التجميع الهرمي التكتلي: الدليل الشامل لعام 2026

لديك نظام CRM مليء بجهات الاتصال، وسجل الطلبات الخاصة بمتجرك الإلكتروني، وبيانات الحملات التسويقية، وتذاكر الدعم الفني، وربما حتى ملفات Excel أنشأتها فرق مختلفة. كل شيء موجود. كل شيء مفيد. لكن غالبًا ما يكون كل شيء مختلطًا.

بالنسبة للعديد من الشركات الصغيرة والمتوسطة، لا تكمن المشكلة في نقص البيانات، بل في الافتقار إلى البنية التنظيمية. فمدير قسم التجزئة يرغب في معرفة أي العملاء يتبعون أنماط شراء متشابهة، ومسؤول العمليات يريد معرفة أي المنتجات تُباع معًا، وفريق الشؤون المالية يسعى إلى التمييز بين السلوكيات العادية وتلك التي تستحق الاهتمام. وبدون منهج واضح، تظل البيانات مجرد أرشيف بدلاً من أن تصبح دليلًا إرشاديًا.

هنا يأتي دور التجميع الهرمي التصاعدي (agglomerative hierarchical clustering). إنها تقنية تعلّم آلي تنظّم الملاحظات في مجموعات من خلال بناء تسلسل هرمي من الأسفل إلى الأعلى. لم تُولد اليوم. إنها تقنية راسخة: تم تقديمها في الستينيات، وفي إيطاليا تم تطبيقها بالفعل في عام 1985 ضمن مشروع حول بيانات اجتماعية-اقتصادية أدّى إلى تقليص 50 منطقة إلى 7 مجموعات رئيسية (المرجع مذكور هنا). هذا مهم لأنه يُظهر شيئًا بسيطًا: عندما تبدو البيانات فوضوية، يمكن للتجميع الهرمي أن يكشف عن بنية يمكن قراءتها.

إذا كنت تريد الانطلاق من رؤية أوسع لاستخدام البيانات في الشركة، فإن هذا الدليل حول تحليل بيانات الأعمال مكمّل ممتاز.

جدول المحتويات

• مقدمة: من فوضى البيانات إلى الوضوح الاستراتيجي
• ما الذي يميّزه عن الطرق الأخرى
• السؤال الأول: كيف تقيس التشابه
• السؤال الثاني: كيف تدمج مجموعتين
• مقارنة أساليب الربط (linkage)
• كيفية الاختيار حسب سياق الشركة
• مثال ملموس
• التكلفة الحسابية مهمة أيضًا
• كيفية قراءة المخطط الشجري (dendrogramma) دون تعقيدات تقنية غير ضرورية
• كيفية اختيار نقطة القطع
• إعداد البيانات بالطريقة الصحيحة
• مثال أساسي على التنفيذ
• القرارات الثلاثة التي تهم فعلًا
• تقسيم العملاء الذي يفيد التسويق فعلًا
• المنتجات والمخزون
• المخاطر المالية والأمن السيبراني
• أين يتعثّر فعلًا فريق داخلي
• ما الذي يتغيّر مع سير عمل آلي
• الخلاصات والنقاط الأساسية التي يجب تذكّرها

مقدمة: من فوضى البيانات إلى الوضوح الاستراتيجي

صباح يوم الاثنين. يفتح مدير المبيعات نظام إدارة علاقات العملاء (CRM)، بينما يراجع قسم التسويق الحملات التسويقية التي تباينت نتائجها بشكل كبير، ويشير قسم اللوجستيات إلى منتجات ذات معدلات دوران غير متوقعة. البيانات متوفرة، لكن ما ينقصنا هو خريطة إرشادية تساعدنا في اتخاذ القرار.

وهنا يبدأ مدير الشركات الصغيرة والمتوسطة في طرح الأسئلة الصحيحة. أي العملاء يتصرفون فعلاً بطريقة متشابهة؟ أي المنتجات تستحق استراتيجية منفصلة؟ أي المواقع أو مجالات العمل يجب إدارتها بمنهجيات مختلفة، حتى وإن كانت جميعها تُدرج اليوم في التقرير نفسه؟

التجميع الهرمي التصاعدي يعمل على تحويل هذه الفوضى إلى بنية يمكن قراءتها. بدلاً من فرض فئات محددة مسبقًا فورًا، ينظّم العناصر حسب التشابه ويُظهر كيف تتشكّل المجموعات خطوة بخطوة. النتيجة ليست مجرد تمرين إحصائي. إنها دعم ملموس لتقسيم السوق، وترتيب الأولويات التشغيلية، وخيارات التموضع.

بالنسبة للشركة، لا يكمن الأمر في معرفة اسم الخوارزمية. بل يكمن في الاستفادة بشكل صحيح من ثلاثة عوامل عملية: اختيار طريقة الربط المناسبة لحالتها، وقراءة الشجرة التصنيفية دون الانغماس في التفاصيل الفنية، وفهم أين يجب قطع التسلسل الهرمي للحصول على مجموعات مفيدة للأعمال.

وهنا يكمن الفرق بين الاستخدام الأكاديمي للتجميع واستخدامه في مجال الإدارة.

إذا كنت تعمل بالفعل على تقسيم السوق أو إعداد التقارير أو تحليل بيانات الأعمال لاتخاذ قرارات أسرع وأكثر واقعية، فهذه الطريقة تساعدك على رؤية علاقات تبقى مخفية في جداول Excel. ومع أدوات مثل Electe، يمكن حتى للشركة الصغيرة والمتوسطة التي لا تملك فريق علماء بيانات أن تُدخل هذا النهج في عملياتها اليومية، من قراءة البيانات إلى اتخاذ القرار التشغيلي.

ما هو التجميع الهرمي التكتلي وكيف يعمل

التجميع الهرمي التصاعدي ينطلق من الأسفل. كل سجل يبدأ كمجموعة قائمة بذاتها. بعد ذلك، تقارن الخوارزمية أوجه التشابه، وتدمج العنصرين الأقرب، وتكرّر الخطوة نفسها حتى يتم بناء تسلسل هرمي كامل.

بالنسبة للشركات الصغيرة والمتوسطة، يُعد هذا النهج مفيدًا لأنه يعكس عملية اتخاذ قرار واقعية. ففي البداية، لا تعرف بعد عدد المجموعات التي تحتاجها فعليًّا. كل ما تعرفه هو أن بعض العملاء يتصرفون بطريقة متشابهة، وأن بعض المنتجات تتبع أنماطًا متشابهة، وأن بعض مجالات العمل تستحق أن يتم النظر إليها معًا. ويقوم التجميع التجميعي بتنظيم هذه العلاقات دون إجبارك على تحديد عدد المجموعات على الفور.

آلية العمل بسيطة:

1. كل ملاحظة تبدأ بمفردها. العميل، أو المنتج، أو المعاملة هي مجموعات منفصلة.
2. يتم حساب مدى الاختلاف بين عنصرين أو مجموعتين.
3. يتم دمج المجموعات الأقرب وفقًا للقاعدة المختارة.
4. يتم تحديث البنية وتكرار المقارنة.
5. يستمر الأمر حتى يتم الحصول على شجرة هرمية واحدة تُظهر جميع التجميعات الممكنة.

وهنا تكمن نقطة غالبًا ما تثير الارتباك. فالخوارزمية لا تعطي على الفور «المجموعات الأربع الصحيحة» أو «الشرائح الست الصحيحة». بل تقوم أولاً بإنشاء خريطة للتقارب. أما قرار عدد المجموعات التي يجب الاحتفاظ بها فيأتي لاحقًا، عندما تقرأ تلك التسلسل الهرمي وفقًا لهدف العمل.

من المفيد إعطاء مثال على ذلك. إذا كنت تقوم بتحليل قاعدة عملائك، فقد تكتشف أن بعض العملاء يتشابهون من حيث تواتر الشراء، وبعضهم الآخر من حيث متوسط قيمة الشراء، والبعض الآخر من حيث الموسمية. لا يُجبرك التجميع التجميعي على تحديد مستوى التفاصيل على الفور. بل يتيح لك رؤية كل من المجموعات الصغيرة، المفيدة للحملات الموجهة، والشرائح الكبيرة، المفيدة لتحديد الميزانية والخدمات والأولويات التجارية.

ما الذي يميزه عن الطرق الأخرى

الفرق العملي مقارنة بأساليب مثل k-means بسيط. ففي طريقة k-means، عليك أن تحدد مسبقًا عدد المجموعات التي تريد العثور عليها. أما في التجميع الهرمي التراكمي، فأنت تبني هرمًا ثم تختار لاحقًا متى تتوقف.

بالنسبة للمدير، يُحدث هذا فرقًا كبيرًا. فهذا يعني القدرة على البدء بسؤال مفتوح، وليس بإجابة مفترضة مسبقًا. فإذا كان فريق المبيعات يشك في وجود أنواع مختلفة من العملاء ولكنه لا يعرف بعد عددها، فإن هذه الطريقة توفر منظورًا أكثر فائدة لمناقشة الاستراتيجية.

وهناك سبب آخر يجعلها محببة. فالنتيجة واضحة ومفهومة. فليس لديك فقط تصنيفات نهائية مخصصة للسجلات، بل مسار يوضح كيف تتشكل المجموعات خطوة بخطوة. وهذه البنية الهرمية بالذات هي ما يجعل هذه الطريقة مثيرة للاهتمام في اتخاذ القرارات المؤسسية، لأنها تربط التحليل الإحصائي بخيار ملموس: أي الحالات التي يكون من المنطقي فيها تقسيم المجموعات للحصول على رؤى قابلة للتطبيق.

قاعدة عملية: استخدم التجميع الهرمي عندما تريد استكشاف بنية البيانات قبل تحديد شرائح تشغيلية ثابتة.

إذا كنت تريد مقارنة هذا النهج مع خوارزميات تعلّم آلي أخرى لمشكلات أعمال مختلفة، فمن المنطقي تقييمها بناءً على القرار الذي يجب عليك اتخاذه، وليس فقط بناءً على التقنية.

مقاييس المسافة وطرق الربط: الاختيار الذي يحدد مجموعاتك

يمكن لشركتين استخدام الخوارزمية نفسها والحصول على تقسيمات مختلفة تمامًا. السبب، في أغلب الأحيان، يكمن هنا: في اختيار كيفية قياس المسافة وكيفية تحديد المجموعات التي يجب دمجها.

بالنسبة لمدير شركة صغيرة أو متوسطة الحجم، لا يُعد هذا مجرد تفصيل تقني. بل هو خيار يؤثر على النتيجة التشغيلية. فقد يقودك إلى مجموعات مفيدة للحملات التسويقية وتحديد الأسعار، أو إلى مجموعات غير واضحة يصعب على الفريق الاستفادة منها.

السؤال الأول: كيف تقيس التشابه

تُستخدم مقياس المسافة لقياس مدى اختلاف مشاهدتين عن بعضهما البعض. سواء كنت تحلل عملاء أو منتجات أو نقاط بيع، فهي القاعدة التي تعتمدها الخوارزمية لمقارنة الملفات الشخصية.

أكثرها شيوعًا هي:

• المسافة الإقليدية. تقيس المسافة في خط مستقيم بين نقطتين. مناسبة عندما تعمل بمتغيرات رقمية قابلة للمقارنة فيما بينها، مثل حجم المبيعات وتكرار الشراء ومتوسط قيمة الفاتورة، بعد تطبيع صحيح للبيانات.
• مسافة مانهاتن. تجمع الفروقات المطلقة على كل متغير. تعمل بشكل جيد عندما تريد مقياسًا أقل حساسية للانحرافات الفردية وأقرب إلى منطق "الكتل"، مفيد في بعض مجموعات البيانات التشغيلية.

وهنا يكمن خطأ شائع. فإذا كان نطاق أحد المتغيرات أوسع بكثير من المتغيرات الأخرى، فسوف يهيمن في النهاية على حساب المسافة. وعملياً، ستعتمد عملية التجميع بشكل شبه كامل على ذلك العمود. ولهذا السبب، من المستحسن التحقق مما إذا كانت البيانات قد خضعت للتوحيد قبل اختيار طريقة الربط.

السؤال الثاني: كيف يمكنك دمج مجموعتين

يدخل الربط (linkage) في اللعبة بعد ذلك. فهو لا يقارن بين نقطتين فرديتين، بل بين مجموعتين مُشكَّلتين مسبقًا.

إليك مثالاً توضيحيًا جيدًا: تحدد المقاييس كيفية قياس المسافة بين متجرين على الخريطة. أما الربط فيحدد كيفية تقييم المسافة بين سلسلتين كاملتين من المتاجر. وهذا فرق كبير.

الطرق الرئيسية هي:

• الربط الفردي (Single linkage). يأخذ في الاعتبار أقرب نقطتين بين مجموعتين مختلفتين.
• الربط الكامل (Complete linkage). يأخذ في الاعتبار أبعد نقطتين.
• الربط المتوسط (Average linkage). يستخدم متوسط المسافات بين جميع نقاط المجموعتين.
• وارد (Ward). يدمج المجموعات التي تزيد التباين الداخلي بأقل قدر ممكن.

مقارنة بين طرق الربط

طريقة الربطكيف تعملالمزاياالعيوبمثالية لـ

وصلة أحادية

استخدم المسافة الدنيا بين نقاط مجموعتين

التقاط الاتصالات التقدمية

قد يؤدي إلى تكوين مجموعات "متسلسلة" غير متماسكة

أنماط مترابطة للغاية، استكشاف أولي

الربط الكامل

استخدم أقصى مسافة بين نقاط مجموعتين

إنشاء مجموعات أكثر إحكاما

قد يؤدي ذلك إلى فصل مجموعات متقاربة بشكل طبيعي

التقسيمات التي تهم فيها التجانس

متوسط الارتباط

المسافات بين نقاط المجموعتين متوسطة

حل وسط جيد

أمر يصعب شرحه بشكل مباشر لقطاع الأعمال

تحليلات متوازنة

وارد

يقلل من زيادة التباين داخل المجموعات

ينتج أقسامًا مستقرة وقابلة للقراءة

يتطلب متغيرات عددية معدة جيدًا

تصنيف العملاء، تحليل الأعمال

يعتمد الاختيار الصحيح على القرار الذي يتعين عليك اتخاذه في الشركة، وليس على تفضيل مجرد.

إذا كان هدفك إيجاد نوى مترابطة بتشابهات تدريجية، فقد يكون الربط الفردي مفيدًا في مرحلة الاستكشاف. أما إذا كنت بحاجة لبناء شرائح واضحة لتخصيصها لحملات أو قوائم أسعار أو مستويات خدمة، فغالبًا ما ينتج الربط الكامل أو وارد مجموعات أسهل في التفسير. الربط المتوسط غالبًا ما يكون حلاً وسطًا جيدًا عندما لا تريد مجموعات صارمة للغاية ولا هياكل ممدودة أكثر من اللازم.

قاعدة عملية: إذا كنت ستعرض المجموعات على قسم المبيعات أو التسويق أو الإدارة، ابدأ بـ Ward. إذا بدت النتيجة "مُجبَرة" أكثر من اللازم، قارنها بالربط المتوسط.

كيفية الاختيار وفقًا لبيئة العمل

غالبًا ما تقتصر الأدلة الأكاديمية هنا على التعريف. أما في عالم الأعمال، فيجب اتباع منطق محدد في الاختيار.

استخدم هذا المقطع:

• تريد مجموعات مدمجة وسهلة الشرح؟ ابدأ بـ الربط الكامل أو وارد.
• تريد استكشاف روابط ضعيفة أو هياكل غير منتظمة جدًا؟ قيّم الربط الفردي.
• تريد توافقًا بين الاستقرار والمرونة؟ جرّب الربط المتوسط.
• لديك متغيرات بمقاييس مختلفة أو مزيج من المؤشرات غير المتجانسة؟ تحقق أولًا من إعداد البيانات والمقياس، وإلا سيُحكم على الربط بشكل غير عادل.

بعبارة أخرى، لا توجد طريقة هي الأفضل على الإطلاق. بل توجد الطريقة الأكثر توافقاً مع متطلبات العمل.

مثال عملي

لنفترض أنك ترغب في تصنيف عملاء شركة صغيرة أو متوسطة الحجم تعمل في مجال البيع بالتجزئة باستخدام معدل تكرار الشراء، ومتوسط قيمة الطلب، وعدد فئات المنتجات التي تم شراؤها.

مع الربط الفردي، قد تحصل على مجموعة واحدة ممتدة جدًا، متصلة بانتقالات تدريجية بين عملاء مختلفين تمامًا عن بعضهم البعض. هذا مفيد إذا كنت تريد ملاحظة الاستمرارية في السلوك، لكنه أقل فائدة إذا كنت بحاجة لإنشاء إجراءات تجارية متمايزة.

مع الربط الكامل، تصبح المجموعات أكثر تماسكًا. يتشابه العملاء داخل كل مجموعة أكثر، لذا يستطيع فريق التسويق بسهولة أكبر بناء عروض ترويجية مخصصة.

مع وارد، غالبًا ما تحصل على شرائح منظمة وواضحة. لهذا السبب يُعد خيارًا متكررًا عندما لا يكون الهدف مجرد التحليل، بل الوصول إلى قرار.

التكلفة الحاسوبية مهمة أيضًا

قد يصبح التجميع الهرمي التكتلي عملية ثقيلة عند التعامل مع مجموعات البيانات الكبيرة. وهذا الأمر له تأثير ملموس: حيث يستغرق وقتًا أطول، ويستهلك ذاكرة أكبر، ويقلل من المساحة المتاحة لإجراء اختبارات سريعة على المقاييس والروابط المختلفة.

بالنسبة للشركات الصغيرة والمتوسطة، لا يكمن الهدف في الخوض في النظريات المتعلقة بالخوارزميات. بل يكمن الهدف في معرفة ما إذا كان التحليل سيظل قابلاً للتطبيق في ظل البيانات المتاحة، والوقت المتاح للفريق، والأدوات المستخدمة.

ولهذا السبب، ينبغي أن تجيب الخيار التقني على ثلاثة أسئلة بسيطة:

• هل ستكون المجموعات واضحة بما يكفي لتوجيه إجراء ما؟
• هل تتحمل الطريقة البنية الحقيقية للبيانات جيدًا؟
• هل العملية مستدامة دون عمل يدوي مفرط؟

وهنا ELECTE منصة مثل ELECTE . فهي تقلل من الجانب التقني في عملية الإعداد وتسهل مقارنة الخيارات المختلفة، حتى في حالة عدم وجود فريق داخلي من علماء البيانات. ولا تكمن القيمة في «إجراء عملية التجميع» بحد ذاتها، بل في اختيار تصنيف يمكن للشركة فهمه والتحقق من صحته واستخدامه.

إنشاء وتفسير شجرة تصنيفية: تحويل الشجرة إلى عملية عملية

تظهر القيمة الحقيقية لـالتجميع الهرمي التجميعي (agglomerative hierarchical clustering) عندما تنظر إلى مخرجه الأكثر شيوعًا: المخطط الشجري (dendrogramma). إنه ليس رسمًا بيانيًا زخرفيًا، بل خريطة لاتخاذ القرار.

كيفية قراءة الشجرة التصنيفية دون استخدام مصطلحات تقنية غير ضرورية

على المحور الأفقي تجد الملاحظات، أو مجموعات صغيرة من الملاحظات. وعلى المحور الرأسي ترى المسافة أو الاختلاف الذي تحدث عنده عمليات الدمج.

القاعدة البصرية الأهم هي هذه: كلما حدث الاندماج في مستوى أعلى، كانت المجموعات المدمجة أكثر اختلافًا.

وهذا يتيح لك القيام بشيء يقدّره العديد من المديرين على الفور. فأنت لا تقبل عدد مجموعات تم تحديده بواسطة صيغة «غامضة». بل إنك تدرس بنية البيانات وتقرر أين يكون من المنطقي التوقف.

على سبيل المثال:

• إذا حدثت اندماجات كثيرة عند ارتفاع منخفض، فهذا يعني أن البيانات تحتوي على مجموعات متشابهة جدًا؛
• إذا ظهرت قفزة عمودية واضحة عند نقطة معينة، فأنت على الأرجح تدمج مجموعات مختلفة إلى حد كبير بالفعل؛
• غالبًا ما تشير تلك القفزة إلى نقطة جيدة لقطع الشجرة.

يُترجم المخطط الشجري قرارًا إحصائيًا إلى قرار بصري. لهذا السبب يكون مفيدًا أيضًا في الاجتماعات، وليس فقط في دفاتر Python.

قد يساعد العرض المرئي في تثبيت المفهوم:

كيفية اختيار نقطة القطع

يتوقف الكثيرون عند هذه النقطة. «كم عدد المجموعات التي يجب أن أحتفظ بها؟» الإجابة الصادقة هي: هذا يعتمد على المشكلة التي تريد حلها.

إذا كنت بحاجة إلى تنفيذ إجراءات تجارية، فإن وجود عدد كبير جدًا من المجموعات يعقد العملية. أما إذا كنت تحلل سلوكيات متنوعة للغاية، فإن وجود عدد قليل من المجموعات قد يؤدي إلى إخفاء أنماط مفيدة.

إليك معيار عملي:

1. انظر إلى أكبر القفزات الرأسية في المخطط الشجري.
2. ارسم خطًا أفقيًا عند قفزة مهمة.
3. عدّ الفروع المقطوعة. هذا هو عدد المجموعات الناتج.

لنفترض أن القطع يقطع أربعة فروع رئيسية. لديك أربعة أجزاء. عند هذه النقطة، لا يصبح العمل الإداري إحصائيًا بعد الآن. بل يصبح تفسيريًا.

اسأل نفسك:

• هل هذه المجموعات منطقية للتسويق أو المبيعات أو العمليات؟
• هل يمكنني وصفها بطريقة مفهومة؟
• هل تؤدي كل مجموعة إلى إجراء مختلف؟

ملاحظة عملية: أفضل مخطط شجري ليس الأكثر أناقة. بل هو الذي يتيح لك تبرير اختيار تجزئة أمام من سيستخدمها.

دليل عملي باستخدام Python وScikit-learn

لديك مجموعة بيانات للعملاء، وبعض المتغيرات المفيدة، وسؤال محدد: هل توجد مجموعات تستحق إجراءات تجارية مختلفة؟ إن لغة Python مخصصة بالضبط لتحويل هذا السؤال إلى اختبار سريع وسهل القراءة وقابل للتكرار.

للقيام بذلك، عادةً ما تُستخدم scikit-learn لإنشاء النموذج وSciPy لرسم المخطط الشجري. الجانب التقني سهل المنال. الجانب الذي يُحدث الفرق، بالنسبة لشركة صغيرة أو متوسطة، هو إعداد البيانات بشكل صحيح وقراءة النتيجة بمعايير واضحة.

تحضير البيانات بالطريقة الصحيحة

الخطأ الأكثر شيوعًا يحدث قبل تطبيق الخوارزمية. فإذا أدخلت في النموذج نفسه متغيرًا مثل حجم المبيعات السنوي ومتغيرًا آخر مثل عدد الطلبات، فإن المتغير الأكبر من حيث الحجم قد يكون له تأثير أكبر بكثير. وبالتالي، فإن المجموعة النهائية تعكس وحدات القياس أكثر مما تعكس أوجه التشابه الحقيقية بين العملاء أو المنتجات.

التوحيد القياسي يخدم لتجنب هذه المشكلة. عمليًا، تنقل المتغيرات العددية إلى مقياس قابل للمقارنة. إنه اختيار بسيط، لكنه يغيّر النتيجة بشكل ملموس، خاصة إذا كنت تريد استخدام Ward linkage، الذي يعمل بشكل جيد مع البيانات العددية المُعدّة جيدًا.

قبل إطلاق النموذج، تحقق من ثلاث نقاط:

• متغيرات عددية بمقاييس مختلفة. وحّدها قياسيًا.
• متغيرات فئوية. حوّلها إلى صيغة يمكن للنموذج استخدامها.
• قيم مفقودة. تعامل معها مسبقًا، وإلا يصبح التجميع هشًا أو غير قابل للاستخدام.

إليك مثال توضيحي مفيد: أنت تقارن بين العملاء كما لو كنت تقيّمهم باستخدام نفس وحدة القياس. فإذا تم قياس أحدهم باليورو والآخر بالعدد الإجمالي، فإن المقارنة تكون غير متوازنة منذ البداية.

مثال بسيط على التنفيذ

إليك مثال بسيط باستخدام scikit-learn:

import pandas as pdfrom sklearn.preprocessing import StandardScalerfrom sklearn.cluster import AgglomerativeClustering# Esempio: dataset con variabili numerichedf = pd.DataFrame({"frequenza_acquisto": [12, 10, 2, 3, 15, 1],"scontrino_medio": [80, 75, 20, 25, 95, 15],"numero_categorie": [5, 4, 1, 2, 6, 1]})# 1. Scalingscaler = StandardScaler()X_scaled = scaler.fit_transform(df)# 2. Modellomodel = AgglomerativeClustering(n_clusters=3,linkage="ward")# 3. Assegnazione clusterlabels = model.fit_predict(X_scaled)df["cluster"] = labelsprint(df)

النص قصير. ما يهم أكثر هو الفهم الإداري.

في هذا المثال أنت تخبر النموذج: "جمّع هذه الملاحظات في 3 مجموعات، بدمج الحالات الأكثر تشابهًا تدريجيًا". النتيجة النهائية هي العمود cluster، أي التسمية المخصصة لكل صف في مجموعة البيانات. من هناك يبدأ العمل المفيد للأعمال: فهم ما يميز المجموعة 0 عن المجموعة 1، وأي القرارات تستحق الاتخاذ.

إذا أردت أيضًا تصور البنية الهرمية الكاملة، ستستخدم عادةً scipy.cluster.hierarchy.linkage إلى جانب dendrogram. تساعدك scikit-learn في الحصول على المجموعات. تساعدك SciPy في رؤية كيفية تشكّلها.

القرارات الثلاثة التي لها أهمية حقيقية

في مجال الأعمال، لا تعتمد قيمة التجميع على مدى تعقيد الكمبيوتر المحمول. بل تعتمد على جودة ثلاثة خيارات.

• أي المتغيرات تدرجها. إذا اخترت أعمدة قليلة الفائدة، ستحصل على مجموعات يصعب تفسيرها.
• أي ربط تستخدمه. غالبًا ما يكون Ward أساسًا جيدًا مع البيانات العددية الموحدة قياسيًا، لكنه ليس دائمًا الخيار الأفضل لكل مشكلة.
• كم عدد المجموعات التي تجعل المخرجات قابلة للاستخدام. قد يبدو نموذج بـ 8 مجموعات دقيقًا، لكنه قد يصبح غير قابل للإدارة بالنسبة للتسويق أو المبيعات أو العمليات.

هنا يتضح الفرق بين التمرين التقني وأداة اتخاذ القرار. فالمدير لا يحتاج إلى "تجميع المجموعات" بشكل نظري. بل يحتاج إلى شرائح يمكن تسميتها وشرحها واستخدامها.

لذا، إذا كنت تعمل بلغة Python، فلا تكتفِ بالتصنيف الذي حدده النموذج. راقب متوسط المتغيرات لكل مجموعة، وقارن بين الملامح التي ظهرت، واسأل نفسك على الفور: هل تتطلب هذه المجموعة إجراءً مختلفًا عن المجموعات الأخرى؟ إذا كانت الإجابة «لا»، فإن المشكلة لا تكمن في الكود. فعادةً ما تكمن المشكلة في اختيار المتغيرات أو طريقة الربط أو نقطة القطع.

أمثلة عملية لتنمية أعمالك

خوارزمية ما تصبح ذات أهمية حقيقية عندما تغيّر إجراءً ملموسًا. يصبح agglomerative hierarchical clustering مفيدًا عندما يحوّل صفوف قاعدة البيانات إلى شرائح يمكن للأعمال استخدامها.

تقسيم العملاء الذي يفيد التسويق حقًا

لا تزال العديد من الشركات الصغيرة والمتوسطة تصنف عملاءها بطريقة بسيطة للغاية. العمر، المنطقة الجغرافية، وربما فئة الإيرادات. هذا بداية جيدة، لكنه غالبًا ما يكون غير كافٍ.

باستخدام التجميع الهرمي، يمكنك دمج متغيرات سلوكية مثل تواتر الشراء، والقيمة المتوسطة، والفئات المفضلة، والاستجابة للعروض الترويجية. والنتيجة ليست مجرد قائمة بالملفات الشخصية، بل هي تسلسل هرمي يوضح لك المجموعات التي ترتبط ببعضها ارتباطًا وثيقًا، وتلك التي يجب التعامل معها برسائل مختلفة.

وهذا يساعد فريق التسويق على اتخاذ قرارات أكثر دقة:

• عملاء أوفياء يجب حمايتهم ببرامج ولاء
• مشترون عرضيون يجب إعادة تنشيطهم بحملات مخصصة
• عملاء جدد يجب مرافقتهم نحو الشراء الثاني
• ملفات غير مستقرة يجب مراقبتها قبل أن تبتعد

المنتجات والمخزون

في قطاعي البيع بالتجزئة والتجارة الإلكترونية، لا يقتصر دور التجميع على فهم الأشخاص فحسب، بل يمتد ليشمل فهم المنتجات أيضًا.

يمكنك تجميع المنتجات وفقًا لأنماط المبيعات أو عمليات الشراء المشتركة أو الموسمية أو الاستجابة للعروض الترويجية. وهذا يتيح تحسين العديد من القرارات التشغيلية:

• التشكيلة. تفهم أي المنتجات لها ديناميكيات متشابهة.
• العروض الترويجية. تبني حزمًا أكثر اتساقًا.
• المخزون. تتجنب معاملة أصناف ذات سلوكيات مختلفة جدًا بنفس الطريقة.

الميزة الإدارية هنا واضحة. فأنت لا تنظر إلى كل وحدة تخزين (SKU) على حدة. بل تقوم بتحديد مجموعات تشغيلية يمكن التخطيط لها معًا.

عندما تتحرك المنتجات في مجموعات متشابهة، تصبح قرارات إعادة الطلب والترويج أيضًا أكثر اتساقًا.

المخاطر المالية والأمن السيبراني

في مجال التمويل، يمكن أن يساعد التجميع في التمييز بين الأنماط العادية وتلك التي تستحق مزيدًا من التحليل. وهو لا يحل محل الضوابط التنظيمية أو النماذج المتخصصة، ولكنه يمكن أن يكون أداة مفيدة لتصنيف السلوكيات المتشابهة وكشف الحالات الشاذة.

هناك أيضًا اتجاه مثير للاهتمام في الأمن السيبراني. منظور ناشئ يتعلق باستخدام AHC متقدم لحركة مرور الشبكة في الشركات الصغيرة والمتوسطة الإيطالية. في عام 2025، ارتفعت هجمات برامج الفدية على الشركات الصغيرة والمتوسطة الإيطالية لتكنولوجيا المعلومات بنسبة 27%، وحسّنت أطر AHC القائمة على حاصل الضرب الداخلي اكتشاف القيم الشاذة بنسبة 18% على مجموعات بيانات إيطالية لحركة مرور الشبكة (المرجع من JMLR الوارد هنا).

من المفيد فهم هذا الأمر بشكل صحيح. فهذا لا يعني أن كل شركة صغيرة أو متوسطة الحجم يجب أن تنشئ على الفور نظامًا للتجميع من أجل الأمن. لكنه يعني أن التجميع الهرمي لا يقتصر على مجالي التسويق أو البيع بالتجزئة. بل يمكن أن يصبح هيكلًا تحليليًا شاملاً، بدءًا من سلوك العملاء وصولاً إلى مراقبة المخاطر.

كيف ELECTE عملية التجميع لشركتك

لديك بيانات العملاء في نظام إدارة علاقات العملاء (CRM)، والطلبات في نظام التجارة الإلكترونية، والهوامش في ملف Excel، وبعض المعلومات التشغيلية في نظام إدارة الأعمال. وطالما ظلت هذه البيانات منفصلة، فإن عملية التجميع تظل مجرد ممارسة نظرية. وبالنسبة للشركات الصغيرة والمتوسطة، لا تكمن المشكلة في إدراك فائدة المجموعات. بل تكمن المشكلة في الوصول إلى مجموعات واضحة ومتسقة وموثوقة بما يكفي لتوجيه القرارات التجارية أو التشغيلية.

وهنا تكمن أهمية منصة مثل ELECTE في أنها ELECTE العمل اليدوي وتجعل العملية أكثر سهولة لمن يتعين عليهم اتخاذ القرارات، وليس من يكتبون البرامج.

أين يتعثر الفريق الداخلي حقًا

في الواقع، هناك أربعة عقبات متكررة.

• مصادر بيانات موزعة بين نظام إدارة علاقات العملاء (CRM) والتجارة الإلكترونية والملفات المحلية وأدوات المالية
• متغيرات يصعب إعدادها، لأنها ذات مقاييس ووحدات مختلفة
• اختيار طريقة الربط (linkage) ليس بديهيًا، خاصة عندما لا يكون واضحًا ما إذا كانت الأولوية للتماسك أو الاستقرار أو الحساسية للقيم الشاذة
• مخرجات يصعب قراءتها بالنسبة للمدراء وفرق العمل التشغيلية التي لا تعمل يوميًا على Python

النقطة الأكثر إغفالًا هي بالتحديد هذه: الخوارزمية وحدها لا تكفي. تحتاج إلى مسار يأخذك من البيانات الخام إلى تجزئة يمكن للأعمال استخدامها فعليًا. تساعدك Electe منذ الخطوة الأولى، من خلال ربط مصادر بيانات الشركة بطريقة منظمة. إذا أردت الاطلاع على التكاملات المتاحة، يمكنك زيارة صفحة مصادر البيانات القابلة للربط في Electe.

وهناك صعوبة ثانية، وهي صعوبة استراتيجية أكثر منها تقنية. فاختيار طريقة الربط الخاطئة قد يؤدي إلى تكوين مجموعات غير مفيدة للشركة، حتى لو تم تنفيذ النموذج بشكل صحيح. ولا يحتاج المدير إلى معرفة كل التفاصيل الرياضية. بل يحتاج إلى فهم أي تكوين يولد شرائح مستقرة بما يكفي لدعم حملة تسويقية أو سياسة مخزون أو مراجعة محفظة العملاء.

ما الذي يتغير مع اعتماد سير عمل آلي

بفضل سير العمل الآلي، تصبح العملية أشبه بخط إنتاج منظم جيدًا أكثر منها بسلسلة من الاختبارات اليدوية. يتم إدخال البيانات، ثم يتم تجهيزها بطريقة متسقة، ويتم مقارنة عدة تكوينات، ليتم تقديم الناتج النهائي في شكل سهل القراءة.

بشكل ملموس، يمكن أن يتبع هذا التدفق الخطوات التالية:

1. اجمع البيانات من أنظمة الشركة في بيئة واحدة.
2. جهّز المتغيرات بقواعد متسقة، بحيث لا يزن الإيراد بشكل غير متناسب مقارنة بتكرار الشراء.
3. قارن بين عدة إعدادات للتجميع (clustering) دون تكرار كل محاولة يدويًا.
4. اقرأ مجموعات قابلة للتفسير، مع تسميات وأنماط منطقية بالنسبة للمبيعات أو التسويق أو العمليات.
5. حوّل المجموعات إلى قرارات، مثل أولويات تجارية أو شرائح ترويجية أو سياسات إعادة الطلب.

لا تكمن الميزة في الأتمتة بحد ذاتها، بل في أن وقت الفريق يُخصص للجزء الأكثر أهمية: تفسير الشجرة التصنيفية، واختيار مستوى التقسيم المناسب، وتحديد ما يجب فعله بهذه المجموعات.

بالنسبة للشركات الصغيرة والمتوسطة، يُحدث هذا فرقًا كبيرًا. فبدلاً من التساؤل بشكل نظري حول ما إذا كان ينبغي استخدام طريقة «وارد» أو «المتوسط» أو «الشاملة»، يصبح المقارنة أمرًا عمليًا: أي طريقة تنتج مجموعات أكثر وضوحًا لعملائنا ومنتجاتنا وأهدافنا؟ ELECTE هذا السؤال بسهولة حتى في غياب فريق داخلي من علماء البيانات.

وبالتالي، فإن الأتمتة لا تحل محل التقدير الإداري، بل تضعها في المكان المناسب ضمن العملية.

الاستنتاجات والنقاط الرئيسية التي يجب تذكرها

التجميع الهرمي التصاعدي (agglomerative hierarchical clustering) ليس مجرد موضوع دراسي جامعي. إنه أداة عملية لتنظيم بيانات تظل، بدونها، مجزأة.

النقاط الأساسية التي يجب أخذها في الاعتبار قليلة لكنها حاسمة:

• يبدأ من الأسفل إلى الأعلى. تبدأ كل ملاحظة بمفردها، ثم يتم دمجها تدريجيًا مع ملاحظات مشابهة.
• لا يفرض عدد المجموعات k مسبقًا. هذا ما يجعل الطريقة مفيدة عندما لا تعرف بعد عدد الشرائح المنطقية.
• اختيار طريقة الربط يغيّر النتيجة. طرق Ward وcomplete وaverage وsingle لا تنتج نفس البنية.
• المخطط الشجري (dendrogram) يساعد في اتخاذ القرار. إنه ليس مجرد وسيلة عرض بصري، بل أداة لترجمة البنية الإحصائية إلى إجراء إداري.

بالنسبة للشركات الصغيرة والمتوسطة، يكمن القيمة الحقيقية في هذا الأمر. فهم العملاء والمنتجات والأنماط التشغيلية بشكل أفضل دون الاعتماد على الحدس وحده. إذا كان فريقك يتمتع بالمهارات التقنية اللازمة، فيمكنك البدء باستخدام لغة Python ومكتبة scikit-learn. أما إذا كنت ترغب في الوصول إلى رؤى واضحة بشكل أسرع، فإن اتباع نهج آلي يقلل من العقبات ويختصر الوقت.

ليس المقصود هنا استخدام خوارزمية «متطورة». بل المقصود هو اتخاذ قرارات أكثر وضوحًا، مع مراعاة السياق بشكل أكبر وتقليل التشويش.

إذا كنت تريد تحويل بيانات متناثرة إلى شرائح واضحة وقرارات تشغيلية، اكتشف كيف تجعل Electe التحليل متاحًا حتى بدون فريق من علماء البيانات. يمكنك ربط مصادر بياناتك، والحصول على رؤى واضحة وقابلة للقراءة، والانتقال بشكل أسرع من التحليل إلى الفعل.