Güncellik, sıklık, parasallık analizi ve k- ortalamalar kümeleme analizi ile müşteri bölümlendirme: perakende sektöründe bir uygulama

Basit Öğe Kaydı
dc.contributor.advisorBaşar, Özlem Deniz
dc.contributor.authorDağaslanı, Hatice
dc.date.accessioned2024-10-10T18:25:37Z
dc.date.available2024-10-10T18:25:37Z
dc.date.issued2022
dc.departmentEnstitüler, Fen Bilimleri Enstitüsü, İstatistik Ana Bilim Dalıen_US
dc.descriptionFen Bilimleri Enstitüsü, İstatistik Ana Bilim Dalı, İstatistik Bilim Dalıen_US
dc.description.abstractPerakende sektöründe hizmet veren firmaların müşterilerini tanıması ve en kârlı müşterilerini ayırt ederek müşteri profillerini oluşturmaları önemli bir yere sahiptir. Müşterilerin ihtiyaçları iyi anlaşıldığında, firmalar müşterilerine özel satış ve müşteri odaklı stratejiler geliştirebilmektedirler. Böylece müşterilerinin taleplerini karşılayarak, sunulan hizmetlerden elde ettikleri memnuniyeti ve firmaya olan bağlılıklarını arttırabilir ve onları tekrar satın almaya yönlendirebilmektedirler. Bu tez çalışmasında mevcut müşteri verilerinden yararlanarak, veri madenciliği teknikleri kullanılarak müşteriler segmentlere bölünerek özel profiller oluşturulmaktadır. Araştırmada kullanılan veri seti Türkiye'de perakende sektöründe faaliyet gösteren bir firmaya ait ve 04.01.21-31.05.21 zaman diliminde toplanan günlük alışveriş hareketlerinden oluşmaktadır. Bu verilerin analizinde Güncellik, Sıklık ve Parasallık modeli ve k-ortalama kümele analizi kullanılmıştır. Yapılan analiz sonucu k-ortalamalar kümeleme analizinde toplamda dört müşteri kümesi oluşmuştur. Elde edilen sonuçlara göre GSP analizinde veri madenciliği teknikleri; uykuda, yeni müşteri, sadık müşteri, şampiyonlar, potansiyel sadık müşteri ve riskli içeren altı farklı müşteri grubunun belirlenmesinde ve bu altı farklı müşteri profiline yönelik satış stratejilerinin geliştirilmesinde yardımcı olmaktadır.en_US
dc.description.abstractIt is important for companies serving in the retail sector to know their customers and to create their customer profiles by distinguishing their most profitable customers. When the needs of customers are well understood, companies can develop specific sales and customer-oriented strategies for their customers. Thus, by meeting the demands of their customers, they can increase customer satisfaction from the services offered and increase customer loyalty to the company and direct them to purchase again. In this thesis, special profiles are created by dividing customers into segments via using data mining techniques with aid of existing customer data. The data set used in the research consists of daily shopping movements belonging to a company operating in the retail sector in Turkey and collected over a five-month period. Recency, Frequency and Monetary model and k-mean techniques were used in the analysis of these data. As a result of the analysis, a total of four customer clusters were formed in the k-means cluster analysis. According to the results obtained by data mining techniques in RFM analysis; six different customer groups were identified to develop sales strategies for these six different customer profiles, which are dormant, new customers, loyal customers, champions, potential loyal customers and risky customers.en_US
dc.identifier.endpage83en_US
dc.identifier.startpage1en_US
dc.identifier.urihttps://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=kIrIdtdJ31bRgjb6fHvMUdMY0nrpZfgI6n0MdCz8gNjO3RZH2XaA3STBHz8cX_wv
dc.identifier.urihttps://hdl.handle.net/11467/7741
dc.identifier.yoktezid771447en_US
dc.language.isotren_US
dc.publisherİstanbul Ticaret Üniversitesien_US
dc.relation.publicationcategoryTezen_US
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.snmz2024_Tezen_US
dc.subjectİstatistiken_US
dc.subjectStatisticsen_US
dc.titleGüncellik, sıklık, parasallık analizi ve k- ortalamalar kümeleme analizi ile müşteri bölümlendirme: perakende sektöründe bir uygulamaen_US
dc.title.alternativeCustomer segmentation with recency, frequency, monetary analysis and k-means cluster analysis: an application in the retail industryen_US
dc.typeMaster Thesisen_US

Dosyalar

Koleksiyon

Fen Bilimleri Enstitüsü Tez Koleksiyonu