PYXIDA Institutional Repository
and Digital Library
 Home
Collections :

Title :Τεχνικές εξόρυξης δεδομένων στον τομέα του ηλεκτρονικού εμπορίου: εφαρμογή του μοντέλου RFM και της ανάλυσης καλαθιού αγοράς για ένα ηλεκτρονικό κατάστημα λιανικής πώλησης
Alternative Title :Data mining techniques in e-commerce: application of the RFM model and market basket analysis for an online retailer
Creator :Παρίτση, Αγγελική
Contributor :Λεκάκος, Γεώργιος (Επιβλέπων καθηγητής)
Ζάρας, Ανδρέας (Επιβλέπων καθηγητής)
Κρητικός, Εμμανουήλ (Εξεταστής)
Κορφιάτης, Νικόλαος (Εξεταστής)
Οικονομικό Πανεπιστήμιο Αθηνών, Τμήμα Διοικητικής Επιστήμης και Τεχνολογίας (Degree granting institution)
Type :Text
Extent :82σ.
Language :el
Identifier :http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=9590
Abstract :Στη σύγχρονη εποχή και μέσα στο έντονα ανταγωνιστικό και συχνά μεταβαλλόμενο επιχειρηματικό περιβάλλον, η αξιοποίηση των δεδομένων από τα συστήματα επιχειρηματικής ευφυΐας στη διαδικασίας λήψης αποφάσεων κρίνονται απαραίτητα για την διαμόρφωση της στρατηγικής μιας επιχείρησης.Αντικείμενο της παρούσας εργασίας είναι η ανάλυση και επεξεργασία πραγματικών δεδομένων από ένα ηλεκτρονικό κατάστημα με είδη λιανικής πώληση και η χρήση τεχνικών εφαρμογής επιχειρηματικής ευφυίας και εξόρυξης δεδομένων που στοχεύουν στην κατανόηση των πελατών και κατ’ επέκταση στην υιοθέτηση μιας πελατοκεντρικής προσέγγισης.Ο κύριος στόχος της παρούσας εργασίας είναι η τμηματοποίηση της πελατειακής βάσης του ηλεκτρονικού καταστήματος σε ομοιογενείς ομάδες, η κατανόηση των χαρακτηριστικών της κάθε ομάδας και η εφαρμογή στοχευμένων καμπανιών μάρκετινγκ βάσει των αγοραστικών τους προτιμήσεων, ώστε να αυξηθεί η κερδοφορία της επιχείρησης και η αξία ζωής του πελάτη. Με βάση το μοντέλο RFM, οι πελάτες της επιχείρησης τμηματοποιήθηκαν σε τρεις συστάδες, χρησιμοποιώντας τον αλγόριθμο ομαδοποίησης Ward και την δεντρική παλινδρόμηση. Για τον εντοπισμό της καταλληλότερης τεχνικής ομαδοποίησης για την ορθή διαμέριση του συνόλου των δεδομένων, έγινε συγκριτική μελέτη τριών διαφορετικών αλγορίθμων όπως DBSCAN και Ward και στην συνέχεια αξιολογήθηκαν από τρεις δείκτες εγκυρότητας εσωτερικών συστάδων, για να αναλυθούν ποιοτικά οι παραγόμενες συστάδες από τον κάθε αλγόριθμο. Στη συνέχεια, οι συναλλαγές των παραγόμενων συστάδων διαχωρίστηκαν και εξήχθησαν κανόνες συσχέτισης για την κάθε ομάδα, χρησιμοποιώντας την ανάλυση καλαθιού αγοράς και τον αλγόριθμο Apriori για την μελέτη των καταναλωτικών συνηθειών των πελατών μέσα από την ταυτόχρονη πώληση προϊόντων. Τέλος, διαφορετικές στρατηγικές μάρκετινγκ προτάθηκαν για την κάθε ομάδα πελατών ανάλογα με τις αγοραστικές τους ανάγκες.Τα εργαλεία που χρησιμοποιήθηκαν για την ανάλυση των δεδομένων ήταν το SAS Enterprise Guide και Miner για την τμηματοποίηση των πελατών και την ανάλυση καλαθιού αγοράς, η γλώσσα προγραμματισμού Python για την συγκριτική ανάλυση των αλγορίθμων ενώ για την οπτικοποίηση των αποτελεσμάτων χρησιμοποιήθηκαν τα εργαλεία Tableau και Power BI.
In the modern era, in the light of the highly competitive and ever-changing business environment, the utilization of data from business intelligence systems in the decision-making process is considered necessary for the formulation of a business strategy. The key objectives of this research are to analyse and process real-world data from an online retail shop, identify the customer segments of the e-shop, detect interrelations among product categories and exploit the resulting relationships to generate product bundling strategies.The main goal of my research was to segment the e-commerce customer base into homogeneous groups, understand the traits of each group, and engage them with relevant targeted marketing campaigns to increase the profitability of the business and the customer lifetime value. Customers of the business were segmented intο three clusters, based on the RFM model, using Ward clustering algοrithm and the decisiοn-tree inductiοn. In order to identify and resort to the most appropriate clustering technique for the division of the total customer base of the business, a comparative study of three different algorithms such as DBSCAN and Ward was conducted. The clusters that were produced by each algorithm were then evaluated by three indices of internal cluster validity, to qualitatively analyse the clusters. Finally, the transactiοns οf each segment were separated and assοciation rules were extracted, using Market Basket Analysis and Apriori algorithm, to reveal product groupings as well as products that are likely to be purchased together. All segments were comprehensively analysed in order to build relevant marketing strategies.The softwares that were used for the completion of my thesis was Python and SAS for the application of various data mining techniques such as clustering for customer segmentation and market basket analysis, while for the visualisations Tableau and Power BI were used.
Subject :Μοντέλο RFM
Εξόρυξη δεδομένων
Κανόνες συσχέτισης
Ανάλυση καλαθιού αγοράς
Αλγόριθμοι μηχανικής μάθησης
RFM model
Data mining
Association rules
Market basket analysis
Machine learning algorithms
Date Available :2022-07-18 18:04:48
Date Issued :2022
Date Submitted :2022-07-18 18:04:48
Access Rights :Free access
Licence :

File: Paritsi_2022.pdf

Type: application/pdf