Αυτό το τεκμήριο δεν μπορεί να ανακαλυφθεί
Ανάλυση δεδομένων πελατών για την ανάπτυξη στρατηγικών customer retention σε ηλεκτρονικό εμπόριο.
Δεν υπάρχει διαθέσιμη μικρογραφία
Ημερομηνία
2026-11-02
Συγγραφείς
Τίτλος Εφημερίδας
Περιοδικό ISSN
Τίτλος τόμου
Εκδότης
ΕΛΜΕΠΑ, Σχολή Επιστημών Διοίκησης και Οικονομίας (ΣΕΔΟ), Τμήμα Διοικητικής Επιστήμης και Τεχνολογίας
Επιβλέπων
Περίληψη
Η παρούσα πτυχιακή εργασία διερευνά τη δυνατότητα αξιοποίησης συναλλακτικών δεδομένων πελατών για την ανάπτυξη στρατηγικών διατήρησης πελατών (Customer Retention) στο ηλεκτρονικό εμπόριο. Για την πραγματοποίηση της έρευνας χρησιμοποιήθηκε το σύνολο δεδομένων Online Retail του UCI Machine Learning Repository, το οποίο περιλαμβάνει 541.909 εγγραφές συναλλαγών. Μετά την προεπεξεργασία των δεδομένων διατηρήθηκαν 397.884 εγγραφές, οι οποίες αντιστοιχούσαν σε 4.338 μοναδικούς πελάτες.
Αρχικά, εφαρμόστηκε η μέθοδος RFM (Recency, Frequency, Monetary Value) για την τμηματοποίηση της πελατειακής βάσης σε έξι ομάδες με διαφορετικά χαρακτηριστικά αγοραστικής συμπεριφοράς. Στη συνέχεια, αναπτύχθηκαν μοντέλα Logistic Regression και Random Forest για την πρόβλεψη της μελλοντικής αγοραστικής αδράνειας σε πληθυσμό 2.772 πελατών, με χρονικό ορίζοντα παρατήρησης 90 ημερών.
Τα αποτελέσματα ανέδειξαν σημαντικές διαφοροποιήσεις μεταξύ των πελατειακών τμημάτων ως προς την ιστορική χρηματική αξία και τη μελλοντική αγοραστική δραστηριότητα. Το συνολικό ποσοστό μη επαναγοράς διαμορφώθηκε σε 39,29%, ενώ η Logistic Regression παρουσίασε ROC-AUC 0,710 στο σύνολο ελέγχου, έναντι 0,692 του Random Forest.
Η συμπληρωματική RFM ανάλυση ανέδειξε διαφορετικά ποσοστά μελλοντικής αγοραστικής αδράνειας μεταξύ των πελατειακών τμημάτων, υποστηρίζοντας τη χρησιμότητα της συνδυαστικής αξιοποίησης της τμηματοποίησης και της προγνωστικής ανάλυσης.
Συμπερασματικά, η ανάλυση συναλλακτικών δεδομένων μπορεί να συμβάλει στην κατανόηση της πελατειακής συμπεριφοράς και να υποστηρίξει τον σχεδιασμό διαφοροποιημένων στρατηγικών Customer Retention. Ωστόσο, η πραγματική αποτελεσματικότητα των προτεινόμενων παρεμβάσεων απαιτεί πρόσθετη επιχειρησιακή και πειραματική αξιολόγηση.
This thesis investigates the potential of transactional customer data analysis to support the development of customer retention strategies in e-commerce. The research utilizes the Online Retail dataset from the UCI Machine Learning Repository, initially containing 541,909 transaction records. Following data preprocessing, 397,884 records corresponding to 4,338 unique customers were retained. Initially, Recency, Frequency, and Monetary Value (RFM) analysis was applied to segment the customer base into six groups characterized by different purchasing patterns. Subsequently, Logistic Regression and Random Forest models were developed to predict future purchasing inactivity among 2,772 customers over a 90-day observation period. The findings revealed substantial differences among customer segments in terms of historical monetary value and future purchasing activity. The overall non-repurchase rate was 39.29%, while Logistic Regression achieved a ROC-AUC of 0.710 on the test set, compared with 0.692 for Random Forest. Additional RFM analysis identified differences in future purchasing inactivity rates across customer segments, highlighting the potential value of combining customer segmentation with predictive analytics. Overall, the findings suggest that transactional data analysis can support the understanding of customer purchasing behavior and inform the development of differentiated customer retention strategies. However, the actual effectiveness of the proposed interventions requires further operational and experimental evaluation.
This thesis investigates the potential of transactional customer data analysis to support the development of customer retention strategies in e-commerce. The research utilizes the Online Retail dataset from the UCI Machine Learning Repository, initially containing 541,909 transaction records. Following data preprocessing, 397,884 records corresponding to 4,338 unique customers were retained. Initially, Recency, Frequency, and Monetary Value (RFM) analysis was applied to segment the customer base into six groups characterized by different purchasing patterns. Subsequently, Logistic Regression and Random Forest models were developed to predict future purchasing inactivity among 2,772 customers over a 90-day observation period. The findings revealed substantial differences among customer segments in terms of historical monetary value and future purchasing activity. The overall non-repurchase rate was 39.29%, while Logistic Regression achieved a ROC-AUC of 0.710 on the test set, compared with 0.692 for Random Forest. Additional RFM analysis identified differences in future purchasing inactivity rates across customer segments, highlighting the potential value of combining customer segmentation with predictive analytics. Overall, the findings suggest that transactional data analysis can support the understanding of customer purchasing behavior and inform the development of differentiated customer retention strategies. However, the actual effectiveness of the proposed interventions requires further operational and experimental evaluation.
Περιγραφή
Λέξεις-κλειδιά
ηλεκτρονικό εμπόριο, ανάλυση δεδομένων πελατών, customer retention, RFM, customer churn, μηχανική μάθηση, e-commerce, customer data analytics, RFM analysis, machine learning