AUEB Library - Digital Repository

PYXIDA Institutional Repository
and Digital Library

Username
Password

Collections :	Ιδρυματικό Αποθετήριο ΟΠΑ / AUEB Institutional Repository Σχολή Επιστημών και Τεχνολογίας της Πληροφορίας / School of Informatics Τμήμα Πληροφορικής / Department of Informatics Μεταπτυχιακές Εργασίες / Postgraduate dissertations

Title :	Customer segmentation based on purchasing behavior using credit & debit cards

Alternative Title :	Τμηματοποίηση πελατών με βάση την αγοραστική συμπεριφορά με πιστωτικές και χρεωστικές κάρτες

Creator :	Δημοπούλου, Ναταλία Dimopoulou, Natalia

Contributor :	Πεντελή, Ξανθή (Επιβλέπων καθηγητής) Athens University of Economics and Business, Department of Informatics (Degree granting institution)

Type :	Text

Extent :	60p.

Language :	en

Abstract :	Με την πάροδο των ετών, εμφανίζονται συνεχώς νέες τεχνικές όσον αφορά το μάρκετινγκ. Οι επιχειρήσεις, λόγω του ταχέως αναπτυσσόμενου ανταγωνισμού, πρέπει να καταβάλουν μεγαλύτερη προσπάθεια για να κρατήσουν τους πελάτες τους. Έτσι, αναδύεται η ανάγκη εξεύρεσης αποτελεσματικότερων τρόπων προσέλκυσης πελατών και η λύση δίνεται με την είσοδο των τεχνικών Data Mining, ειδικά του Clustering, στον επιχειρηματικό κόσμο, οι οποίες στοχεύουν στη δημιουργία μιας πιο προσωπικής σχέσης μεταξύ οργανισμών και πελατών. Αυτό επιτυγχάνεται, αφενός, με τον εντοπισμό, μέσω της ανάλυσης των δεδομένων, των προτιμήσεων και των ενδιαφερόντων τους, και στη συνέχεια, διαιρώντας τους πελάτες σε ομάδες βάσει των κοινών χαρακτηριστικών τους. αυτή η διαδικασία είναι γνωστή ως Customer Segmentation Analysis. Μια ευρέως διαδεδομένη τεχνική Clustering είναι η K-Means, η οποία εφαρμόζεται εδώ με τη χρήση της Python, προκειμένου να ταξινομηθεί μια βάση δεδομένων πελατών που δόθηκε από την Eurobank. Αφού δημιουργηθούν μερικές παραγόμενες μεταβλητές, μετασχηματιστούν τα δεδομένα έτσι ώστε να είναι στην ίδια κλίμακα και εφαρμοστεί η τεχνική μείωσης των διαστάσεων, που ονομάζεται Principal Component Analysis, υλοποιείται ο αλγόριθμος K-Means. Ο αριθμός των clusters ισούται με 13 και επιλέχθηκε μέσω των δεικτών Silhouette και Davies – Bouldin. Στη συνέχεια, τα τμήματα ερμηνεύονται μέσω των δημογραφικών μεταβλητών, έτσι ώστε να προσδιοριστεί το τι χαρακτηρίζει το καθένα. Τέλος, τα αποτελέσματα μπορούν να χρησιμοποιηθούν για την υλοποίηση εκστρατειών προσαρμοσμένων στις ανάγκες κάθε ομάδας πελατών ώστε να είναι ικανοποιημένοι. Over the years, new techniques are constantly arising with regard to marketing. Businesses, due to the rapidly growing competition, should make more effort to retain theirs' customers. Thus, the need to find more effective ways to attract customers emerges and the solution is given by the entrance of Data Mining techniques, especially Clustering, in the business world, which aim at creating a more personal relationship between organizations and customers. This is accomplished, at first, by identifying, through the data analysis, theirs' preferences and interests, and then, dividing customers in groups based on theirs’ common characteristics; this procedure is known as Customer Segmentation Analysis. A widespread Clustering technique is K-Means, applied here using Python, in order to segment a customer database given by Eurobank. After creating some derived variables, transforming data so as to be in the same scale and applying the dimensionality reduction technique, called Principal Component Analysis, the K-Means algorithm is implemented. The number of clusters equals to 13 and was chosen through the Silhouette and Davies – Bouldin indices. The segments are then interpreted through the demographic variables, so as to identify what characterizes each one. Finally, the results can be used in order to implement campaigns tailored to the needs of each group of customers for keeping them satisfied.

Abstract :

Με την πάροδο των ετών, εμφανίζονται συνεχώς νέες τεχνικές όσον αφορά το μάρκετινγκ. Οι επιχειρήσεις, λόγω του ταχέως αναπτυσσόμενου ανταγωνισμού, πρέπει να καταβάλουν μεγαλύτερη προσπάθεια για να κρατήσουν τους πελάτες τους. Έτσι, αναδύεται η ανάγκη εξεύρεσης αποτελεσματικότερων τρόπων προσέλκυσης πελατών και η λύση δίνεται με την είσοδο των τεχνικών Data Mining, ειδικά του Clustering, στον επιχειρηματικό κόσμο, οι οποίες στοχεύουν στη δημιουργία μιας πιο προσωπικής σχέσης μεταξύ οργανισμών και πελατών. Αυτό επιτυγχάνεται, αφενός, με τον εντοπισμό, μέσω της ανάλυσης των δεδομένων, των προτιμήσεων και των ενδιαφερόντων τους, και στη συνέχεια, διαιρώντας τους πελάτες σε ομάδες βάσει των κοινών χαρακτηριστικών τους. αυτή η διαδικασία είναι γνωστή ως Customer Segmentation Analysis. Μια ευρέως διαδεδομένη τεχνική Clustering είναι η K-Means, η οποία εφαρμόζεται εδώ με τη χρήση της Python, προκειμένου να ταξινομηθεί μια βάση δεδομένων πελατών που δόθηκε από την Eurobank. Αφού δημιουργηθούν μερικές παραγόμενες μεταβλητές, μετασχηματιστούν τα δεδομένα έτσι ώστε να είναι στην ίδια κλίμακα και εφαρμοστεί η τεχνική μείωσης των διαστάσεων, που ονομάζεται Principal Component Analysis, υλοποιείται ο αλγόριθμος K-Means. Ο αριθμός των clusters ισούται με 13 και επιλέχθηκε μέσω των δεικτών Silhouette και Davies – Bouldin. Στη συνέχεια, τα τμήματα ερμηνεύονται μέσω των δημογραφικών μεταβλητών, έτσι ώστε να προσδιοριστεί το τι χαρακτηρίζει το καθένα. Τέλος, τα αποτελέσματα μπορούν να χρησιμοποιηθούν για την υλοποίηση εκστρατειών προσαρμοσμένων στις ανάγκες κάθε ομάδας πελατών ώστε να είναι ικανοποιημένοι.
Over the years, new techniques are constantly arising with regard to marketing. Businesses, due to the rapidly growing competition, should make more effort to retain theirs' customers. Thus, the need to find more effective ways to attract customers emerges and the solution is given by the entrance of Data Mining techniques, especially Clustering, in the business world, which aim at creating a more personal relationship between organizations and customers. This is accomplished, at first, by identifying, through the data analysis, theirs' preferences and interests, and then, dividing customers in groups based on theirs’ common characteristics; this procedure is known as Customer Segmentation Analysis. A widespread Clustering technique is K-Means, applied here using Python, in order to segment a customer database given by Eurobank. After creating some derived variables, transforming data so as to be in the same scale and applying the dimensionality reduction technique, called Principal Component Analysis, the K-Means algorithm is implemented. The number of clusters equals to 13 and was chosen through the Silhouette and Davies – Bouldin indices. The segments are then interpreted through the demographic variables, so as to identify what characterizes each one. Finally, the results can be used in order to implement campaigns tailored to the needs of each group of customers for keeping them satisfied.

Subject :	Τμηματοποίηση πελατών Αγοραστική συμπεριφορά Ομαδοποίηση Αλγόριθμος k-means Πιστωτικές κάρτες Χρεωστικές κάρτες Customer segmentation Purchasing behavior Clustering K-means algorithm Credit cards Debit cards

Date :	2019

Date Available :	03-02-2020

Date Accepted :	03-02-2020

Licence :

File: Dimopoulou_2019.pdf

Type: application/pdf

Login