Marketing analytics and operations analytics: the case of customer segmentation, market basket analysis and demand forecasting

Abstract

Η παρούσα διπλωματική εργασία πραγματοποιείται στο πλαίσιο του Μεταπτυχιακού Προγράμματος στην Επιχειρηματική Αναλυτική, με στόχο τη διερεύνηση των τομέων της Αναλυτικής Μάρκετινγκ και της Αναλυτικής Επιχειρησιακών Λειτουργιών, εστιάζοντας στον αντίκτυπό τους στις επιχειρήσεις.Στο πρώτο μέρος, θα γίνει ανασκόπηση της σχετικής βιβλιογραφίας σχετικά με τα Μεγάλα Δεδομένα (Big Data), την Επιχειρηματική Ευφυΐα (Business Intelligence), την Τεχνητή Νοημοσύνη (Artificial Intelligence), και τις αναλυτικές μεθόδους για ομαδοποίηση, κανόνες συσχέτισης, και πρόβλεψη ζήτησης. Στη φάση της εμπειρικής έρευνας, θα αναλυθεί ένα σύνολο δεδομένων από ένα κατάστημα λιανικής, εφαρμόζοντας την ανάλυση RFM (Recency, Frequency, Monetary) για την τμηματοποίηση των πελατών, εντοπίζοντας μοτίβα συναλλαγών μέσω της Ανάλυσης Καλαθιού Αγορών (Market Basket Analysis), και προβλέποντας τη μελλοντική ζήτηση μέσω της πρόβλεψης.Τα ευρήματα της παρούσας έρευνας αναμένεται να αναδείξουν τη σημασία των προηγμένων τεχνικών αναλυτικής για τη διαμόρφωση της επιχειρηματικής επιτυχίας. Με την ανάλυση της συμπεριφοράς των πελατών, οι επιχειρήσεις μπορούν να υλοποιήσουν στοχευμένες στρατηγικές μάρκετινγκ, να βελτιώσουν την ικανοποίηση των πελατών και να κατανείμουν τους πόρους πιο αποτελεσματικά. Οι πρακτικές εφαρμογές αυτής της έρευνας θα επιδείξουν τα πιθανά οφέλη της αναλυτικής στις επιχειρηματικές λειτουργίες.Για την ολοκλήρωση της μελέτης αυτής, χρησιμοποιήθηκε η Python για τον καθαρισμό των δεδομένων, το SAS Studio για την εφαρμογή τεχνικών εξόρυξης δεδομένων, όπως η τμηματοποίηση πελατών και η ανάλυση καλαθιού αγορών, το SAS Forecast Studio για την πρόβλεψη μελλοντικής ζήτησης, και το Power BI για τους σκοπούς της οπτικοποίησης.

This thesis is conducted as part of the Master’s Program in Business Analytics aiming to investigate the areas of Marketing Analytics and Operation Analytics, focusing on their impact on businesses. In the first part will be reviewed relevant literature on Big Data, Business Intelligence, Artificial Intelligence, and analytical methods for clustering, association rules, and demand forecasting. In the empirical phase, it will be analyzed a retail superstore dataset implementing customer segmentation through RFM (Recency, Frequency, Monetary) Analysis, identifying transactional patterns through Market Basket Analysis, and predicting future demand though forecasting. The findings of this research are expected to highlight the importance of advanced analytics techniques in shaping business success. By identifying customer behaviour, businesses can enable targeted marketing strategies, enhance customer satisfaction, and allocate resources more efficiently. These practical research applications will showcase the potential benefits of analytics to business operations. For the fulfillment of this study it was used Python to clean the data, SAS Studio for applying data mining techniques like customer segmentation and market basket analysis, SAS Forecast Studio for predicting future demand, and Power BI for visualization purposes.