AUEB Library - Digital Repository

PYXIDA Institutional Repository
and Digital Library

Username
Password

Collections :	Ιδρυματικό Αποθετήριο ΟΠΑ / AUEB Institutional Repository Σχολή Διοίκησης Επιχειρήσεων / School of Business Τμήμα Διοικητικής Επιστήμης και Τεχνολογίας / Department of Management Science and Technology Μεταπτυχιακές Εργασίες / Postgraduate dissertations

Title :	Purchase behavior and customer segmentation analysis in a wine e-retailer

Alternative Title :	Ανάλυση αγοραστικής συμπεριφοράς και τμηματοποίηση πελατών σε online shop κρασιού

Creator :	Βαρσάμης, Βασίλειος

Contributor :	Λεκάκος, Γεώργιος (Επιβλέπων καθηγητής) Βρεχόπουλος, Αδάμ (Εξεταστής) Πουλυμενάκου, Αγγελική (Εξεταστής) Athens University of Economics and Business, Department of Management Science and Technology (Degree granting institution)

Type :	Text

Extent :	61p.

Language :	en

Identifier :	http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=8097

Abstract :	Σε αυτή τη διατριβή επιχειρήθηκε μια εις βάθος ανάλυση δεδομένων ενός ηλεκτρονικού καταστήματος κρασιού στην Ελλάδα. Το παραπάνω περιλάμβανε διερεύνηση δεδομένων σχετικά με την εταιρεία, τα προϊόντα και τους πελάτες της. Πιο συγκεκριμένα, τα καθήκοντα που εκτελέστηκαν ήταν, μεταξύ άλλων, περιγραφικά στατιστικά στοιχεία, clustering πελατών και profiling, market basket analysis και association rules mining.Αρχικά επιχειρήθηκε βιβλιογραφική αναφορά γύρω από το ηλεκτρονικό εμπόριο, και ειδικά στον τομέα του κρασιού και στην Ελλάδα, την ανάλυση δεδομένων, το Clustering, τα Association Rules και το Churn Rate prediction. Όσον αφορά το Clustering, εστιάσαμε στη μεθοδολογία RFM με Κ- means, ενώ για το Association Rules Mining πραγματοποιήθηκε περαιτέρω ανάλυση στον αλγόριθμο Apriori.Η ανάλυση δεδομένων επικεντρώθηκε αρχικά στο να εντοπίσουμε διαφορετικά clusters πελατών, με συγκεκριμένα χαρακτηριστικά. Έπειτα, επιδιώξαμε να αποκαλύψουμε συσχετίσεις, μεταξύ των προϊόντων της εταιρείας, με στόχο τη χάραξη στρατηγικών προώθησης προκειμένου να βελτιστοποιήσουμε την απόδοση των πωλήσεων και την ικανοποίηση των πελατών. Τέλος, προσπαθήσαμε να συνδυάσουμε τις δύο αναλύσεις και να αντλήσουμε βαθύτερες γνώσεις σχετικά με τους πελάτες της εταιρείας.Για την πραγματοποίηση των παραπάνω, χρησιμοποιήθηκε λογισμικό της SAS. Η προετοιμασία δεδομένων πραγματοποιήθηκε με το SAS Enterprise Guide, ενώ εργασίες όπως το clustering πελατών και το Association Rules Mining πραγματοποιήθηκαν μέσω του SAS Enterprise Miner.Μεταξύ άλλων, οι αναλύσεις αποκάλυψαν 5 clusters πελατών στην εταιρεία. Επιπλέον, οι πελάτες της δείχνουν να προτιμούν κρασιά από μια ποικιλία, ενώ επίσης υπήρχε έντονη προτίμηση για ελληνικές κρασιά. Τέλος η αγοραστική συμπεριφορά των πελατών φάνηκε να καθοδηγείται σε σημαντικό βαθμό από τα newsletter της εταιρείας.Τα δεδομένα που εξήχθησαν από τις αναλύσεις χρησιμοποιήθηκαν για την εξαγωγή χρήσιμων συμπερασμάτων προκειμένου η εταιρεία να βελτιστοποιήσει την κερδοφορία και την ικανοποίηση των πελατών. Επιπλέον, οι πληροφορίες σχετικά με το Market Basket Analysis θα μπορούσαν να βοηθήσουν την εταιρεία στο κομμάτι του warehousing και του supply chain. In this thesis an in depth data analysis of a Greek wine e-retailer was attempted. This included data exploration concerning the company, its products and customers. More specifically the tasks performed were among others, descriptive statistics, customer clustering and profiling, Market Basket Analysis and Association Rules mining. In order to proceed with these analyses, the necessary theoretical background had to be covered. Relevant literature was reviewed in ecommerce and especially greek & wine ecommerce, Data Analysis, Clustering, Association Rules mining and Churn Rate prediction. Concerning Clustering we focused on the RFM methodology with K-means, while for the Association Rules mining further analysis was conducted on the Apriori algorithm.The data analysis was concentrated on three main pillars. Firstly we looked to identify distinct customer segments, with valuable behavioural characteristics. Secondly we sought to reveal purchase patterns among the company’s products, aiming to draw promotional strategies in order to optimize sales performance and customer satisfaction. Thirdly, we attempted to combine the two analyses and draw deeper knowledge about the company’s customers. For the aforementioned to be realized, the SAS suite was used. Data preparation such as RFM transformation and cluster profiling was performed on SAS Enterprise Guide, while tasks like customer clustering and Association Rule mining were conducted through SAS Enterprise Miner. Among others, the analyses revealed that the company’s customer base could be segmented in 5 clusters. Moreover its customers seemed to prefer single blend wines, from greek regions and were mostly driven by the newsletter sent by the company.The data extracted from the analyses were used to draw conclusions that could be useful in order for the company to better optimize customer value and satisfaction. Moreover the information on the Market Basket analysis could aid the company towards warehouse and supply chain improvement.

Abstract :

Σε αυτή τη διατριβή επιχειρήθηκε μια εις βάθος ανάλυση δεδομένων ενός ηλεκτρονικού καταστήματος κρασιού στην Ελλάδα. Το παραπάνω περιλάμβανε διερεύνηση δεδομένων σχετικά με την εταιρεία, τα προϊόντα και τους πελάτες της. Πιο συγκεκριμένα, τα καθήκοντα που εκτελέστηκαν ήταν, μεταξύ άλλων, περιγραφικά στατιστικά στοιχεία, clustering πελατών και profiling, market basket analysis και association rules mining.Αρχικά επιχειρήθηκε βιβλιογραφική αναφορά γύρω από το ηλεκτρονικό εμπόριο, και ειδικά στον τομέα του κρασιού και στην Ελλάδα, την ανάλυση δεδομένων, το Clustering, τα Association Rules και το Churn Rate prediction. Όσον αφορά το Clustering, εστιάσαμε στη μεθοδολογία RFM με Κ- means, ενώ για το Association Rules Mining πραγματοποιήθηκε περαιτέρω ανάλυση στον αλγόριθμο Apriori.Η ανάλυση δεδομένων επικεντρώθηκε αρχικά στο να εντοπίσουμε διαφορετικά clusters πελατών, με συγκεκριμένα χαρακτηριστικά. Έπειτα, επιδιώξαμε να αποκαλύψουμε συσχετίσεις, μεταξύ των προϊόντων της εταιρείας, με στόχο τη χάραξη στρατηγικών προώθησης προκειμένου να βελτιστοποιήσουμε την απόδοση των πωλήσεων και την ικανοποίηση των πελατών. Τέλος, προσπαθήσαμε να συνδυάσουμε τις δύο αναλύσεις και να αντλήσουμε βαθύτερες γνώσεις σχετικά με τους πελάτες της εταιρείας.Για την πραγματοποίηση των παραπάνω, χρησιμοποιήθηκε λογισμικό της SAS. Η προετοιμασία δεδομένων πραγματοποιήθηκε με το SAS Enterprise Guide, ενώ εργασίες όπως το clustering πελατών και το Association Rules Mining πραγματοποιήθηκαν μέσω του SAS Enterprise Miner.Μεταξύ άλλων, οι αναλύσεις αποκάλυψαν 5 clusters πελατών στην εταιρεία. Επιπλέον, οι πελάτες της δείχνουν να προτιμούν κρασιά από μια ποικιλία, ενώ επίσης υπήρχε έντονη προτίμηση για ελληνικές κρασιά. Τέλος η αγοραστική συμπεριφορά των πελατών φάνηκε να καθοδηγείται σε σημαντικό βαθμό από τα newsletter της εταιρείας.Τα δεδομένα που εξήχθησαν από τις αναλύσεις χρησιμοποιήθηκαν για την εξαγωγή χρήσιμων συμπερασμάτων προκειμένου η εταιρεία να βελτιστοποιήσει την κερδοφορία και την ικανοποίηση των πελατών. Επιπλέον, οι πληροφορίες σχετικά με το Market Basket Analysis θα μπορούσαν να βοηθήσουν την εταιρεία στο κομμάτι του warehousing και του supply chain.
In this thesis an in depth data analysis of a Greek wine e-retailer was attempted. This included data exploration concerning the company, its products and customers. More specifically the tasks performed were among others, descriptive statistics, customer clustering and profiling, Market Basket Analysis and Association Rules mining. In order to proceed with these analyses, the necessary theoretical background had to be covered. Relevant literature was reviewed in ecommerce and especially greek & wine ecommerce, Data Analysis, Clustering, Association Rules mining and Churn Rate prediction. Concerning Clustering we focused on the RFM methodology with K-means, while for the Association Rules mining further analysis was conducted on the Apriori algorithm.The data analysis was concentrated on three main pillars. Firstly we looked to identify distinct customer segments, with valuable behavioural characteristics. Secondly we sought to reveal purchase patterns among the company’s products, aiming to draw promotional strategies in order to optimize sales performance and customer satisfaction. Thirdly, we attempted to combine the two analyses and draw deeper knowledge about the company’s customers. For the aforementioned to be realized, the SAS suite was used. Data preparation such as RFM transformation and cluster profiling was performed on SAS Enterprise Guide, while tasks like customer clustering and Association Rule mining were conducted through SAS Enterprise Miner. Among others, the analyses revealed that the company’s customer base could be segmented in 5 clusters. Moreover its customers seemed to prefer single blend wines, from greek regions and were mostly driven by the newsletter sent by the company.The data extracted from the analyses were used to draw conclusions that could be useful in order for the company to better optimize customer value and satisfaction. Moreover the information on the Market Basket analysis could aid the company towards warehouse and supply chain improvement.

Subject :	Ανάλυση RFM Τμηματοποίηση πελατών Ανάλυση δεδομένων Ανάλυση καλαθιού αγορών Ηλεκτρονικό εμπόριο Κρασί RFM Analysis Customer segmentation Data analysis Market basket analysis E-commerce Wine

Date :	30-10-2020

Date Submitted :	30-10-2020

Date Accepted :	30-10-2020

Licence :

File: Varsamis_2020.pdf

Type: application/pdf

Login