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 :	Τμηματοποίηση και στόχευση της πελατειακής βάσης με Clustering και RFM Analysis

Δημιουργός :	Ψυχογυιού, Ιωάννα

Συντελεστής :	Λεκάκος, Γιώργος (Επιβλέπων καθηγητής) Ανδρουτσόπουλος, Κωνσταντίνος (Εξεταστής) Βρεχόπουλος, Αδάμ (Εξεταστής) Οικονομικό Πανεπιστήμιο Αθηνών, Τμήμα Διοικητικής Επιστήμης και Τεχνολογίας (Degree granting institution)

Τύπος :	Text

Φυσική περιγραφή :	86σ.

Γλώσσα :	el

Αναγνωριστικό :	http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=7432

Περίληψη :	Ο σκοπός της παρούσας διπλωματικής εργασίας είναι να δείξει πως μπορούν να αξιοποιηθούν οι δυνατότητες που προσφέρει η ανάλυση και η εξόρυξη δεδομένων, προκειμένου να μπορέσουν οι επιχειρήσεις και οι οργανισμοί να αναγνωρίσουν και να εντοπίσουν τα τμήματα των καταναλωτών στα οποία απευθύνονται και τα ιδιαίτερα χαρακτηριστικά αυτών. Με αυτόν τον τρόπο θα είναι σε θέση να τους προσφέρουν ανταγωνιστικά προϊόντα που να ανταποκρίνονται καλύτερα στις ανάγκες τους. Οι επιχειρήσεις έχουν στα χέρια τους πληθώρα δεδομένων που αφορούν τους πελάτες τους και τα οποία θα πρέπει να αξιοποιήσουν κατά την διαδικασία της λήψης αποφάσεων. Οι τεχνικές data mining μπορούν να συμβάλλουν προς αυτόν τον σκοπό μέσω της αναγνώρισης μοτίβων στην συμπεριφορά του αγοραστικού κοινού. Στην παρούσα διπλωματική εργασία θα χρησιμοποιηθεί ο αλγόριθμος k-means, ο πιο γνωστός από τους αλγορίθμους συσταδοποίησης, πάνω σε πραγματικά δεδομένα πωλήσεων μιας ελληνικής χημικής βιομηχανίας, προκειμένου να δείξουμε πως μπορεί να εφαρμοστεί στην πράξη και ποια η συμβολή του κατά την διαδικασία της τμηματοποίησης της αγοράς. Αρχικά εξηγούμε εκτενώς τις έννοιες του Customer Segmentation, της RFM Analysis και των αλγόριθμων συσταδοποίησης, δίνοντας έμφαση στον k-means. Έπειτα, περιγράφουμε τον κλάδο στον οποίο δραστηριοποιείται η υπό εξέταση επιχείρηση, παρουσιάζουμε την υπό εξέταση εταιρεία και προχωράμε με την ανάλυση των δεδομένων μας. Στη συνέχεια, δείχνουμε πως μπορεί να χρησιμοποιηθεί ο αλγόριθμος k-means για την τμηματοποίηση της πελατειακής βάσης και προχωράμε με την RFM Analysis. Τέλος εξηγούμε τις τεχνικές λεπτομέρειες και δυσκολίες που προέκυψαν κατά την ανάλυση μας. The scope of this thesis is to show the way that the potentials of data analysis can be exploit, in order to help enterprises and organizations to recognize and find the segments of the market in which they are targeting and their specific features. As a result, the companies will be able to offer them competitive products, which will be able to fulfill customers’ needs in a better way. Nowadays, companies have access to a large dataset of variables, concerning their customers, which should be able to deploy in the decision-making process. Data mining techniques can contribute to this aim, through the recognition of patterns in the behavior of target group. On this thesis, we are going to show how algorithm k-means, the most famous of clustering algorithms, can be applied on real sales data of a Greek industrial company and how can contribute in the procedure of market segmentation. First of all, the signification of Customer Segmentation, RFM Analysis, and Clustering algorithms, especially k-means, will be presented. Afterwards, the sector in which the company under analysis operates, is being described, as well as the company itself. Then our data is been analyzed and it is shown how k-means algorithm can be used in the procedure of customer segmentation, following up with RFM Analysis. Last but not least, the technical details are been presented, as well as, the technical issues that came up in our analysis.

Περίληψη :

Ο σκοπός της παρούσας διπλωματικής εργασίας είναι να δείξει πως μπορούν να αξιοποιηθούν οι δυνατότητες που προσφέρει η ανάλυση και η εξόρυξη δεδομένων, προκειμένου να μπορέσουν οι επιχειρήσεις και οι οργανισμοί να αναγνωρίσουν και να εντοπίσουν τα τμήματα των καταναλωτών στα οποία απευθύνονται και τα ιδιαίτερα χαρακτηριστικά αυτών. Με αυτόν τον τρόπο θα είναι σε θέση να τους προσφέρουν ανταγωνιστικά προϊόντα που να ανταποκρίνονται καλύτερα στις ανάγκες τους. Οι επιχειρήσεις έχουν στα χέρια τους πληθώρα δεδομένων που αφορούν τους πελάτες τους και τα οποία θα πρέπει να αξιοποιήσουν κατά την διαδικασία της λήψης αποφάσεων. Οι τεχνικές data mining μπορούν να συμβάλλουν προς αυτόν τον σκοπό μέσω της αναγνώρισης μοτίβων στην συμπεριφορά του αγοραστικού κοινού. Στην παρούσα διπλωματική εργασία θα χρησιμοποιηθεί ο αλγόριθμος k-means, ο πιο γνωστός από τους αλγορίθμους συσταδοποίησης, πάνω σε πραγματικά δεδομένα πωλήσεων μιας ελληνικής χημικής βιομηχανίας, προκειμένου να δείξουμε πως μπορεί να εφαρμοστεί στην πράξη και ποια η συμβολή του κατά την διαδικασία της τμηματοποίησης της αγοράς. Αρχικά εξηγούμε εκτενώς τις έννοιες του Customer Segmentation, της RFM Analysis και των αλγόριθμων συσταδοποίησης, δίνοντας έμφαση στον k-means. Έπειτα, περιγράφουμε τον κλάδο στον οποίο δραστηριοποιείται η υπό εξέταση επιχείρηση, παρουσιάζουμε την υπό εξέταση εταιρεία και προχωράμε με την ανάλυση των δεδομένων μας. Στη συνέχεια, δείχνουμε πως μπορεί να χρησιμοποιηθεί ο αλγόριθμος k-means για την τμηματοποίηση της πελατειακής βάσης και προχωράμε με την RFM Analysis. Τέλος εξηγούμε τις τεχνικές λεπτομέρειες και δυσκολίες που προέκυψαν κατά την ανάλυση μας.
The scope of this thesis is to show the way that the potentials of data analysis can be exploit, in order to help enterprises and organizations to recognize and find the segments of the market in which they are targeting and their specific features. As a result, the companies will be able to offer them competitive products, which will be able to fulfill customers’ needs in a better way. Nowadays, companies have access to a large dataset of variables, concerning their customers, which should be able to deploy in the decision-making process. Data mining techniques can contribute to this aim, through the recognition of patterns in the behavior of target group. On this thesis, we are going to show how algorithm k-means, the most famous of clustering algorithms, can be applied on real sales data of a Greek industrial company and how can contribute in the procedure of market segmentation. First of all, the signification of Customer Segmentation, RFM Analysis, and Clustering algorithms, especially k-means, will be presented. Afterwards, the sector in which the company under analysis operates, is being described, as well as the company itself. Then our data is been analyzed and it is shown how k-means algorithm can be used in the procedure of customer segmentation, following up with RFM Analysis. Last but not least, the technical details are been presented, as well as, the technical issues that came up in our analysis.

Λέξη κλειδί :	Ανάλυση δεδομένων Εξόρυξη δεδομένων Αλγόριθμος k-means Τμηματοποίηση πελατειακής βάσης Ομαδοποίηση Data analysis Data mining K-means algorithm Customer segmentation Clustering RFM Analysis

Διαθέσιμο από :	2019-11-22 22:57:20

Ημερομηνία έκδοσης :	11/13/2019

Ημερομηνία κατάθεσης :	2019-11-22 22:57:20

Δικαιώματα χρήσης :	Free access

Άδεια χρήσης :

Αρχείο: Psychogyiou_2019.pdf

Τύπος: application/pdf

Είσοδος