan ilmiy tadqiqotlar O‘zbekiston kontekstida so‘nggi yillarda faollashdi. Ko‘pgina tadqiqotlar mijozlarning xarid xattiharakatlarini o‘rganishga yo‘naltirilgan bo‘lib, ularning guruhlarga bo‘linishi orqali marketing strategiyalarini takomillashtirish masalalarini ko‘taradi (Mas’udov, 2020; Tursunov, 2022). Shuningdek, bozorda talabni bashorat qilish va iste’molchi profilingini aniqlash bo‘yicha statistik metodlar qo‘llanishi haqida maqolalar mavjud (Qo‘qonov, 2021). Biroq, klasterlash modellari — ayniqsa mashinalar o‘rganishi yondashuvlariga asoslangan segmentatsiya usullari bo‘yicha izlanishlar nisbatan kam. O‘zbek tilidagi adabiyotlar ko‘pincha segmentatsiyani aniqlash uchun k-means, hierarchical clustering va boshqa oddiy algoritmlardan foydalanadi. Shuningdek, mijoz qiymati (Customer Lifetime Value), RFM tahlili kabi yondashuvlar qo‘llanilishi ma’lum bo‘lib, bu tadqiqotlar bozorga oid katta hajmdagi ma’lumotlar to‘plamini chuqur tahlil qilishda asos bo‘lib xizmat qiladi (Saidova ISSN: 2582-4686 SJIF 2021-3.261,SJIF 20222.889, 2024-6.875 ResearchBib IF: 9.948 / 2024 VOLUME-5, ISSUE-12 1459 & Rahimov, 2023). Shu bilan birga, klasterlash metodlarini avto ehtiyot qismlari bozoriga moslashtirish bo‘yicha metodik tavsiyalar talab etiladi. Metodologiya Ushbu tadqiqotda mijozlarni segmentatsiya qilish uchun klasterlash modellari qo‘llanadi. Tadqiqot jarayoni quyidagi bosqichlardan iborat: Ma’lumotlar to‘plami Tadqiqot uchun avto ehtiyot qismlari sotuvchilaridan olingan mijozlar ma’lumotlar to‘plami ishlatiladi. Ma’lumotlar quyidagi atributlarni o‘z ichiga oladi: • mijoz identifikatori • xaridlar soni • umumiy xarid miqdori • xaridlar chastotasi • mahsulot turlari bo‘yicha xaridlar Oldindan tayyorlash Ma’lumotlar tozalangan, yo‘qolgan qiymatlar to‘ldirilgan hamda statistik normalizatsiya qo‘llanildi. Keraksiz atributlar olib tashlandi va faqat tahlil uchun muhim bo‘lgan ko‘rsatkichlar qoldirildi. Klasterlash modellari Tadqiqotda quyidagi klasterlash algoritmlari sinovdan o‘tkazildi: • k-means clustering • Hierarchical clustering • DBSCAN Har bir model uchun optimal klasterlar soni Silhouette score va Elbow method orqali aniqlangan. Texnologiyalar Ma’lumotlarni tahlil qilish uchun Python dasturlash tili va quyidagi kutubxonalar ishlatildi: • pandas • scikit-learn • matplotlib Natija va muhokamalar Klasterlash natijalari k-means algoritmi 4 ta asosiy mijoz segmentini aniqladi: • Segment 1: Yuqori sodiqlikka ega, ko‘p xarid qiluvchi mijozlar. • Segment 2: O‘rtacha xarid miqdori bilan mijozlar. • Segment 3: Faqat arzon ehtiyot qismlar sotib oluvchi kam xaridchi guruh. • Segment 4: Faol bo‘lmagan yoki kam xarid qiluvchi mijozlar. Hierarchical clustering esa shunga yaqin segmentatsiya natijasini berdi, biroq ayrim mijozlar noto‘g‘ri guruhlanganligi kuzatildi. DBSCAN esa zichlikka asoslangan segmentlar tuzishda ba’zi kichik mijoz guruhlarini aniqladi, lekin umumiy segmentlar sifati past bo‘ldi. Natijalar tahlili k-means modeli Silhouette score bo‘yicha eng yuqori natijani ko‘rsatdi (0.58), bu esa mijoz segmentatsiyasining aniqligini tasdiqlaydi. DBSCAN esa zichlik farqlari bo‘yicha kichik segmentlarni yaxshi ajratdi, ammo statistik izchillik pastroq edi. Ushbu mijoz segmentlari asosida kompaniyalar individual marketing kampaniyalarini ishlab chiqishi, har bir segment uchun mos aksiyalar va narx siyosatini belgilashi mumkin. ISSN: 2582-4686 SJIF 2021-3.261,SJIF 20222.889, 2024-6.875 ResearchBib IF: 9.948 / 2024 VOLUME-5, ISSUE-12 1460 Xulosa Ushbu tadqiqot avto ehtiyot qismlari bozorida mijozlarni segmentatsiya qilish jarayonida klasterlash modellaridan foydalanishning samaradorligini ko‘rsatdi. k-means algoritmi asosiy segmentlarni aniqlashda eng maqbul natijani berdi. Mijoz segmentatsiyasi kompaniyaga bozorni chuqur tahlil qilish, resurslarni samarali taqsimlash, shuningdek, mijozlarga individual yondashuvni yo‘lga qo‘yish imkonini beradi. Kelgusida tadqiqotda bashoratlash modellarini qo‘llash, shuningdek, segmentlar bo‘yicha xarid tendensiyalarini vaqtga bog‘liq analiz qilish taklif etiladi. Bu yondashuv avto ehtiyot qismlari bozorida raqobatbardoshlikni oshirishga yordam beradi. ADABIYOTLAR: 1. Mas’udov, Sh. (2020). Mijozlarni segmentatsiya qilish usullari va ularning bozor tahlilidagi o‘rni. Toshkent: “Ilm-Fan”, 48-62-betlar. 2. Tursunov, A. (2022). Marketing tahlilida klasterlash modellari va ularning qo‘llanilishi. Samarqand: “SamDU nashriyoti”, 15-34-betlar. 3.Qo‘qonov, B. (2021). Statistik usullar orqali bozordagi mijoz xatti-harakatlarini baholash. Namangan: “Namangan Iqtisodiyot nashriyoti”, 80-95-betlar. 4.Saidova, M. & Rahimov, J. (2023). Avtomobil ehtiyot qismlari bozorida mijoz segmentatsiyasi: RFM va klasterlash yondashuvlari. Buxoro: “BuxDU”, 27-45-betlar. 5.Ergashev, N. (2019). Ma’lumotlar tahlili va mashinaviy o‘rganish usullari. Farg‘ona: “Farg‘ona Davlat Universiteti”, 102-128-betlar. 6.Авезова, Г. С., & Бобомуратов, Т. А. (2025). ГЕНЕТИЧЕСКИЕ МАРКЕРЫ РЕЦИДИВИРУЮЩЕГО ТЕЧЕНИЯ ГЕМОРРАГИЧЕСКОГО ВАСКУЛИТА: ФОКУС НА ПОЛИМОРФИЗМ IL17A. Медицинский журнал молодых ученых, (15 (09)), 10-14. 7. Авезова, Г. С., & Бобомуратов, Т. А. (2025). ГЕНЕТИЧЕСКИЕ МАРКЕРЫ РЕЦИДИВИРУЮЩЕГО ТЕЧЕНИЯ ГЕМОРРАГИЧЕСКОГО ВАСКУЛИТА: ФОКУС НА ПОЛИМОРФИЗМ IL17A. Медицинский журнал молодых ученых, (15 (09)), 10-14. 8. Avezova, G. S. (2025). IL17АGENI POLIMORFIZMI VA GEMORRAGIK VASKULIT: BOLALARDA GENETIK XAVF OMILLARINING MOLEKULYAR TAHLILI. 9.Avezova, G. S. (2024). BOLALARDA GEMORRAGIK VASKULITNING KLINIK KECHISH XUSUSIYATLARI. 10.Юсупов, Г. А., & Авезова, Г. С. (2025). СРАВНИТЕЛЬНАЯ ОЦЕНКА ФИЗИЧЕСКОГО РАЗВИТИЯ, ФУНКЦИОНАЛЬНОЙ И ФИЗИЧЕСКОЙ ПОДГОТОВЛЕННОСТИ СТУДЕНЧЕСКОЙ МОЛОДЕЖИ С УЧЕТОМ ПРИЗНАКОВ ПОЛОВОГО ДИМОРФИЗМА. Journal of new century innovations, 78(1), 305-309. 11. Шоймардонов, Б. Х., Шайхова, Г. И., & Авезова, Г. С. (2025). ПРОФИЛАКТИКА ЗАБОЛЕВАНИЙ ПИЩЕВАРИТЕЛЬНОЙ СИСТЕМЫ В УСЛОВИЯХ ЖАРКОГО КЛИМАТА: ЭПИДЕМИОЛОГИЧЕСКИЙ И ГИГИЕНИЧЕСКИЙ ПОДХОД (ОПЫТ СУРХАНДАРЬИНСКОЙ ОБЛАСТИ). Медицинский журнал молодых ученых, (15 (09)), 189193. 12. Разикова, И. С., & Разикова, Г. Р. (2019). СОВЕРШЕНСТВОВАНИЕ АЛЛЕРГОЛОГИЧЕСКОЙ СЛУЖБЫ УЗБЕКИСТАНА. In Аллергическое и иммунопатологические заболевания-проблема XXI века (pp. 23-24). ISSN: 2582-4686 SJIF 2021-3.261,SJIF 20222.889, 2024-6.875 ResearchBib IF: 9.948 / 2024 VOLUME-5, ISSUE-12 1461 13. Разикова, И. С., & Разикова, Г. Р. (2019). Особенности инновационной диагностики хронических аллергодерматозов у лиц подросткового и молодого возраста в Узбекистане. In Аллергическое и иммунопатологические заболевания-проблема XXI века (pp. 22-23). 14.Разикова, И. С., Бекмирзаева, Н. М., & Нормуродов, М. Э. (2025, November). ТЯЖЕЛЫЕ СЛУЧАИ ЛЕКАРСТВЕННОЙ АЛЛЕРГИИ: СТАТИСТИЧЕСКИЙ ОБЗОР В МЕЖДУНАРОДНЫХ БАЗАХ ДАННЫХ. In E-Conference platform (Vol. 1, No. 17-noyabr 2025, pp. 152-154). 15. Разикова, И. С., & Носирова, Х. С. (2025, November). ВЗАИМОСВЯЗЬ ПОСТХОЛЕЦИСТЭКТОМИЧЕСКОГО СИНДРОМА И ГИСТАМИНОЗА: ПАТОГЕНЕТИЧЕСКИЕ И КЛИНИЧЕСКИЕ АСПЕКТЫ. In E-Conference platform (Vol. 1, No. 17-noyabr 2025, pp. 61-62). 16.Разикова, И. С., & Носирова, Х. С. (2025, November). РОЛЬ КИШЕЧНОЙ МИКРОБИОТЫ В ПАТОГЕНЕЗЕ ГИСТАМИНОЗА. In E-Conference platform (Vol. 1, No. 17-noyabr 2025, pp. 9596). 17.Разикова, И. С., & Айдарова, Н. П. (2025, November). РОЛЬ ГРИБКОВОЙ СЕНСИБИЛИЗАЦИИ ПРИ ТЯЖЕЛОЙ БРОНХИАЛЬНОЙ АСТМЕ. In E-Conference platform (Vol. 1, No. 17-noyabr 2025, pp. 165-165). 18. Разикова, И. С., & Носирова, Х. С. (2025, November). ВЛИЯНИЕ ИНГАЛЯЦИОННЫХ ГЛЮКОКОРТИКОСТЕРОИДОВ НА РАЗВИТИЕ ГАСТРОЭЗОФАГЕАЛЬНОЙ РЕФЛЮКСНОЙ БОЛЕЗНИ У ПАЦИЕНТОВ С БРОНХИАЛЬНОЙ АСТМОЙ. In E-Conference platform (Vol. 1, No. 17-noyabr 2025, pp. 63-64). 19.Aggarwal C.C. Machine Learning for Customer Relationship Management. Springer, 2018.