Verkkokaupan asiakkaiden segmentointi ja luokittelu asiakkuuden arvon perusteella
Koivuniemi, Karri (2019)
Koivuniemi, Karri
2019
Tuotantotalous
Tekniikan ja luonnontieteiden tiedekunta - Faculty of Engineering and Natural Sciences
This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Hyväksymispäivämäärä
2019-03-06
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:tty-201903081295
https://urn.fi/URN:NBN:fi:tty-201903081295
Tiivistelmä
Digitaalinen kaupankäynti tuottaa paljon dataa asiakkaiden käyttäytymisestä, smutta sen hyödyntäminen on vajavaista. Erityisesti kannattavimpien asiakkaiden tunnistaminen big datan avulla on vielä puutteellista. Asiakkaita voidaan segmentoida datasta asiakkuuden arvon perusteella, jolla viitataan yleisesti asiakkaiden arvottamiseen näiden elinkaaren aikana yritykselle tuottaman taloudellisen hyödyn perusteella. Tämän diplomityön tarkoituksena oli etsiä toimiva keino asiakkuuden arvon hyödyntämiseksi verkkokaupan markkinointiautomaatiossa.
Työssä kehitettiin aiemman tutkimuskirjallisuuden ja case-yrityksen liiketoimintavaatimusten perusteella malli, joka automaattisesti luokittelee asiakkaan tiettyyn segmenttiin hänen asiakkuutensa arvon perusteella. Kehitetty malli perustuu asiakaspohjan klusterointiin Recency-Frequency-Monetary -mallin (RFM) muuttujien perusteella, ja asiakkaiden luokitteluun näihin klustereihin koneoppimismallin avulla. Mallia testattiin case-yrityksen todellisella tilausaineistolla, ja testissä vertailtiin eri koneoppimisalgoritmien luokittelutarkkuutta.
Havaittiin, että testattujen koneoppimisalgoritmien välillä ei ollut markkinointiautomaation toiminnan kannalta merkittäviä eroja. Kaikki testatut mallit saavuttivat yli 99% luokittelutarkkuuden. Asiakkaat luokiteltiin neljään segmenttiin: 1) potentiaalisesti toisen tilauksen tekevät asiakkaat, 2) ei-aktiiviset asiakkaat, 3) usein tilanneet asiakkaat ja 4) suurten keskiostosten asiakkaat.
Tässä työssä kehitetty malli näyttäisi luokittelevan verkkokaupan asiakkaat eri segmentteihin onnistuneesti. Segmenttien avulla voidaan tarkastella kaupan asiakaskunnan rakennetta ja kohdistaa markkinointia asiakkaan elinkaaren eri vaiheissa. Vastaavaa mallia ei olla hyödynnetty aiemmassa kirjallisuudessa. Tulevaisuudessa ehdotettua mallia tulisi testata käytännössä. Lisäksi RFM-mallin toimivuutta tulisi verrata prediktiivisiin elinkaarituoton mittareihin.
Työssä kehitettiin aiemman tutkimuskirjallisuuden ja case-yrityksen liiketoimintavaatimusten perusteella malli, joka automaattisesti luokittelee asiakkaan tiettyyn segmenttiin hänen asiakkuutensa arvon perusteella. Kehitetty malli perustuu asiakaspohjan klusterointiin Recency-Frequency-Monetary -mallin (RFM) muuttujien perusteella, ja asiakkaiden luokitteluun näihin klustereihin koneoppimismallin avulla. Mallia testattiin case-yrityksen todellisella tilausaineistolla, ja testissä vertailtiin eri koneoppimisalgoritmien luokittelutarkkuutta.
Havaittiin, että testattujen koneoppimisalgoritmien välillä ei ollut markkinointiautomaation toiminnan kannalta merkittäviä eroja. Kaikki testatut mallit saavuttivat yli 99% luokittelutarkkuuden. Asiakkaat luokiteltiin neljään segmenttiin: 1) potentiaalisesti toisen tilauksen tekevät asiakkaat, 2) ei-aktiiviset asiakkaat, 3) usein tilanneet asiakkaat ja 4) suurten keskiostosten asiakkaat.
Tässä työssä kehitetty malli näyttäisi luokittelevan verkkokaupan asiakkaat eri segmentteihin onnistuneesti. Segmenttien avulla voidaan tarkastella kaupan asiakaskunnan rakennetta ja kohdistaa markkinointia asiakkaan elinkaaren eri vaiheissa. Vastaavaa mallia ei olla hyödynnetty aiemmassa kirjallisuudessa. Tulevaisuudessa ehdotettua mallia tulisi testata käytännössä. Lisäksi RFM-mallin toimivuutta tulisi verrata prediktiivisiin elinkaarituoton mittareihin.