| Abstract : | Στη σημερινή εποχή, η ανάλυση μεγάλου όγκου δεδομένων που διαθέτουν οι επιχειρήσεις, και ειδικότερα όσες δραστηριοποιούνται ηλεκτρονικά, αναφορικά με τους πελάτες και τις αγορές τους, προσελκύει όλο και αυξανόμενο ενδιαφέρον. Αυτό έχει «αναδύσει» την ανάγκη αναλυτικής επεξεργασίας των δεδομένων μέσω της χρήσης εργαλείων, μεθόδων και αλγορίθμων που προσφέρουν οι τεχνικές εξόρυξης δεδομένων. Η παρούσα διπλωματική εργασία ασχολείται με τη μελέτη, στο υπό εξέταση ηλεκτρονικό φαρμακείο, της αγοραστικής συμπεριφοράς των πελατών και τις τάσεις των πωλήσεων του συνόλου των προϊόντων που διαθέτει, αναπτύσσοντας παράλληλα μια σειρά από στρατηγικές προωθητικές ενέργειες με απώτερο στόχο την κατοχύρωση υψηλότερης θέσης στην αγορά έναντι των ανταγωνιστών της. Για την επίτευξη των παραπάνω, έγινε χρήση των δυο πιο διαδεδομένων εφαρμογών εξόρυξης δεδομένων, του μοντέλου RFM (Recency, Frequency, Monetary) και της ανάλυσης καλαθιού αγοράς (Market Basket Analysis – MBA).Αρχικά, πραγματοποιήθηκε ανάλυση των δεδομένων με τη χρήση της περιγραφικής στατιστικής. Αφού κατανοήθηκαν εις βάθος όλα τα δεδομένα που είναι διαθέσιμα για το εν λόγω ηλεκτρονικό φαρμακείο, εφαρμόστηκε το μοντέλο RFM στη πελατειακή βάση. Αυτό είχε ως αποτέλεσμα τη δημιουργία τεσσάρων (4) συστάδων (Clusters) πελατών με κοινά χαρακτηριστικά χρησιμοποιώντας τον αλγόριθμό Ward. Τόσο για τη συνολική πελατειακή βάση όσο και για τις δημιουργημένες συστάδες πελατών προτάθηκαν στοχευμένες προωθητικές ενέργειες. Στη συνέχεια εφαρμόστηκε η ανάλυση καλαθιού αγοράς (Market Basket Analysis) για ολόκληρη τη πελατειακή βάση αλλά και για τις επιμέρους συστάδες πελατών με τελικό στόχο την εξαγωγή συσχετίσεων μεταξύ των κατηγοριών προϊόντων που εμπεριέχονται στα καλάθια των πελατών. Τέλος, μέσω της ανάλυσης των αποτελεσμάτων, συντάχθηκαν και αναλύθηκαν μελλοντικές ενέργειες και δράσεις αναφορικά με τη στρατηγική προώθησης που δύναται να ακολουθήσει το ηλεκτρονικό φαρμακείο με σκοπό την αύξηση των πωλήσεων του και την διασφάλιση του πελατολογίου. Κάθε επιμέρους τμήμα της ανάλυσης που περιγράφεται παραπάνω υλοποιήθηκε με τη χρήση των εργαλείων SAS Enterprise Guide και SAS Enterprise Miner. Για την οπτικοποίηση συγκεκριμένων αποτελεσμάτων της ανάλυσης χρησιμοποιήθηκε το εργαλείο PowerBI.
Nowadays, the analysis of large amounts of data available to businesses and especially those that operate through electronic platforms, regarding their customers and markets, is of outmost importance. Therefore, the need for analytical processing of data through the use of tools, methods and algorithms offered by data mining techniques has emerged. This master thesis deals with the study of the purchasing behaviour of customers and the sale trends of the products that the under consideration online pharmacy has. The ultimate goal of the study is to develop a series of strategic promotional activities securing at the same time a higher position in the market against its competitors. To achieve the above, the two most popular data mining applications were used, the RFM (Recency, Frequency, Monetary) model and the Market Basket Analysis (MBA). First of all, extended analysis of data was performed using descriptive statistics. After thoroughly understanding all data available for the specific e-pharmacy, the RFM model was applied to the entire customer base. This resulted in the creation of four clusters of customers with common characteristics using the “Ward” algorithm. Both for the total customer base and for the created customer clusters, targeted promotions were proposed. Then, Market Basket Analysis was applied for the entire customer base as well as for the individual clusters of customers with the final goal of extracting correlations between the product categories included in the customers' baskets. Finally, through the analysis of the results, future actions and activities were drawn up and analyzed regarding the promotion strategy that the online pharmacy could follow in order to increase its sales and secure the clientele. Each individual part of the analysis described above was implemented using SAS Enterprise Guide and SAS Enterprise Miner tools. PowerBI tool was used to visualize specific results of the analysis
|
|---|
Copyright © 2013 Library AUEB. All rights reserved.