Please use this identifier to cite or link to this item: http://dspace.lib.uom.gr/handle/2159/29727
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorΧατζηθωμάς, Λεωνίδαςel
dc.contributor.authorΛαζαρίδου, Βασιλικήel
dc.date.accessioned2023-11-09T15:10:59Z-
dc.date.available2023-11-09T15:10:59Z-
dc.date.issued2023el
dc.identifier.urihttp://dspace.lib.uom.gr/handle/2159/29727-
dc.descriptionΔιπλωματική εργασία--Πανεπιστήμιο Μακεδονίας, Θεσσαλονίκη, 2023.el
dc.description.abstractΣτο σύγχρονο περιβάλλον, οι επιχειρήσεις και οι επαγγελματίες του μάρκετινγκ έχουν πλέον στη διάθεσή τους τεράστιες ποσότητες δεδομένων σχετικά με τους πελάτες τους και οι προσπάθειες που πραγματοποιούν για να αναλύσουν την αγορά επικεντρώνονται ολοένα και περισσότερο γύρω από την προσπάθεια για αποδοτική ερμηνεία και σωστής αξιοποίησής τους. Η επιτυχία των στρατηγικών και των σχεδίων μάρκετινγκ που προσπαθούν να επιτύχουν οι επιχειρήσεις, καθώς ο αριθμός των πόρων τους είναι περιορισμένος, βασίζεται στη σωστή διαχείριση των δεδομένων, ώστε να εντοπιστούν και να στοχευφθούν τα κατάλληλα και τα πιο επικερδή τμήματα της αγοράς. Μια από τις επικρατέστερες μεθόδους τμηματοποίησης με βάση την αγοραστική συμπεριφορά των πελατών είναι το μοντέλο RFM, το οποίο τμηματοποιεί και κατατάσσει τους πελάτες σε συστάδες (clusters) με βάση τρία χαρακτηριστικά της αγοραστικής τους συμπεριφοράς: Recency (διάστημα από την τελευταία αγορά), Frequency (συχνότητα αγορών) και Monetary (νομισματική αξία των αγορών). Η ανάλυση RFM συχνά χρησιμοποιείται συνδυαστικά με τεχνικές ομαδοποίησης, όπως είναι η ανάλυση k-means, ώστε οι πελάτες της επιχείρησης να ταξινομηθούν σε clusters και στη συνέχεια να αναλυθούν από τα στελέχη μάρκετινγκ του οργανισμού. Στο πρακτικό μέρος της εργασίας, θα πραγματοποιηθεί αντίστοιχη ανάλυση στο dataset μιας επιχείρησης ηλεκτρονικού εμπορίου με είδη δώρων. Από τα αποτελέσματα της έρευνας προέκυψε ότι πιο αποδοτική μέθοδος σχετικά με την αποτελεσματικότερη τμηματοποίηση των πελατών είναι η εφαρμογή του μοντέλου rfm, σύμφωνα με το οποίο τα μεγαλύτερα ποσοστά πελατών συγκεντρώνονται σε συστάδα που περιέχει αποδοτικότερους και μεγαλύτερης αξίας πελάτες. Επίσης, προτείνονται εξατομικευμένες στρατηγικές για κάθε μια συστάδα, με βάση τις ανάγκες τους και τέλος, σχολιάζεται η περίοδος με τα μικρότερα έσοδα κατά τη διάρκεια του έτους, προτείνοντας στην επιχείρηση να εστιάσει στα αίτια που δημιουργούν αυτήν τη χαμηλή καταναλωτική ζήτηση.el
dc.format.extent103el
dc.language.isoelen
dc.publisherΠανεπιστήμιο Μακεδονίαςel
dc.rightsCC0 1.0 Παγκόσμιαel
dc.rights.urihttp://creativecommons.org/publicdomain/zero/1.0/en
dc.subjectΑνάλυση RFMel
dc.subjectkmeans clusteringen
dc.subjectData-driven marketingen
dc.subjectΤμηματοποίησηel
dc.subjectΜηχανική μάθησηel
dc.subjectAλγόριθμοςel
dc.titleΑνάλυση καταναλωτικής συμπεριφοράς και εφαρμογή κατάλληλης στρατηγικής μάρκετινγκ με τη χρήση της ανάλυσης RFM και του μοντέλου μηχανικής μάθησης kmeans clusteringel
dc.typeElectronic Thesis or Dissertationen
dc.typeTexten
dc.contributor.departmentΠρόγραμμα Μεταπτυχιακών Σπουδών Αναλυτική των Επιχειρήσεων και Επιστήμη των Δεδομένωνel
Appears in Collections:ΠΜΣ Αναλυτική των Επιχειρήσεων και Επιστήμη των Δεδομένων (Μ)

Files in This Item:
File Description SizeFormat 
LazaridouVasilikiMsc2023.pdf3.05 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons