PYXIDA Institutional Repository
and Digital Library
 Home
Collections :

Title :Τεχνικές εξόρυξης δεδομένων στον τομέα ηλεκτρονικού λιανικού εμπορίου: εφαρμογή του μοντέλου RFM και της τεχνικής MBA σε διαδικτυακό κατάστημα λιανικής πώλησης
Creator :Στέφου, Μαριάμ
Contributor :Λεκάκος, Γεώργιος (Επιβλέπων καθηγητής)
Φραϊδάκη, Κατερίνα (Εξεταστής)
Βρεχόπουλος, Αδάμ (Εξεταστής)
Οικονομικό Πανεπιστήμιο Αθηνών, Τμήμα Διοικητικής Επιστήμης και Τεχνολογίας (Degree granting institution)
Type :Text
Extent :87σ.
Language :el
Identifier :http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=8396
Abstract :Είναι γεγονός ότι στον σύγχρονο κόσμο ο μεγάλος όγκος των δεδομένων που έχουν στη διάθεσή τους οι επιχειρήσεις για τους πελάτες τους εχει δημιουργήσει την ανάγκη ενδελεχής επεξεργασίας τους μέσω της εκτεταμένης χρήσης εργαλείων και μεθόδων που προσφέρουν οι τεχνικές εξόρυξης δεδομένων. Ο σκοπός της διπλωματικής εργασίας είναι να βοηθήσει το υπό εξέταση ηλεκτρονικό κατάστημα ειδών λιανικής πώλησης να υιοθετήσει πελατοκεντρική προσέγγιση κάνοντας χρήση δύο βασικών τεχνικών εξόρυξης δεδομένων, του μοντέλου RFM (Recency, Frequency, Monetary) και της ανάλυσης καλαθιού αγοράς (Market Basket Analysis). Μέσα από αυτή την διαδικασία η επιχείρηση εχει τη δυνατότητα να κατανοήσει εις βάθος τις ανάγκες των πελατών της και την αγοραστική τους συμπεριφορά με αποτέλεσμα να αναπτύξει αποτελεσματικές στρατηγικές μάρκετινγκ κερδίζοντας προβάδισμα έναντι ανταγωνιστών. Πιο συγκεκριμένα, αρχικά εφαρμόστηκε το μοντέλο RFM στην πελατειακή βάση του καταστήματος με αποτέλεσμα να δημιουργηθούν ομάδες καταναλωτών με κοινά χαρακτηριστικά και ενδιαφέροντα χρησιμοποιώντας την μέθοδο ward. Έπειτα πραγματοποιήθηκε αναλύση του προφίλ των καταναλωτών βάσει της ομάδας που ανήκουν και προτάθηκαν χρήσιμες και στοχευμένες στρατηγικές για κάθε cluster. Η ανάλυση καλαθιού αγοράς μέσω των κανόνων συσχέτισης και συγκεκριμένα του Apriori αλγορίθμου πραγματοποιήθηκε με σκοπό την ανεύρεση σχέσεων που υπάρχουν ανάμεσα στα προϊόντα που επιλέγουν στα καλάθια τους οι καταναλωτές εξετάζοντας τα αγοραστικά τους μοτίβα. Τέλος, ερμηνεύοντας τα αποτελέσματα που έχουν προκύψει, θα ληφθούν αποφάσεις σχετικά με τα σχέδια μάρκετινγκ που θα ακολουθήσει η επιχείρηση με σκοπό την αύξηση πωλήσεων και την ανάπτυξη ισχυρών σχέσεων με τους πελάτες της.Για την ανάλυση των δεδομένων χρησιμοποιήθηκαν τα εργαλεία του SAS Enterprise Guide και Miner.
It is widely known that the great volume of data enterprises have available, nowadays, for their customers has created the need for their exploitation through the extensive use of data mining tools and techniques. The purpose of this dissertation is to help an online retail store to adopt a customer-centric approach by using two basic data mining techniques, the RFM model (Recency, Frequency, Monetary) and the Market Basket Analysis. Through this process, the company could deeply understand the needs of its customers and their buying behavior, thus by developing effective marketing strategies the company will be potent to gain competitive advantage against their competitors.More specifically, the RFM model was initially applied to the store's customer base. This application led to the creation of consumer groups with common characteristics and interests using the ward method. The consumer profile was then analyzed based on the group they belong to, and then useful and targeted strategies were proposed for each cluster. The market basket analysis through the association rules and specifically the Apriori algorithm was carried out in order to find relationships that exist between the products that consumers choose in their baskets by examining their buying patterns. Finally, by scrutinizing the results that have been obtained, decisions will be made regarding the marketing plans that the company will follow to increase its sales and develop strong relationships with its customers.The SAS Enterprise Guide and Miner tools were employed for data analysis.
Subject :Τεχνικές εξόρυξης
Επιχειρηματική αναλυτική
Τμηματοποιήση πελατών
Διαχείριση σχέσεων πελατών
Κανόνες συσχέτισης
Data mining
Business analytics
Customer segmentation
Customer relationship management
Association rules
Date Available :2021-02-16 18:54:08
Date Issued :2021
Date Submitted :2021-02-16 18:54:08
Access Rights :Free access
Licence :

File: Stefou_2021.pdf

Type: application/pdf