| Abstract : | Ο σκοπός της παρούσας διπλωματικής εργασίας είναι να δείξει πως μπορούν να αξιοποιηθούν νέες τεχνολογίες από συσκευές Διαδικτύου των Πραγμάτων (IoT) για να βοηθήσουν τους λιανέμπορους να κατανοήσουν τη συμπεριφορά του καταναλωτή μέσα στο κατάστημα. Στην εργασία παρατίθεται μια σειρά από πρακτικές εφαρμογές με βάση την ανάλυση θέσης (indoor location systems ILS). Στην συνέχεια παρουσιάζονται οι δυνατότητες που προσφέρει η ανάλυση και η εξόρυξη χωροχρονικών δεδομένων, προκειμένου να μπορέσουν οι λιανέμποροι να αναγνωρίσουν και να εντοπίσουν τις διαφορετικές ομάδες των καταναλωτών και τα χαρακτηριστικά αυτών. Με αυτόν τον τρόπο οι λιανέμποροι θα είναι σε θέση να αυξήσουν την εμπειρία των καταναλωτών μέσα στο κατάστημα, να παρέχουν καινοτόμες υπηρεσίες στους πελάτες τους και ανταγωνιστικά προϊόντα που να ανταποκρίνονται καλύτερα στις ανάγκες των τελευταίων.Πιο συγκεκριμένα για το σκοπό της ανάλυσης, στην εργασία παρουσιάζεται η μεθοδολογία Crisp-DM που εφαρμόστηκε σε δεδομένα συλλεγμένα μέσω ενός συστήματος εύρεσης θέσης από ένα κατάστημα λιανικής. Πραγματοποιήθηκε διερεύνηση των δεδομένων (περιγραφική στατιστική) και ακολούθως κατάτμηση των επισκέψεων των πελατών (clustering) για να εξαχθούν μοτίβα της αγοραστικής τους συμπεριφοράς. Επίσης χρησιμοποιήθηκαν Δείκτες Απόδοσης (ΚPIs) για να μετρήσουν και να οπτικοποιήσουν την επισκεψιμότητα του καταστήματος. Όλα τα ανωτέρω πραγματοποιήθηκαν προκειμένου να παρουσιαστεί η εφαρμογή της μεθόδου στην πράξη και να διερευνηθεί η συμβολή της στη λιανική αγορά.
The purpose of this dissertation is to show how modern technologies from Internet of Things (IoT) devices can be utilized to facilitate retailers understand in-store consumer behavior. This thesis presents a series of practical applications based on in-store analytics (indoor location systems ILS). The following are the capabilities offered by the analysis and processing of spatio-temporal data, so that retailers can identify the different groups of consumers and their characteristics. In this way retailers will be able to enhance the in-store consumer experience by providing innovative services to their customers and competitive products that best meet their needs.More specifically for the purpose of the analysis, the thesis adopts the Crisp-DM methodology applied to data collected through a positioning system from a retail store. The data were analyzed (descriptive statistics) and then the customer visits were clustered to extract insights on shopper behavior. Key Performance Indicators (KPIs) were also used to measure and visualize store's traffic. All of the above were performed in order to present the application of the method in practice and to investigate its contribution to the retail industry.
|
|---|
Copyright © 2013 Library AUEB. All rights reserved.