Xaridorlarni segmentlash bir xil ko‘chmas mulk bozorida bitim amalga oshiradigan mijozlarni xarid chastotasi, bitim qiymati, birlik maydon narxi, yosh va qoniqish kabi xulq-atvor/tranzaksion xususiyatlariga ko‘ra o‘xshash guruhlarga ajratishni maqsad qiladi. Ushbu ish 2.000 ta mijoz yozuvi va 10.000 ta ko‘chmas mulk e’lonidan foydalanib, K-Means asosidagi uchta mijoz segmentini yaratadi va ushbu segmentlarni ko‘chmas mulk marketingi hamda mijozlarni boshqarish nuqtai nazaridan sharhlaydi.

Ko‘chmas mulk ma’lumotlar to‘plamidagi 10.000 e’lonning 7.305 tasi sotilgan, 2.695 tasi esa Available holatida. Sotilgan yozuvlar mijozlar bilan moslashtirilgan; har bir mijoz uchun o‘rtacha sotuv narxi, median sotuv narxi, o‘rtacha ft² uchun narx, xaridlar soni va jami bitim/e’lon soni hisoblangan; ularga qoniqish balli va yosh qo‘shilib, yetti o‘lchamli sonli klasterlash jadvali tuzilgan.

Ish K-Means algoritmini k=2 dan k=8 gacha taqqoslaydi. Bu yerda muhim metodologik tafsilot bor: Silhouette Score va Calinski–Harabasz Index eng yuqori qiymatlarga k=2 da erishadi. k=3 metrikalarning mutlaq optimumi bo‘lgani uchun emas; Calinski–Harabasz egri chizig‘idagi birinchi mazmunli burilish, k=3 da hali ham maqbul bo‘lgan Silhouette darajasi va loyiha biznes nuqtai nazaridan talqin qilinadigan kamida uchta segment talab qilgani sababli tanlangan.

Natijada 51 kishilik kichik va tez-tez bitim qiladigan guruh, 813 kishilik yuqori bitim qiymatiga ega guruh va 1.136 kishilik katta asosiy oqim guruhi shakllangan. Manba ularni mos ravishda Premium Buyers, Mid-Market Buyers va Mainstream Buyers deb ataydi. Biroq “Premium” yorlig‘i eng qimmat ko‘chmas mulklarni sotib oladigan guruh degani emas; eng yuqori o‘rtacha va median sotuv narxi Cluster 1 da kuzatiladi.

Nega ko‘chmas mulk mijozlarini yagona auditoriya sifatida ko‘rmaslik kerak?

Ko‘chmas mulk platformasida birinchi uyini olayotgan shaxs, qayta-qayta mulk sotib oladigan investor, kompaniya hisobi yoki qimmatroq birliklarga yo‘nalgan mijoz bir xil xarid xulqiga ega emas. Bitta marketing xabari ushbu guruhlarning barchasi ehtiyojlarini bir xil aniqlikda nishonga ola olmaydi.

Ishning maqsadi bu farqlarni oldindan belgilangan mijoz yorliqlari bilan majburan yuklash o‘rniga, tranzaksiya ma’lumotlari ichidagi naqshlarni nazoratsiz o‘rganish orqali aniqlashdir.

Mijozlar ma’lumotlar to‘plami

2.000 mijozdan iborat ma’lumotlar to‘plamida individual mijozlar ulushi %94,9, kompaniyalar ulushi %5,1. Jins bo‘yicha taqsimot taxminan muvozanatli. Mijozlarning %76,9 i AQShda va California yakka o‘zi %31,7 ulush bilan ustun hudud hisoblanadi.

Xarid maqsadi bo‘yicha mijozlarning %69,3 i Home, %30,8 i Investment kategoriyasida. Kreditga ariza berganlar ulushi %36,8; bermaganlar ulushi %63,2. O‘rtacha qoniqish balli 5 dan 3,03.

Ko‘chmas mulk ma’lumotlar to‘plami

Yetishmayotgan ma’lumotlar haqiqatan ham tasodifiymi?

Available holatidagi e’lonlarda client_ref mavjud emas; chunki bu mulk hali mijozga biriktirilmagan. Manba bu tuzilmani MNAR deb ta’riflaydi.

Amaliy jihatdan muhim nuqta — yetishmovchilik ma’lumot xatosiga o‘xshamaydi: missing qiymatlar Available statusi bilan tizimli ravishda ustma-ust tushadi. Klasterlash faqat mijoz bilan moslashtirilgan sotilgan e’lonlardan hosil qilingani uchun Available yozuvlaridagi bo‘sh client_ref maydoni klaster modeliga bevosita kiritilmagan.

Mijozni qaysi xususiyatlar ifodalaydi?

Sotilgan e’lonlar client_id = client_ref orqali mijozlar bilan birlashtirilgan va har bir mijoz uchun quyidagi yetti sonli xususiyat tayyorlangan:

Nega StandardScaler ishlatilgan?

K-Means nuqtalar orasidagi Yevklid masofasiga tayanadi. Sotuv narxlari yuz minglab birliklarda ifodalansa, qoniqish balli 1–5 oralig‘ida. Xom qiymatlar modelga bevosita berilsa, katta sonli o‘lchovga ega narx o‘zgaruvchilari masofada ustunlik qiladi.

Shu sababli barcha yetti sonli xususiyat o‘rtachasi nol va standart og‘ishi bir bo‘ladigan tarzda StandardScaler bilan standartlashtirilgan.

Ishning Usuli va Natijalari

K-Means qanday ishlaydi?

K-Means ma’lumot nuqtalarini oldindan belgilangan k sondagi klasterga taqsimlaydi va har bir kuzatuvni o‘ziga eng yaqin klaster markaziga biriktiradi. Algoritm klasterlar ichidagi jami kvadratik masofani kamaytirishga harakat qiladi.

Ushbu ishda k=2, 3, 4, 5, 6, 7 va 8 variantlari taqqoslangan.

Silhouette Score nimani o‘lchaydi?

Silhouette Score bir mijozning o‘z klasteridagi boshqa mijozlarga qanchalik yaqinligini va eng yaqin muqobil klasterdan qanchalik uzoqligini bitta o‘lchovda birlashtiradi.

Qiymat +1 ga yaqinlashgan sari ajralish kuchli, nolga yaqinlashgan sari klasterlar ustma-ust tushuvchi bo‘ladi; manfiy bo‘lsa, ayrim kuzatuvlar noto‘g‘ri klasterga biriktirilgan bo‘lishi mumkin.

Calinski–Harabasz Index nimani o‘lchaydi?

Calinski–Harabasz Index klasterlar orasidagi tarqalishni klaster ichidagi tarqalish bilan taqqoslaydi. Yuqoriroq qiymat odatda ixchamroq va bir-biridan yaxshiroq ajralgan klasterlarni anglatadi.

k=3 haqiqatan ham eng yaxshi klaster sonimi?

Manbaning o‘z metrik natijalariga ko‘ra, sof matematik ma’noda aniq emas. Har ikki ichki validatsiya ko‘rsatkichi ham eng yuqori qiymatini k=2 da olgan. k=3; CH egri chizig‘idagi birinchi burilish, nisbatan barqaror Silhouette natijasi va loyiha uchta biznes segmentini talab qilgani sababli tanlangan murosa variantidir.

Calinski–Harabasz Index k=2 da taxminan 506 bo‘lsa, k=8 da taxminan 347 gacha uzluksiz pasayadi. Silhouette qiymatlari esa barcha k variantlarida nolga yaqin qoladi.

Shunday qilib, ishning uchlik segmentatsiyasi biznes nuqtai nazaridan talqin qilinishi mumkin; biroq ma’lumotlar tabiiy ravishda aniq va kuchli uch klasterga bo‘linadi degan da’vo ushbu metrikalar bilan kuchli qo‘llab-quvvatlanmaydi.

Klaster hajmlari

PCA vizuali nimani ko‘rsatadi?

Yetti o‘lchamli standartlashtirilgan mijoz xususiyatlari faqat vizuallashtirish maqsadida ikki asosiy komponentga qisqartirilgan.

Manbaning 15–16-betlaridagi PCA grafigida Cluster 0 yuqori-o‘ng hududda ixchamroq va boshqalardan sezilarli uzoqda ko‘rinadi. Cluster 1 va Cluster 2 esa diagonal yo‘nalishda qisman ustma-ust tushadi.

Bu vizual segment tuzilishini tushunishni osonlashtiradi; biroq PCA grafigi modeldan keyin yaratilgani sababli mustaqil tashqi validatsiya testi emas.

ANOVA natijalari

Ushbu natijalar klasterlar orasida mazkur xususiyatlar bo‘yicha katta farqlar mavjudligini ko‘rsatadi.

Biroq bu xususiyatlar K-Means klasterlarni yaratishda ishlatgan o‘zgaruvchilarning o‘zidir. Shuning uchun ANOVAning ahamiyatli chiqishi mustaqil namunada o‘tkazilgan validatsiyaga teng emas. Segmentlar barqarorligini kuchliroq baholash uchun qayta namunaviy olish, bootstrap/stability tahlili, holdoutga o‘xshash yondashuv yoki muqobil klasterlash usullari bilan taqqoslash kuchliroq qo‘shimcha dalil berishi mumkin.

Cluster 0: Premium Buyers

Cluster 0 atigi 51 mijozdan iborat bo‘lsa-da, eng yuqori qoniqish, yosh, purchases_count va total_listings qiymatlariga ega.

E’tiborlisi, narx xususiyatlarida yetakchi emas. Shu sababli manba bu guruhni bitta bitimda eng qimmat mulkni sotib oladigan mijozlardan ko‘ra, takroriy bitimlari mavjud sodiq va yuqori qiymatli munosabat mijozlari sifatida sharhlaydi.

Demak, bu yerda “Premium” yorlig‘ini munosabat va bitim chastotasi premiysi sifatida o‘qish kerak.

Cluster 1: Mid-Market Buyers

813 kishilik Cluster 1 eng yuqori o‘rtacha va median sotuv narxiga ega. Xarid chastotasi Cluster 0 ga qaraganda mo‘tadilroq.

Manba bu guruhni bir yoki kamroq sonli, biroq yuqori qiymatli xaridlar qiladigan, kattaroq apartment yoki office birliklariga yo‘nalishi mumkin bo‘lgan mijozlar sifatida sharhlaydi.

Shu sababli “Mid-Market” nomi dastlab chalg‘itishi mumkin; bitim narxi bo‘yicha guruhning o‘zi uch klaster ichida yuqori chegarada turadi.

Cluster 2: Mainstream Buyers

1.136 mijoz bilan eng katta segment. Standartlashtirilgan xususiyatlarning aksariyatida o‘rtachadan past qoladi va manba tomonidan narxga sezgir, kirish darajasidagi yoki asosiy oqim mijoz bazasi sifatida sharhlanadi.

Ushbu segmentning kattaligi sababli har bir mijozga to‘g‘ri keladigan past qiymat uning umumiy tijoriy ahamiyati past degani emas.

Segmentlardan bevosita marketing qarori chiqarish xavfsizmi?

Segmentlar mijoz xulqi haqida foydalanish mumkin bo‘lgan gipotezalarni yaratadi; biroq hisobotdagi marketing tavsiyalari o‘zlari eksperimental tarzda sinovdan o‘tkazilmagan. “Bu segmentga ushbu kampaniya qo‘llansa konversiya oshadi” kabi sababiy xulosalar uchun A/B testlar, prospektiv kampaniyalar yoki mustaqil validatsiya kerak.

Premium guruhga tavsiya etilgan yondashuv

Manba barcha 51 mijoz uchun premium CRM/munosabat menejeri, yangi inventarga erta kirish, shaxsiylashtirilgan portfel ko‘rib chiqishlari va referral dasturlarini tavsiya qiladi.

Bu tavsiyalarning mantig‘i yuqori takroriy bitim va qoniqish darajasidir; biroq hisobot referral rag‘batlantirishi haqiqatan yuqoriroq konversiya berishini sinamaydi.

Mid-Market guruhga tavsiya etilgan yondashuv

Manba kattaroq maydonli va Office birliklariga upsell, taxminan 350.000–500.000 dollar va 1.100 ft² dan yuqori e’lonlarni nishonga olish hamda Agency kanalida kampaniya o‘tkazishni tavsiya qiladi.

Bular klaster profilidan chiqarilgan nishonlash qoidalari; savdo o‘sishi eksperimental ravishda o‘lchanmagan.

Mainstream guruhga tavsiya etilgan yondashuv

Website/SEO optimallashtirish, kredit imkoniyatlarining ko‘rinarliligi va 800 ft² dan kichik, 250.000 dollardan past kirish darajasidagi e’lonlarni oldinga chiqarish tavsiya etiladi.

Shuningdek, ikkinchi xaridni rag‘batlantirish orqali Mainstreamdan Mid-Marketga mijoz o‘tishini yaratadigan sodiqlik mexanizmlari ko‘rib chiqiladi.

Segment yorlig‘i bilan mijoz personasi bir xil narsami?

Yo‘q.

K-Means faqat uchta ma’lumotga asoslangan klaster yaratgan. Loyiha brifida esa to‘rtta biznes personasi bor: Global Investors, Luxury Investors, Corporate Buyers va First-Time Buyers.

Manba uchta klasterni keyinchalik ushbu to‘rtta persona bilan moslashtiradi. Masalan, Cluster 0 ham Global Investors, ham Luxury Investors bilan bog‘lanadi, Cluster 2 ichida loan_applied = Yes bo‘lganlar esa First-Time Buyers sifatida alohida ajratilishi mumkin.

Bu ikkinchi bosqich K-Means tomonidan kashf etilgan yangi klaster emas; qoidaga asoslangan biznes tasnifidir.

Streamlit dashboard nimani ta’minlaydi?

Hisobot to‘rtta asosiy panelni ta’riflaydi:

Country, region, acquisition purpose va client type filtrlari barcha grafiklarda dinamik ravishda qo‘llanishi mumkinligi aytiladi.

Adabiyot bo‘limidagi ikki muhim validatsiya muammosi

Hisobot Limsombunchai va hamkasblari buyer-segment asosidagi hedonic modellarni sinaganini bayon qiladi. Mustaqil bibliografik yozuv esa ish 200 Christchurch uyida hedonic price model bilan artificial neural network taqqoslashiga bag‘ishlanganini ko‘rsatadi. Shuning uchun manba hisobotidagi segmentatsiya tavsifi ushbu maqolaga mos ko‘rinmaydi.

Antipov va Pokryshevskaya (2012) uchun ham shunga o‘xshash muammo bor. Hisobot buni K-Meansdan olingan buyer segmentlariga ensemble classification qo‘llash sifatida tasvirlaydi, holbuki original ish Random Forest bilan uy-joy mass appraisal va CART asosidagi model diagnostikasiga qaratilgan.

Bu holat asosiy K-Means tahlilidagi raqamlarni o‘z-o‘zidan yaroqsiz qilmaydi; biroq adabiyot bo‘limidagi ayrim asoslashlar o‘z manbalari bilan qayta moslashtirilishi kerakligini ko‘rsatadi.

Ishning kuchli tomonlari

Ma’lumotlarni tozalash bosqichlari aniq hujjatlashtirilgan. Kategorik o‘zgaruvchilar bilan klasterlash o‘zgaruvchilari bir-biridan ajratilgan. Standartlashtirish asoslantirishi to‘g‘ri muammo bilan bog‘langan. Klaster hajmlari, PCA, ANOVA va segment profillari birgalikda berilgan. Dashboard texnik natijani biznes foydalanuvchilariga yetkazish maqsadini ravshan qiladi.

Ishning cheklovlari

Birinchi cheklov — k=3 qaroriga biznes talabi ta’sir qilgan. Ikkinchi cheklov — past Silhouette qiymatlari segment chegaralari kuchli emasligini ko‘rsatadi.

Uchinchi cheklov — ayni o‘zgaruvchilar bilan tuzilgan klasterlarning yana shu o‘zgaruvchilar orqali ANOVA bilan “tasdiqlanishi”. To‘rtinchi cheklov — segment yorliqlari, ayniqsa “Premium” va “Mid-Market”, bevosita sonli narx tartibiga mos kelmaydi.

Beshinchi cheklov — faqat mavjud bitim xulqi ishlatilgan. Vaqt o‘lchovi, mijozning umrbod qiymati, bozor foizi, uy-joy indeksi va makroiqtisodiy rejimlar modelga kiritilmagan.

Oltinchi cheklov — ma’lumotlar bazasi geografik jihatdan kuchli ravishda AQShga va ayniqsa Californiaga og‘irlik qiladi. Shu sababli segmentlarni boshqa mamlakat yoki bozorlarga bevosita ko‘chirish mumkinligi ko‘rsatilmagan.

Umumiy xulosa

Ushbu ish ko‘chmas mulk mijoz bazasini yagona auditoriya sifatida ko‘rish o‘rniga, bitim xulqidan kelib chiqib uchta tijoriy profil yaratishga qaratilgan amaliy ma’lumotlar ilmi ish oqimini taqdim etadi.

Uchlik tuzilma biznes nuqtai nazaridan tushunarli: kichik, biroq yuqori chastotali sodiq mijozlar, yuqoriroq narxli bitimlarga yo‘nalgan o‘rta hajmli guruh va katta hajmli asosiy oqim mijoz bazasi.

Shunga qaramay, k=3 mutlaq statistik optimum degan xulosa manba ma’lumotlari bilan kuchli qo‘llab-quvvatlanmaydi. Ichki metrikalar k=2 ni yuqoriroq baholagan, k=3 qisman biznes talabi sababli tanlangan.

Shu sababli hisobotning eng kuchli qo‘llanilishi “bozordagi tabiiy uch mijoz sinfini aniq kashf etdik” degan da’vodan ko‘ra, mijozlarni nishonlash va dashboard ishlab chiqish uchun talqin qilinadigan operatsion segmentatsiya prototipi sifatida qarashdir.

Manba va Usul Qaydi

Original ish:Machine Learning Based Buyer Segmentation and Investment Profiling for Real Estate Market Intelligence.

Muallif: Gokul Mallabathula.

Manba faylidagi roli: Data Science Intern, Unified Mentor | Parcl Real Estate Intelligence Project.

Manba turi: Amaliy ma’lumotlar ilmi / ko‘chmas mulk mijozlarini segmentlash loyiha hisoboti.

Fayldagi sana: Iyun 2025.

SSRN metama’lumotlari: Date Written 31 May 2026; Posted 25 June 2026; SSRN abstract 6881578.

DOI: 10.2139/ssrn.6881578.

Sana nomuvofiqligi: PDF muqovasidagi Iyun 2025 bilan SSRN metama’lumotlaridagi 2026 sanalari mos kelmaydi. Verianla bu farqni tuzatmay, ko‘rinadigan holda qoldiradi.

Peer review: Ishning peer-reviewed jurnal version-of-record ekani haqida dalil yo‘q; loyiha/SSRN ish matni sifatida baholangan.

Litsenziya: SSRN yozuvi huquqlar saqlanganini va ruxsatsiz qayta foydalanishga yo‘l qo‘yilmasligini bildiradi. Shu sababli manba grafiklarining dizayni bevosita ko‘chirilmasligi kerak.

Ma’lumot: 2.000 mijoz, 10.000 ko‘chmas mulk e’loni; ularning 7.305 tasi sotilgan, 2.695 tasi Available holatida.

Klasterlash jadvali: 2.000 mijoz bo‘yicha yetti sonli xususiyat.

Xususiyatlar: avg_sale_price, median_sale_price, avg_price_per_sqft, purchases_count, total_listings, satisfaction_score va age.

Masshtablash: StandardScaler.

Asosiy algoritm: K-Means.

k nomzodlari: 2–8.

Ichki validatsiya metrikalari: Silhouette Score va Calinski–Harabasz Index.

k tanlash cheklovi: Har ikki metrika k=2 da cho‘qqiga chiqqan. k=3; CH egri chizig‘idagi birinchi burilish, talqin qilinish va kamida uchta biznes segmenti talabi birgalikda baholanib tanlangan.

PCA: Yetti o‘lchamli standartlashtirilgan xususiyatlarni ikki o‘lchamli vizuallashtirish uchun klasterlashdan keyin qo‘llangan.

Statistik tahlil: One-way ANOVA va Tukey HSD. Ayni xususiyatlar ham klasterlashda, ham keyingi ahamiyat testida ishlatilgani sababli bu testlar mustaqil tashqi klaster validatsiyasi emas.

Segmentlar: Cluster 0 — Premium Buyers, n=51; Cluster 1 — Mid-Market Buyers, n=813; Cluster 2 — Mainstream Buyers, n=1.136.

Yorliq cheklovi: Cluster 0 ning “Premium” nomi eng yuqori xarid narxiga asoslanmaydi; eng yuqori avg_sale_price va median_sale_price Cluster 1 da.

Dashboard: Streamlit asosidagi to‘rt tabli dashboard hisobot qilingan. PDF ichida mustaqil ishga tushiriladigan kod repozitoriysi yoki deployment havolasi tasdiqlanmagan.

Adabiyot tekshiruvi: Limsombunchai et al. (2004) va Antipov & Pokryshevskaya (2012) manbalarining hisobotdagi tavsifi tekshiriladigan original ish mavzulari bilan to‘liq mos kelmaydi. Shu sababli ushbu iqtiboslar Verianla matnida segmentatsiya usulining bevosita dalili sifatida ishlatilmagan.

Kelgusi ish: Manba ierarxik klasterlash bilan k=3 yechimini sinashni, vaqtga bog‘liq bitim ma’lumotlari bilan lifetime-value modellarini qurishni, geografik qamrovni kengaytirishni hamda foiz stavkalari/hududiy uy-joy indekslari kabi makroiqtisodiy ko‘rsatkichlarni qo‘shishni tavsiya qiladi.

Verianla tayyorlash usuli: Manbaning ma’lumot hajmlari, model bosqichlari, segment natijalari va biznes tavsiyalari saqlangan; biroq k=3 tanlovining kuchi, post-clustering ANOVAning validatsiya xususiyati, segment nomlarining ma’nosi va adabiyot iqtiboslari manbadan tashqari qat’iylik yaratmasdan metodologik ravishda ajratilgan. Manbada bo‘lmagan savdo o‘sishi, investitsiya daromadi yoki prognoz samaradorligi ishlab chiqilmagan.