| Περίληψη : | Η παρούσα διπλωματική εργασία διερευνά καινοτόμες προσεγγίσεις τμηματοποίησης πελατών στην ελληνική αγορά ηλεκτρονικών τροφίμων, με στόχο την ενίσχυση των στρατηγικών μάρκετινγκ μέσω πληροφοριών που βασίζονται σε δεδομένα. Καθώς η βιομηχανία ηλεκτρονικής παράδοσης γνωρίζει ταχεία ανάπτυξη, η κατανόηση της συμπεριφοράς των καταναλωτών καθίσταται ζωτικής σημασίας για το εξατομικευμένο μάρκετινγκ και τη λειτουργική αποτελεσματικότητα. Αυτή η μελέτη εισάγει μια ολοκληρωμένη ανάλυση χρησιμοποιώντας τέσσερις διακριτές μεθοδολογίες: K-Means Clustering με Ανάλυση Κύριων Συνιστωσών (PCA), Ομαδοποίηση Χρονοσειρών, Ομοιόμορφη Πολλαπλή Προσέγγιση και Προβολή (UMAP) με Ιεραρχική Ομαδοποίηση και Πρόσφατη, Συχνότητα, Νομισματική (RFM) τμηματοποίηση σε συνδυασμό με προηγμένες αναλύσεις. Χρησιμοποιώντας ένα σύνολο δεδομένων που περιλαμβάνει αγορές πελατών από σούπερ μάρκετ, υπεραγορές και τοπικές αγορές, η έρευνα αναλαμβάνει πρώτα μια φάση προεπεξεργασίας για να καθαρίσει και να δομήσει τα δεδομένα για ανάλυση. Στη συνέχεια, κάθε μέθοδος εφαρμόζεται για την τμηματοποίηση της πελατειακής βάσης, προσδιορίζοντας μοναδικά πρότυπα συμπεριφοράς και πιθανά τμήματα της αγοράς. Το K-Means Clustering με PCA χρησιμοποιείται για τη μείωση της διαστασιολόγησης και την ομαδοποίηση πελατών σε ξεχωριστές ομάδες. Το Time Series Clustering τμηματοποιεί τους πελάτες με βάση τα αγοραστικά τους μοτίβα με την πάροδο του χρόνου, αποκαλύπτοντας χρονικές τάσεις στη συμπεριφορά των καταναλωτών. Το UMAP με Hierarchical Clustering προσφέρει μια νέα οπτικοποίηση και τμηματοποίηση δεδομένων υψηλών διαστάσεων, ενώ η τμηματοποίηση RFM, εμπλουτισμένη με προβλέψεις μηχανικής μάθησης, κατηγοριοποιεί τους πελάτες ανάλογα με τη συναλλακτική τους συμπεριφορά. Τα ευρήματα αποκαλύπτουν ξεχωριστές κατηγορίες πελατών στην αγορά ηλεκτρονικών τροφίμων, καθεμία από τις οποίες χαρακτηρίζεται από συγκεκριμένες αγοραστικές συμπεριφορές, προτιμήσεις και επίπεδα αφοσίωσης. Αυτές οι πληροφορίες παρέχουν μια στρατηγική βάση για στοχευμένες πρωτοβουλίες μάρκετινγκ, προτάσεις προϊόντων και στρατηγικές διατήρησης πελατών. Η συγκριτική ανάλυση των μεθόδων τμηματοποίησης ενημερώνει περαιτέρω την προσέγγιση της εταιρείας στην ανάλυση δεδομένων, δίνοντας έμφαση στα πλεονεκτήματα και τους περιορισμούς κάθε τεχνικής στην αποτύπωση των αποχρώσεων της συμπεριφοράς των πελατών. Η παρούσα διπλωματική εργασία συμβάλλει στην ακαδημαϊκή και πρακτική κατανόηση της τμηματοποίησης των πελατών στον τομέα του ηλεκτρονικού εμπορίου, προτείνοντας μια πολυδιάστατη προσέγγιση που συνδυάζει παραδοσιακές και προηγμένες αναλυτικές τεχνικές. Οι επιπτώσεις αυτής της έρευνας εκτείνονται πέρα από την αγορά ηλεκτρονικών τροφίμων, προσφέροντας ένα πλαίσιο για τη λήψη αποφάσεων βάσει δεδομένων σε διάφορους τομείς της ψηφιακής οικονομίας.
This thesis explores innovative approaches to customer segmentation in the Greek electronic food market, aiming to enhance marketing strategies through data-driven information. As the e-delivery industry is aware of rapid growth, understanding consumer behaviour is becoming vital for personalised marketing and operational efficiency. This study introduces a K Means Clustering with K Means Clustering and the use of a variety of methods. Principal Component Analysis ( PCA), Time Series Clustering, Uniform Multiple Approach and Projection ( UMAP) with Hierarchical Grouping and Recent, Frequency, Monetary RFM) Segmentation combined with advanced analytics. Using a dataset including customer purchases from supermarkets, supermarkets and local markets, the research first undertakes a pre-processing phase to clean and structure the data for analysis. Each method is then applied to the segmentation of the customer base, identifying unique patterns of behaviour and possible market segments. K Means Clustering with PCA is used to reduce dimensionality and grouping customers into distinct groups. Time Series Clustering segments the customers based on their buying patterns over time, revealing time trends in consumer behavior. on consumer behaviour. UMAP with Hierarchical Clustering offers a new visualization and segmentation of high-dimensional data, while RFM segmentation, enriched with machine learning predictions, categorizes customers by transactional behavior. The findings reveal distinct customer categories in the e-food market, each of which is characterized by specific purchasing behaviors, preferences and levels of loyalty. This information provides a strategic basis for targeted marketing initiatives, product recommendations and customer retention strategies. The comparative analysis of segmentation methods further informs the company's approach to data analysis, emphasizing the strengths and limitations of each technique in capturing the nuances of customer behavior. This thesis contributes to the academic and practical understanding of the customer segmentation in the e-commerce sector, proposing a multidimensional approach that combines traditional and advanced analytical techniques. The implications of this approach research extends beyond the e-food market, providing a framework for data-driven decision making in various sectors of the digital economy.
|
|---|
Copyright © 2013 Βιβλιοθήκη Ο.Π.Α. Με την επιφύλαξη παντός δικαιώματος.