Başar, Özlem DenizDağaslanı, Hatice2024-10-102024-10-102022https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=kIrIdtdJ31bRgjb6fHvMUdMY0nrpZfgI6n0MdCz8gNjO3RZH2XaA3STBHz8cX_wvhttps://hdl.handle.net/11467/7741Fen Bilimleri Enstitüsü, İstatistik Ana Bilim Dalı, İstatistik Bilim DalıPerakende 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.It 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.trinfo:eu-repo/semantics/openAccessİstatistikStatisticsMaster Thesis183771447