Вестник Нижегородского университета им. Н.И. Лобачевского. Серия: Социальные науки

16+

Название статьи

СЕГМЕНТАЦИЯ РЫНКА «УМНЫХ» ЧАСОВ С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ

Тип статьи	научная статья	Коды УДК	004.85:339.13
Страницы	50-65	Ключевые слова

Авторы

Камскова И.Д.

Место работы

Камскова И.Д. Нижегородский государственный университет им. Н.И. ЛобачевскогоLobachevsky State University of Nizhny Novgorod

Аннотация

Рассматривается применение алгоритмов кластеризации для анализа рынка «умных» часов. Актуальность исследования обусловлена необходимостью структурирования быстрорастущего и разнородного рынка «умных» часов для понимания потребительских предпочтений и конкурентных стратегий производителей. Цель работы – выявление рыночных сегментов целевой аудитории на основе технических характеристик и ценовых параметров устройств. В качестве исходных данных использован датасет из открытого ресурса Kaggle, содержащий информацию о 379 моделях «умных» часов различных брендов. Для достижения поставленной цели были применены методы иерархической кластеризации, спектральной кластеризации, k-means, DBSCAN и GMM (Gaussian Mixture Models). Проведена необходимая предобработка данных, включая энкодинг категориальных признаков. Выполнена визуализация результатов кластеризации. Для подробного анализа и интерпретации результатов была выбрана иерархическая кластеризация, показывающая наиболее четкое разделение данных на кластеры. Выделено и детально охарактеризовано пять кластеров: массовый сегмент недорогих универсальных часов, сегмент для фитнеса и повседневного использования, спортивный сегмент, премиальный (люксовый) сегмент, а также малочисленный сегмент «прочих» «умных» часов. Для каждого сегмента определен ценовой диапазон, ключевые технические характеристики (размер и тип дисплея, время автономной работы, уровень водонепроницаемости), набор коммуникационных технологий (GPS, NFC, Wi-Fi, Cellular) и доминирующие бренды. Результаты исследования могут быть использованы производителями для разработки и позиционирования новых продуктов, маркетологами для разработки стратегий продвижения, аналитиками для мониторинга рыночной конъюнктуры.

Загрузить статью

Библиографический список

1 . Maurer U., Rowe A., Smailagic A., Siewiorek D.P. eWatch: a wearable sensor and notification platform // International Workshop on Wearable and Implantable Body Sensor Networks (BSN'06), 3–5 April 2006 / IEEE. Р. 141–145. URL: https://ieeexplore.ieee.org/document/1612916/metrics#metrics (дата обращения: 24.12.2025).
2 . Перепелкина А. Что такое умные часы, для чего они нужны и какие выбрать // Сетевое издание «Ведомости» (Vedomosti). URL: https://www.vedomosti.ru/spravka/umnie-chasi. (дата обращения: 04.01.2026).
3 . Прокудина А.И., Кириллов Н.Н., Николаев А.С. Инновационный ландшафт товара «умные» часы // Экономика. Право. Инновации. 2021. № 3. С. 45–52. DOI: 10.17586/2713-1874-2021-3-45-52.
4 . Голуб Д. Улучшение интеграции смарт-часов с другими устройствами: ключ к бесшовному цифровому опыту // Электронный журнал SERENITYTech / ООО «Серенити групп». URL: https://sg-tech.ru/lifehack/36:100. (дата обращения: 25.02.2026).
5 . Толпыгин Н., Синцов П. М-Видео назвала самые популярные смарт-часы на рынке России в 2025 году // CNews – издание в сфере высоких технологий в России и странах СНГ. 04.02.2026. URL: https://cnews.ru/link/n674748. (дата обращения: 25.02.2026).
6 . Умные часы (мировой рынок) // TAdviser – российский интернет-портал и аналитическое агентство. 26.09.2025. URL: https://www.tadviser.ru/index.php/Статья:Умные_часы_(мировой_рынок) (дата обращения: 25.02.2026).
7 . Носимая электроника (рынок России) // TAdviser – российский интернет-портал и аналитическое агентство. 04.02.2026. URL: https://www.tadviser.ru/index.php/Статья:Носимая_электроника_(рынок_России). (дата обращения: 25.02.2026).
8 . Kaggle: Watch Price Prediction Dataset. URL: https://www.kaggle.com/code/jashanmalhotra/watch-price-prediction (дата обращения: 12.12.2025).
9 . Документация Python. URL: https://docs.python.org/3.12/index.html. (дата обращения: 12.01.2026).
10 . Документация pandas. URL: https://pandas.pydata.org/docs/ (дата обращения: 12.01.2026).
11 . Документация plotly.express. URL: https://plotly.com/python-api-reference/plotly.express.html (дата обращения: 12.01.2026).
12 . Документация scikit-learn. URL: https://scikit-learn.org/stable/index.html (дата обращения: 12.01.2026).
13 . Документация matplotlib. URL: https://matplotlib.org/stable/index.html (дата обращения: 12.01.2026).
14 . Маккинни У. Python и анализ данных. 3-е изд. М.: ДМК, 2023. 536 с.
15 . Силен Д., Мейсман А., Али М. Основы Data Science и Big Data. Python и наука о данных. СПб.: Питер, 2017. 336 с.
16 . Quick Guide to Evaluation Metrics for Supervised and Unsupervised Machine Learning. URL: https://translated.turbopages.org/proxy_u/en-ru.ru.6f33fc13-69a53491-09082af8-74722d776562; https//www.analyticsvidhya.com/blog/2020/10/quick-guide-to-evaluation-metrics-for-supervised-and-unsupervised-machine-learning (дата обращения: 12.01.2026).
17 . Жерон О. Прикладное машинное обучение с помощью Scikit-Learn, Keras и TensorFlow. Концепции, инструменты. М.: Изд-во «Диалектика», 2020. 1040 с.
18 . Плас Дж.В. Python для сложных задач. Наука о данных и машинное обучение. СПб.: Питер, 2018. 576 c.
19 . Smith J., Doe R. Cluster Analysis for Employee Performance Evaluation // Journal of Applied Statistics. 2018. Vol. 45. 2. P. 123–134.
20 . Introducing the TAG Heuer Connected Calibre E5. Press release. URL: https://www.europastar.com/news/1003990503-rolex-launches-its-large-scale-construction/time-keeper/1004115495-introducing-the-tag-heuer-connected-calibre-e5.html (дата обращения: 12.02.2026).
21 . Jardinico J.B. This New Smartwatch Does What Apple and Samsung Still Can’t. 29.12.2025. URL: https://www.nextpit.com/news/xiaomi-watch-5-launch-key-gesture-neural-tracking-features (дата обращения: 12.02.2026).