| Περίληψη : | Η παρούσα έρευνα έχει ως βασικό στόχο να ενισχύσει την κριτική ματιά απέναντι στο NPS δείκτη που κυριαρχεί σε πολλές επιχειρήσεις τα τελευταία χρόνια. Αυτό γίνεται τόσο μέσα από την παρουσίαση της διεθνούς βιβλιογραφίας σχετικά με την αξιοπιστία του δείκτη NPS, όσο και μέσα από την διεξαγωγή δευτερογενούς έρευνας με δεδομένα της εταιρείας efood. Ο δεύτερος στόχος της εργασίας είναι να αναδειχθεί η ανάγκη για υιοθέτηση νέων μεθόδων ανάλυσης των δεδομένων που έχουν στην διάθεσή τους οι εταιρείες. Μέσα από σύγχρονες τεχνικές εξόρυξης και ανάλυσης μεγάλων δεδομένων, οι επιχειρήσεις είναι σε θέση να επεξεργαστούν πραγματικά στοιχεία αγοραστικής συμπεριφοράς. Δεν χρειάζεται, έτσι, να στηρίζονται μόνο σε αυτά που αφορούν την στάση των καταναλωτών απέναντι στην μάρκα που εμπορεύονται, όπως συμβαίνει με τα NPS ερωτηματολόγια. Η μεθοδολογία για τη διεξαγωγή της παρούσας έρευνας βασίστηκε σε τέσσερα βήματα ανάλυσης. Το πρώτο βήμα αφορά την ανάλυση του δείγματος με βάση το πλαίσιο: «RFM». Το δεύτερο βήμα αφορά την εφαρμογή της μεθόδου ταξινόμησης K-Means για τη δημιουργία 11 ομάδων πελατών. Ακολούθησε η σύγκριση των χαρακτηριστικών των 11 αυτών νέων ομάδων με τις 11 ομάδες που προκύπτουν από την NPS ανάλυση. Το τρίτο βήμα ήταν να χαρτογραφήσουμε τους ενεργούς και ανενεργούς πελάτες της εταιρείας λαμβάνοντας υπόψιν τον ορισμό του «ενεργού» πελάτη του efood, αλλά και δεδομένα για την NPS βαθμολογία του καθενός. Το τέταρτο βήμα ήταν η υλοποίηση ενός μοντέλου πρόβλεψης, το οποίο τροφοδοτούνταν από τα παραπάνω δεδομένα και στη συνέχεια εκπαιδευόταν για να προβλέψει για κάθε χρήστη του δείγματός μας μία τιμή: εάν ο χρήστης θεωρείται πιστός ή μη πιστός στην επιχείρηση τη δεδομένη στιγμή. Για τη δημιουργία του μοντέλου αυτού, βασιστήκαμε στις εξής δύο τεχνικές ανάλυσης δικτύων: τα Νευρωνικά Δίκτυα και τα Δίκτυα Bayes. Με αυτόν τον τρόπο, δημιουργήσαμε μία μέθοδο που στηρίζεται σε ιστορικά δεδομένα πελατών και τους ταξινομεί στις δύο παραπάνω κατηγορίες.
The main objective of this thesis is to support the critical view towards the validity of the famous metric NPS, as the only loyalty metric inside the company. This was achieved both through research among international references as well as a survey conducted using efood company’s real data. Additionally, this thesis aims to promote the need of adopting new techniques that help companies analyze their existing data faster and in a more efficient way, while adapting to a fast digitalization of their operations. This way, the decision making process can also exploit the company's historical data and not only attitudinal data, such as those coming from NPS surveys. The methodology followed consists of four steps. The first one is an RFM analysis of our sample customer base. Then, a K-Means analysis follows, allowing the creation of 11 groups of users that match the number of groups generated by the NPS score results. The third step of the process consists of the identification of active and churning customers of our sample, based on the “active customer” definition within the company. This helps us compare customers’ real purchase behavior to their attitude towards the brand name of the company. Our last step is to create a predictive model to segment customers into two large categories, based on their behavior: loyal and non loyal customers. In order to build this model we use network techniques and more specifically, Neural networks and Bayesian networks. This way, we manage to create a model that not only takes into account the attitudinal parameters of loyalty, but also counts on actual purchasing behavior.
|
|---|
Copyright © 2013 Βιβλιοθήκη Ο.Π.Α. Με την επιφύλαξη παντός δικαιώματος.