Βιβλιοθήκη ΟΠΑ - Ψηφιακό Αποθετήριο

ΠΥΞΙΔΑ Ιδρυματικό Αποθετήριο
και Ψηφιακή Βιβλιοθήκη

Όνομα χρήστη
Κωδικός πρόσβασης

Συλλογές :	Ιδρυματικό Αποθετήριο ΟΠΑ / AUEB Institutional Repository Σχολή Διοίκησης Επιχειρήσεων / School of Business Τμήμα Διοικητικής Επιστήμης και Τεχνολογίας / Department of Management Science and Technology Μεταπτυχιακές Εργασίες / Postgraduate dissertations

Τίτλος :	Τεχνικές εξόρυξης δεδομένων στον τομέα ηλεκτρονικού λιανικού εμπορίου με σκοπό την ανάπτυξη στρατηγικών marketing

Εναλλακτικός τίτλος :	Data mining techniques in the field of e-retail trade in order to develop marketing strategies

Δημιουργός :	Αβραμίδης, Παύλος

Συντελεστής :	Λεκάκος, Γεώργιος (Επιβλέπων καθηγητής) Ζάρας, Ανδρέας (Επιβλέπων καθηγητής) Κορφιάτης, Νικόλαος (Εξεταστής) Ζαχαριάδης, Εμμανουήλ (Εξεταστής) Οικονομικό Πανεπιστήμιο Αθηνών, Τμήμα Διοικητικής Επιστήμης και Τεχνολογίας (Degree granting institution)

Συντελεστής :

Λεκάκος, Γεώργιος (Επιβλέπων καθηγητής)
Ζάρας, Ανδρέας (Επιβλέπων καθηγητής)
Κορφιάτης, Νικόλαος (Εξεταστής)
Ζαχαριάδης, Εμμανουήλ (Εξεταστής)
Οικονομικό Πανεπιστήμιο Αθηνών, Τμήμα Διοικητικής Επιστήμης και Τεχνολογίας (Degree granting institution)

Τύπος :	Text

Φυσική περιγραφή :	91σ.

Γλώσσα :	el

Αναγνωριστικό :	http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=9586

Περίληψη :	Ο σκοπός της παρούσας διπλωματικής εργασίας είναι η τμηματοποίηση των πελατών ενός ηλεκτρονικού καταστήματος σε ομάδες, η εύρεση συσχετίσεων ανάμεσα σε κατηγορίες προϊόντων που διαθέτει το κατάστημα αλλά και οι παρουσίαση ορισμένων προτάσεων marketing που θα βοηθήσουν την επιχείρηση να αυξήσει τα κέρδη της και να δημιουργήσει πελάτες με αφοσίωση. Το ηλεκτρονικό κατάστημα δραστηριοποιείται στο χώρο της ένδυσης υπόδησης και αξεσουάρ με την έδρα της επιχείρησης να βρίσκεται στην πόλη της Λάρισας.Για την ανάλυση Clustering και την Market Basket Analysis χρησιμοποιήσαμε το λογισμικό SAS®, και πιο συγκεκριμένα το SAS Enterprise Guide 8.3 και το SAS Enterprise Miner Workstation 15.2. Το Guide χρησιμοποιήθηκε για την επεξεργασία, την μορφοποίηση και την διαδικασία προετοιμασίας των δεδομένων. Ενώ το Miner για την ανάλυση Clustering και την MBA. Ο αλγόριθμος που χρησιμοποιεί το λογισμικό για την κατηγοριοποίηση των πελατών σε clusters είναι ο K-means και για την διεξαγωγή των κανόνων συσχέτισης ο Apriori.Αρχικά για την τμηματοποίηση των πελατών λάβαμε υπόψη την συχνότητα των αγορών, την χρονική περίοδο που πέρασε από την τελευταία αγορά και το χρηματικό ποσό που έχει ξοδέψει ο κάθε πελάτης συνολικά. Χρειάστηκε να εξαιρέσουμε ορισμένες ακραίες τιμές και να κάνουμε αρκετές δοκιμές με τα δεδομένα για να καταλήξουμε σε ένα επιθυμητό αποτέλεσμα. Έτσι η λύση που λάβαμε ήταν σχηματισμός 5 clusters πελατών, που εξυπηρέτησαν πλήρως τους σκοπούς την παρούσας διπλωματικής. Στην συνέχεια για την εύρεση τον κανόνων συσχέτισης χρειάστηκε τα αφαιρέσουμε ένα μεγάλο μέρος τον δεδομένων μας, αφού χρειαζόμασταν αγορές με 2 ή περισσότερων προϊόντων και η πλειοψηφία των αγορών αφορούσε ένα μόνο προϊόν. Επίσης, χρησιμοποιήθηκαν οι κατηγορίες των προϊόντων καθώς, τα προϊόντα ήταν πολλά και με χαμηλή αγοραστική συχνότητα το καθένα και καταλήξαμε σε 43 κανόνες. Τέλος συνδυάζοντας τους κανόνες που βρήκαμε και τα clusters των πελατών που δημιουργήθηκαν, κάναμε ορισμένες προτάσεις marketing προς την επιχείρηση.Τα αποτελέσματα της ανάλυσης βοηθούν την επιχείρηση στην καλύτερη κατανόηση του υπάρχοντος πελατολογίου της, στην διατήρησή του και ως αποτέλεσμα, στην βελτίωση ικανοποίησης αυξάνοντας έτσι τα κέρδη της. Η επιχείρηση θα μπορεί να εφαρμόσει αποτελεσματικά προωθητικές ενέργειες για τους πελάτες του ηλεκτρονικού της καταστήματος και να πετύχει έτσι την αύξηση του πελατολογίου της με την προσέλκυση νέων πελατών.Μελλοντικά η συγκεκριμένη ανάλυση θα μπορούσε να πραγματοποιηθεί ξανά για ένα μεγαλύτερο χρονικό διάστημα με περισσότερα δημογραφικά και συμπεριφορά δεδομένα για τον κάθε πελάτη από της επιχείρησης. Έτσι, θα μπορούσε να γίνει σύγκριση των αποτελεσμάτων με αυτά της υπάρχουσας διπλωματικής για να διαπιστωθεί αν η επιχείρηση είχε κάποια βελτίωση στους στόχους που έχει θέσει και αν χρειάζεται να κάνει κάποιες αλλαγές στις προωθητικές της ενέργειες. The purpose of this thesis is to segment the customers of an online store into groups, to find correlations between product categories that the store has and to present some marketing proposals that will help the company to increase its profits and create customers with loyalty. The online store is active in the field of clothing, footwear and accessories with the headquarters of the company located in the city of Larissa.For Clustering and Market Basket Analysis we used SAS® software, more specifically SAS Enterprise Guide 8.3 and SAS Enterprise Miner Workstation 15.2. Guide was used for the data processing, formatting and preparation process. While Miner for Clustering analysis and MBA. The algorithm used by the software to categorize the customers into clusters is K-means and to carry out the correlation rules Apriori algorithm.Initially, for customer segmentation we considered the frequency of purchases, the time that has passed since the last purchase and the amount of money that each customer has spent in total. We had to exclude some extreme values and do several tests with the data to arrive at a desired result. So, the solution we got was the formation of 5 customer clusters, which fully served the purposes of this thesis.Then, to find the correlation rules, we had to remove a large part of our data since we needed purchases with 2 or more products and most purchases concerned a single product. The categories of the products were also used as there were many products and each with a low purchase frequency and so, we ended up with 43 rules. Finally, by combining the rules we found and the customer clusters I created, we made some marketing proposals for the company.The results of the analysis help the company to better understand its existing clientele, to maintain it and as a result to improve satisfaction thus increasing its profits. The company will be able to effectively implement promotional actions for its customers of its online store and, thus, achieve an increase in its clientele by attracting new customers.In the future this analysis could be performed again over a longer period with more demographic and behavioral data for each customer from the business. Thus, the results could be compared with those of the existing thesis to see if the company had any improvement in the goals, it has set and if it needs to make some changes in its promotional actions.

Περίληψη :

Ο σκοπός της παρούσας διπλωματικής εργασίας είναι η τμηματοποίηση των πελατών ενός ηλεκτρονικού καταστήματος σε ομάδες, η εύρεση συσχετίσεων ανάμεσα σε κατηγορίες προϊόντων που διαθέτει το κατάστημα αλλά και οι παρουσίαση ορισμένων προτάσεων marketing που θα βοηθήσουν την επιχείρηση να αυξήσει τα κέρδη της και να δημιουργήσει πελάτες με αφοσίωση. Το ηλεκτρονικό κατάστημα δραστηριοποιείται στο χώρο της ένδυσης υπόδησης και αξεσουάρ με την έδρα της επιχείρησης να βρίσκεται στην πόλη της Λάρισας.Για την ανάλυση Clustering και την Market Basket Analysis χρησιμοποιήσαμε το λογισμικό SAS®, και πιο συγκεκριμένα το SAS Enterprise Guide 8.3 και το SAS Enterprise Miner Workstation 15.2. Το Guide χρησιμοποιήθηκε για την επεξεργασία, την μορφοποίηση και την διαδικασία προετοιμασίας των δεδομένων. Ενώ το Miner για την ανάλυση Clustering και την MBA. Ο αλγόριθμος που χρησιμοποιεί το λογισμικό για την κατηγοριοποίηση των πελατών σε clusters είναι ο K-means και για την διεξαγωγή των κανόνων συσχέτισης ο Apriori.Αρχικά για την τμηματοποίηση των πελατών λάβαμε υπόψη την συχνότητα των αγορών, την χρονική περίοδο που πέρασε από την τελευταία αγορά και το χρηματικό ποσό που έχει ξοδέψει ο κάθε πελάτης συνολικά. Χρειάστηκε να εξαιρέσουμε ορισμένες ακραίες τιμές και να κάνουμε αρκετές δοκιμές με τα δεδομένα για να καταλήξουμε σε ένα επιθυμητό αποτέλεσμα. Έτσι η λύση που λάβαμε ήταν σχηματισμός 5 clusters πελατών, που εξυπηρέτησαν πλήρως τους σκοπούς την παρούσας διπλωματικής. Στην συνέχεια για την εύρεση τον κανόνων συσχέτισης χρειάστηκε τα αφαιρέσουμε ένα μεγάλο μέρος τον δεδομένων μας, αφού χρειαζόμασταν αγορές με 2 ή περισσότερων προϊόντων και η πλειοψηφία των αγορών αφορούσε ένα μόνο προϊόν. Επίσης, χρησιμοποιήθηκαν οι κατηγορίες των προϊόντων καθώς, τα προϊόντα ήταν πολλά και με χαμηλή αγοραστική συχνότητα το καθένα και καταλήξαμε σε 43 κανόνες. Τέλος συνδυάζοντας τους κανόνες που βρήκαμε και τα clusters των πελατών που δημιουργήθηκαν, κάναμε ορισμένες προτάσεις marketing προς την επιχείρηση.Τα αποτελέσματα της ανάλυσης βοηθούν την επιχείρηση στην καλύτερη κατανόηση του υπάρχοντος πελατολογίου της, στην διατήρησή του και ως αποτέλεσμα, στην βελτίωση ικανοποίησης αυξάνοντας έτσι τα κέρδη της. Η επιχείρηση θα μπορεί να εφαρμόσει αποτελεσματικά προωθητικές ενέργειες για τους πελάτες του ηλεκτρονικού της καταστήματος και να πετύχει έτσι την αύξηση του πελατολογίου της με την προσέλκυση νέων πελατών.Μελλοντικά η συγκεκριμένη ανάλυση θα μπορούσε να πραγματοποιηθεί ξανά για ένα μεγαλύτερο χρονικό διάστημα με περισσότερα δημογραφικά και συμπεριφορά δεδομένα για τον κάθε πελάτη από της επιχείρησης. Έτσι, θα μπορούσε να γίνει σύγκριση των αποτελεσμάτων με αυτά της υπάρχουσας διπλωματικής για να διαπιστωθεί αν η επιχείρηση είχε κάποια βελτίωση στους στόχους που έχει θέσει και αν χρειάζεται να κάνει κάποιες αλλαγές στις προωθητικές της ενέργειες.
The purpose of this thesis is to segment the customers of an online store into groups, to find correlations between product categories that the store has and to present some marketing proposals that will help the company to increase its profits and create customers with loyalty. The online store is active in the field of clothing, footwear and accessories with the headquarters of the company located in the city of Larissa.For Clustering and Market Basket Analysis we used SAS® software, more specifically SAS Enterprise Guide 8.3 and SAS Enterprise Miner Workstation 15.2. Guide was used for the data processing, formatting and preparation process. While Miner for Clustering analysis and MBA. The algorithm used by the software to categorize the customers into clusters is K-means and to carry out the correlation rules Apriori algorithm.Initially, for customer segmentation we considered the frequency of purchases, the time that has passed since the last purchase and the amount of money that each customer has spent in total. We had to exclude some extreme values and do several tests with the data to arrive at a desired result. So, the solution we got was the formation of 5 customer clusters, which fully served the purposes of this thesis.Then, to find the correlation rules, we had to remove a large part of our data since we needed purchases with 2 or more products and most purchases concerned a single product. The categories of the products were also used as there were many products and each with a low purchase frequency and so, we ended up with 43 rules. Finally, by combining the rules we found and the customer clusters I created, we made some marketing proposals for the company.The results of the analysis help the company to better understand its existing clientele, to maintain it and as a result to improve satisfaction thus increasing its profits. The company will be able to effectively implement promotional actions for its customers of its online store and, thus, achieve an increase in its clientele by attracting new customers.In the future this analysis could be performed again over a longer period with more demographic and behavioral data for each customer from the business. Thus, the results could be compared with those of the existing thesis to see if the company had any improvement in the goals, it has set and if it needs to make some changes in its promotional actions.

Λέξη κλειδί :	Προτάσεις marketing Τμηματοποίηση πελατών Ηλεκτρονικό κατάστημα λιανικής Ένδυση Ανάλυση καλαθιού αγοράς Clustering Market basket analysis Online retail store Apparel Marketing proposals

Διαθέσιμο από :	2022-07-18 08:33:00

Ημερομηνία έκδοσης :	07/13/2022

Ημερομηνία κατάθεσης :	2022-07-18 08:33:00

Δικαιώματα χρήσης :	Free access

Άδεια χρήσης :

Αρχείο: Avramidis_2022.pdf

Τύπος: application/pdf

Είσοδος