Τμηματοποίηση πελατών με χρήση της ανάλυσης RFM σε εταιρεία βελτίωσης σπιτιού & ιδιοκατασκευής

Ρήγας, Κωνσταντίνος

Customer segmentation of a home improvement & DIY company, using the RFM analysis

Μεταπτυχιακή διπλωματική εργασία

Author

Ρήγας, Κωνσταντίνος

Date

2022-09-29

Advisor

Papakyriakopoulos, Dimitris

Μεταπτυχιακή Διπλωματική Εργασία στην Τμηματοποίηση Πελατών. Κωνσταντίνος Ρήγας ΜΒΑ (2.770Mb)

Keywords

RFM ; Τμηματοποίηση αγοράς ; Τμηματοποίηση πελατών ; Τμηματοποίηση ; Εξόρυξη δεδομένων ; Μάρκετινγκ ; CRISP-DM ; Marketing ; Data mining

Abstract

Οι πελάτες είναι η πηγή ζωτικότητας της κάθε επιχείρησης. Όμως κάθε πελάτης έχει διαφορετική αξία για την επιχείρηση. Τα τμήματα μάρκετινγκ στην προσπάθεια τους να αυξήσουν την αποτελεσματικότητα των εκστρατειών τους, ομαδοποιούν πελάτες βάσει χαρακτηριστικών που μοιράζονται, και μια αξιόπιστη τεχνική τμηματοποίησης είναι η Recency – Frequency – Monetary Value (RFM). Η ανάλυση RFM ομαδοποιεί πελάτες βάσει της επικαιρότητας των αγορών τους, τη συχνότητα αυτών, αλλά και τη χρηματική αξία που δαπανούν στις αγορές τους. Βάσει της RFM, οι πελάτες που έχουν ψωνίσει πρόσφατα, αγοράζουν συχνά και κάνουν μεγάλες δαπάνες, έχουν μεγαλύτερη αξία για την επιχείρηση. Η παρούσα διπλωματική θέτει τρεις ερευνητικούς στόχους. Ο πρώτος στόχος είναι η μελέτη της αξίας των πελατών μιας εταιρείας, χρησιμοποιώντας την ανάλυση RFM. Δεύτερον, να πραγματοποιήσει κριτική της τεχνικής τμηματοποίησης RFM αλλά και των αποτελεσμάτων της. Τέλος, να βελτιώσει την παραδοσιακή ανάλυση και να προσθέσει μια νέα διάσταση. Η νέα διάσταση θα λαμβάνει υπόψη την ποικιλία των προϊόντων που έχει αγοράσει ο πελάτης όταν ομαδοποιείται με άλλους πελάτες. Για τα προαναφερθέντα, διεξάγεται μελέτη περίπτωσης, χρησιμοποιώντας πραγματικά αγοραστικά δεδομένα 5.000 πελατών σε διάστημα 2 ετών (2012 - 2014) μιας αμερικανικής εταιρείας λιανικής πώλησης βελτίωσης σπιτιού και ιδιοκατασκευής, η οποία ανήκει στη λίστα Fortune 500. Η έρευνα χρησιμοποιεί τεχνικές εξόρυξης δεδομένων για την ομαδοποίηση των πελατών με βάση την αγοραστική τους συμπεριφορά, καθώς και την επιστήμη του σχεδιασμού για την προσθήκη της νέας διάστασης στην ανάλυση RFM. Τα αποτελέσματα παρουσιάζουν 3 διακριτές συστάδες και για τα δύο μοντέλα (RFM & RFMV), που κυμαίνονται από ανενεργούς πελάτες έως πελάτες που έχουν αγοράσει πρόσφατα, αγοράζουν συχνά, ξοδεύουν σημαντική ποσότητα χρημάτων και αγοράζουν μεγάλη ποικιλία προϊόντων. Και οι τρεις στόχοι επιτεύχθηκαν, καθώς η ανάλυση RFM επιτυχώς ομαδοποίησε τους πελάτες με βάση την πιο πρόσφατη αγορά τους, τη συχνότητα των αγορών τους, τη χρηματική αξία που ξόδεψαν, καθώς και την ποικιλία των προϊόντων που αγόρασαν μέσω της προσθήκης της νέας διάστασης. Παρέχονται προτάσεις προς την εταιρεία σχετικά με τον τρόπο προσαρμογής των εκστρατειών μάρκετινγκ σε κάθε συστάδα για μέγιστη αποτελεσματικότητα και προτείνονται προτάσεις για περαιτέρω έρευνα.

Abstract

What is the value of a customer? Customers are essentially the lifeblood of a company, however, not everyone provides the same value to the business. There are customers that stopped buying, others that make rare visits to buy a few products and then, there are others that shop frequently and spend a significant amount on every purchase. For decades, marketers performed customer segmentation, helping them allocate resources more efficiently and achieve better results while minimizing costs. Customers can be segmented depending on their purchasing preferences (e.g. buying dog or cat products) or depending on how active are their purchasing habits during the last quarter. The problem that comes up with segmentation is that it is not a “one size fits all” technique. Different business needs require different approaches when it comes to customer segmentation. In order to tackle the complex and challenging problem of discovering the value of a company’s customers, the Recency – Frequency – Monetary Value (RFM) analysis provides a simple solution and a good base for further research. This master’s thesis sets three research goals. The first goal is to study the value of a company’s customers, using the RFM analysis. Secondly, to review the RFM segmentation technique and its results, and last but not least, to improve upon the traditional analysis, and provide a new dimension. The new dimension will take into consideration the variety of products the customer has purchased when clustered with other customers. For the aforementioned, a case study is conducted, using real purchasing data of 5.000 customers over the span of 2 years (2012 – 2014) of a US Home Improvement & DIY retail company, that belongs in Fortune 500. The research uses data mining techniques to cluster the customers based on their purchasing behaviors, as well as design science to implement the new dimension in the RFM analysis. The results present 3 distinct clusters for both models (RFM & RFMV), ranging from inactive customers, to customers that have bought recently, buy frequently, spend significant amount of money and purchase a large variety of products. All three goals have been achieved, as the RFM analysis has successfully clustered the customers based on the recency of their purchase, the frequency of their purchases and the monetary value spent, as well as the variety of products they purchased through the addition of the new dimension. Proposals are provided to the company on how to adjust its marketing campaigns to each cluster for maximum efficiency and suggestions for further research are proposed.