Müşterilerin GSP analizi kullanarak kümelenmesi
Yükleniyor...
Dosyalar
Tarih
2018-07-05
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Institute of Electrical and Electronics Engineers Inc.
Erişim Hakkı
info:eu-repo/semantics/closedAccess
Özet
Bu çalışma ile mevcut misafir ve rezervasyon verisi kullanılarak doğal öbeklenmeleri tespit ederek misafir davranışları tespit ettik. Ayrıca verilen hizmetleri ve satış stratejilerini bu davranışlara göre özelleştirdik. K-ortalama ile kişileri öbekledikten sonra bu mevcut öbeklenmeleri sağlayan temel karakteristikler karar ağacı yaklaşımı ile çıkartılmıştır. Bu karakteristiklerin kişinin ürün alma kanalı, belirli ürün tercihleri, rezervasyon süresi, sezonsal tercihi vb. olduğu tespit edilmiştir. Bu karakteristiklerin her öbeklenmede ciddi değişiklikler göstermiş olması çözümün genel olarak doğru olduğunun ve bu karakteristiklerin başarılı bir şekilde seçildiğini göstermektedir. Bu çalışma, grup karakteristiklerine uygun kampanyalar ve ürün paketleri oluşturulmasında önemli bir rol oynamaktadır.
In this study, customers' behaviors are determined by detecting natural clusterings using existing reservation and customer data. We also customize their services and sales strategies according to these behaviors. The basic characteristics that provide these existing heuristics have been extracted by the decision tree approach after the K-means is implemented. It is determined that these characteristics are customer's product acquisition channel, specific product preferences, reservation periods, seasonal preference, etc. The fact that these characteristics show significant changes in each clusters indicates that the solution is generally successful and that these characteristics are successfully selected. This work plays an important role in creating campaigns and product packages appropriate for these groups' characteristics.
In this study, customers' behaviors are determined by detecting natural clusterings using existing reservation and customer data. We also customize their services and sales strategies according to these behaviors. The basic characteristics that provide these existing heuristics have been extracted by the decision tree approach after the K-means is implemented. It is determined that these characteristics are customer's product acquisition channel, specific product preferences, reservation periods, seasonal preference, etc. The fact that these characteristics show significant changes in each clusters indicates that the solution is generally successful and that these characteristics are successfully selected. This work plays an important role in creating campaigns and product packages appropriate for these groups' characteristics.
Açıklama
Anahtar Kelimeler
GSP analizi, K-ortalama argoritması, Kümeleme, Müşteri segmentasyonu, Acquisition channels, Basic characteristics, Clustering, Clustering algorithms, Consumer behaviour, Customer clustering, Customer data, Customer lifetime, Customer data, Customer segmentation, Data mining, Decision tree approach, Decision trees, Dogs, Internet, K-means algorithm, Logistics, Machine learning, Marketing data processing, Pattern clustering, Product packages, Product preferences, Reservation periods, RFM analysis, Rough sets, Sales, Sales strategies, Seasonal preference, Signal processing
Kaynak
26th IEEE Signal Processing and Communications Applications Conference, SIU 2018
WoS Q Değeri
N/A
Scopus Q Değeri
N/A
Cilt
Sayı
Künye
Pakyürek, M., Sezgin, M. S., Kestepe, S., Bora, B., Düzağaç, R. & Yıldız, O. T. (2018). Customer clustering using RFM analysis. Paper presented at the 26th IEEE Signal Processing and Communications Applications Conference, SIU 2018, 1-4. doi:10.1109/SIU.2018.8404680
