PYXIDA Institutional Repository
and Digital Library
 Home
Collections :

Title :Ανάλυση συστάδων και ανάλυση καλαθιού αγοράς στο ηλεκτρονικό εμπόριο
Alternative Title :Clustering analysis and market basket analysis in e-commerce
Creator :Μπαλογιάννη, Μαριάνθη
Contributor :Βρεχόπουλος, Αδάμ (Επιβλέπων καθηγητής)
Φραϊδάκη, Κατερίνα (Εξεταστής)
Πουλούδη, Αθανασία (Εξεταστής)
Οικονομικό Πανεπιστήμιο Αθηνών, Τμήμα Διοικητικής Επιστήμης και Τεχνολογίας (Degree granting institution)
Type :Text
Extent :94σ.
Language :el
Identifier :http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=8369
Abstract :Ο σκοπός της διπλωματικής εργασίας ήταν η αναγνώριση και κατανόηση των ομάδων των πελατών ενός ηλεκτρονικού καταστήματος, η εύρεση των πιθανών σχέσεων ανάμεσα στα προϊόντα που διαθέτει και οι προτάσεις μάρκετινγκ που θα μπορούσαν να γίνουν έτσι ώστε να αυξηθούν τα κέρδη της εταιρείας. Για τον σκοπό αυτό, έγινε κατηγοριοποίηση των πελατών σύμφωνα με την συχνότητα αγοράς τους, την χρονική περίοδο που έχει περάσει μετά την τελευταία τους αγορά και το ποσό που έχουν ξοδέψει συνολικά, καθώς και η ανακάλυψη κανόνων συσχέτισης μεταξύ των προϊόντων. Το ηλεκτρονικό κατάστημα δραστηριοποιείται στο χώρο ένδυσης και υπόδησης ειδών χορού. Χρησιμοποιήθηκε το λογισμικό SAS®, με την βοήθεια του οποίου έγινε η clustering analysis και η market basket analysis. Συγκεκριμένα, το λογισμικό χρησιμοποιεί τον αλγόριθμο K-means για την κατηγοριοποίηση των πελατών και τον αλγόριθμο Apriori για την διεξαγωγή των κανόνων συσχέτισης.Η ανάλυση δοκιμάστηκε πολλές φορές σε αντιξοότητες λόγω της χαμηλής αγοραστικής συχνότητας των πελατών του ηλεκτρονικού καταστήματος. Η λύση που βρέθηκε για το clustering ήταν να χωριστεί το dataset σε δύο χρονικές περιόδους. Για την πιο πρόσφατη περίοδο δημιουργήθηκαν 6 clusters πελατών από τα οποία τα 4 ήταν όμοια με τα χαρακτηριστικά αυτών που δημιουργήθηκαν για την παλαιότερη περίοδο. Η λύση που βρέθηκε για την ανάλυση καλαθιού αγοράς ήταν να χρησιμοποιηθούν οι κατηγορίες των προϊόντων, για τις οποίες δημιουργήθηκαν 8 κανόνες συσχέτισης. Έπειτα οι κανόνες αυτοί συνδυάστηκαν με τις πιο δημοφιλής κατηγορίες του κάθε cluster και έτσι προέκυψαν οι προτάσεις marketing.Μετά την ανάλυση έγινε μία σημαντική διαπίστωση που αφορά την συχνότητα των αγορών σε σχέση με το είδος των προϊόντων που διαθέτει το ηλεκτρονικό κατάστημα. Μετά από βιβλιογραφική αναζήτηση διαπιστώθηκε ότι το ηλεκτρονικό κατάστημα διαθέτει προϊόντα τα οποία ανήκουν στην κατηγορία specialty, πράγμα το οποίο ενδεχομένως δικαιολογεί την χαμηλή συχνότητα αγορών και πιθανόν να μην συνδέεται με χαμηλή ικανοποίηση ή αφοσίωση των πελατών. Η ανάλυση που πραγματοποιήθηκε θα μπορούσε να αποτελεί ένα παράδειγμα clustering analysis και market basket analysis για το ηλεκτρονικό εμπόριο αλλά πιο συγκεκριμένα ένα ξεχωριστό παράδειγμα στην βιβλιογραφία λόγω της φύσης των προϊόντων. Το περιεχόμενο και τα ευρήματα της παρούσας διπλωματικής στο κομμάτι της αφοσίωσης των πελατών θα μπορούσαν επίσης να χρησιμοποιηθούν ως βάση για περαιτέρω διερεύνηση στους κλάδους που αφορούν specialty products, όπως στην αυτοκινητοβιομηχανία για luxury cars, σε high price φωτογραφικό εξοπλισμό και στην μόδα όσον αφορά μεγάλους οίκους μόδας και ειδικά ρούχα.
The purpose of this dissertation was to identify and understand the customer groups of an online store, to find possible relationships between the products available and create the marketing proposals that could be made in order to increase the company's profits. For this purpose, customers were categorized according to their frequency of purchase, the period of time that has elapsed since their last purchase and the amount they have spent in total. Also, the discovery of association rules between products carried out. The online store is active in the field of dance clothing and footwear.SAS® software was used for clustering analysis and market basket analysis. Specifically, the software uses the K-means algorithm to categorize customers and the Apriori algorithm to perform association rules. The analysis was tested many times in adversity due to the low customers' purchasing frequency of the online store. The solution found for clustering was to split the dataset into two time periods. For the most recent period 6 clusters were created, 4 of which were similar to the characteristics of those created for the previous period. The solution found for market basket analysis was to use the product categories, where 8 association rules were created. These rules combined with the most popular categories of each cluster and thus the marketing proposals emerged.After analysis, an important finding was made regarding the frequency of purchases in relation to the type of products available in the online store. A bibliographic search revealed that the online store has products that belong to the specialty category, which may justify the low frequency of purchases and probably is not associated with low customer satisfaction or loyalty.The analysis carried out could be an example of clustering analysis and market basket analysis for e-commerce but more specifically a separate example in the literature due to the nature of the products. The substance and findings related to customer loyalty could also be used as a basis for further investigation in specialty product industries, such as the automobile industry for luxury cars, high-prices photographic equipment and fashion for designer and special clothes.
Subject :Ομαδοποίηση πελατών
Ανάλυση καλαθιού αγοράς
Ανάλυση RFM
Κανόνες συσχέτισης
Χαμηλή συχνότητα αγορών
Clustering
Market basket analysis
RFM analysis
Association rules
Low purchasing frequency
Date Available :2021-02-13 17:16:08
Date Issued :2021
Date Submitted :2021-02-13 17:16:08
Access Rights :Free access
Licence :

File: Balogianni_2021.pdf

Type: application/pdf