Kümeleme yöntemleri ile müşteri kanal göçü analizi

Customer channel migration analysis with clustering methods

PDF İndir

Tez No: 803918
Yazar: GİZEM ÇALIŞKAN
Danışmanlar: DR. ÖĞR. ÜYESİ MEHMET YASİN ULUKUŞ
Tez Türü: Yüksek Lisans
Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
Anahtar Kelimeler: Belirtilmemiş.
Yıl: 2023
Dil: Türkçe
Üniversite: İstanbul Teknik Üniversitesi
Enstitü: Lisansüstü Eğitim Enstitüsü
Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
Bilim Dalı: Endüstri Mühendisliği Bilim Dalı
Sayfa Sayısı: 104

Özet

Bugünün müşterileri, alışveriş yapmak için çeşitli kanallardan faydalanma imkanına sahiptir. Örneğin, fiziksel mağazalardan alışveriş yapabilirler ya da e-ticaret siteleri ve mobil uygulamalar aracılığıyla alışverişlerini gerçekleştirebilirler. Bu geniş kanal seçenekleri, müşteri davranışlarına ve tercihlerine göre şekillenmektedir. Aynı zamanda, müşteriler tüm bu kanallar arasında sorunsuz bir deneyim beklemektedir. Bu durum, şirketlere birçok fırsat ve zorluk sunmaktadır. Müşteri kanal göçü, müşterilerin farklı kanallar arasında hareket etme eğilimini ifade eder. Bu kanallar, fiziksel mağazalar, e-ticaret platformları, mobil uygulamalar gibi örneklerle temsil edilebilir. Müşteri kanal göçü, farklı sebeplerle gerçekleşebilir. Bu sebepler arasında kolay erişilebilirlik, daha uygun fiyatlar veya çekici teklifler bulunabilir. Önemli bir faktör ise, müşterilerin bir kanaldan olumsuz deneyim yaşaması durumunda başka bir kanala geçiş yapma eğiliminde olmalarıdır. Bugün birçok işletme, ürün ve hizmetlerini müşterilere farklı kanallar aracılığıyla sunarak çeşitli kanalları kullanmaktadır, yani çevrimiçi platformlar, fiziksel mağazalar, mobil uygulamalar ve çağrı merkezleri gibi. Ancak, müşterilerin kanal tercihleri değişebilmekte ve bu da işletmelerin müşteri kanal göçüyle karşılaşmalarına neden olmaktadır. Bu durum, işletmelerin müşteri davranışlarını anlamalarını ve uygun pazarlama stratejileri geliştirmelerini gerektirir. Bu noktada müşteri segmentasyonu devreye girer. İşletmeler, müşterilerini farklı özelliklere göre gruplandırarak her bir gruba farklı pazarlama stratejileri uygular. Örneğin, bir işletme genç müşterilere yönelik sosyal medya pazarlaması yaparken, orta yaşlı müşterilere yönelik mağaza kampanyaları düzenlemek gibi. Bu çalışma, perakende sektöründe müşteri kanal göçü olarak adlandırılan önemli bir sorunu ele almaktadır. Bu sorun, müşterilerin fiziksel mağaza ile online kanal arasında geçiş yapması veya tam tersi durumda yaşanmaktadır. Bu durum, perakende şirketlerinin müşteri sadakati konusunda zorluklar yaşamasına neden olmaktadır. Çalışma, müşterilerin hem fiziksel mağaza hem de çevrimiçi kanaldaki davranışlarının incelenmesi ve müşteri kanal göçü konusunun detaylı bir şekilde analiz edilmesi üzerine odaklanmaktadır. Ayrıca, müşteri davranışları yıllara göre analiz edilmiş ve çeşitli örüntüler belirlenmiştir. Müşteriler, klasik kümeleme yöntemleri ve derin öğrenme yöntemleri kullanılarak gruplandırılmış ve sonuçlar ayrıntılı bir şekilde incelenmiştir. Bu şekilde, müşterilerin davranışları hakkında daha kapsamlı bir anlayış elde edilmiştir. Ayrıca, müşteri alışveriş örüntüleri birleştirilerek, perakende şirketinin stratejik kararlar almasına yardımcı olmak amaçlanmıştır. Sonuç olarak, bu çalışma perakende sektöründeki önemli bir soruna odaklanarak müşteri kanal göçü konusunu ayrıntılı bir şekilde analiz etmiştir. Çalışmada ilk olarak veri analizi çalışmaları yapılmıştır ve dışa düşen noktalar çıkartılarak veri temizlenmiştir. Müşterilerin çevrimiçi kanaldan yaptığı alışverişler analiz edilerek müşterilerin yıl yıl örüntüleri çıkartılmıştır. Bulunan 4 örüntü için, ilk örüntüde, müşterilerin alışveriş oranlarının sürekli olarak arttığı gözlemlenmektedir. Bu, istenilen bir senaryo olarak değerlendirilebilir ve müşterilerin başka bir kanala geçtiği düşünülebilir. Bu tür müşterilerin oranı %4'tür ve uzun vadede artması hedeflenmektedir. İkinci örüntüde, 2021 yılında diğer yıllara göre daha fazla alışveriş yapan müşterilerin oranının %30 olduğu görülmektedir. Bu, pandemi etkisinden bağımsız olarak 2019 ve 2021 yıllarında müşterilerin daha fazla alışveriş yaptığını göstermektedir. Ancak, 2022 yılında alışveriş sayısı düşmüştür. Bu müşteriler, birinci grafikteki müşterilerden farklı olarak firma tarafından ihmal edilmiş ve kaçırılmış olabilir. Üçüncü örüntüde, belirli bir dönemde alışverişi azaltıp daha sonra tekrar sanal kanala dönen müşterilerin oranı %26'dır. 2020 yılındaki alışveriş miktarının pandemi etkisiyle arttığını göstermektedir. 2021 yılında alışveriş sayısı düşse de 2022 yılında yeniden arttığı görülmektedir. Bu tür müşterilerin kanal göçü kesin olmasa da dengeli olmadığı gözlemlenmektedir. Dördüncü örüntüde, alışveriş sayısı giderek azalan müşterilerin oranı %38'dir. Bu müşteriler, pandemi etkisiyle 2020 yılında diğer yıllara göre daha fazla alışveriş yapmıştır. Ancak, zamanla alışveriş sayıları düşmüştür. Bu tür müşterilerin başka bir kanala geçtiği veya geçeceği söylenebilir. Bu tür müşterilerin elde tutulması için ayrı bir strateji gerekmektedir. Bu adımlardan sonra 4 adet kümeleme modeli öncesinde Temel Bileşen Analizi uygulanarak sonuçları analiz edilmiştir. K-Ortalama, Yoğunluk Tabanlı Kümeleme ve Birleştirici Hiyerarjik Kümeleme algoritmaları için tüm parametreler ile silhouette skor da hesaplanarak analizler yapılmıştır. 3 algoritmanın SPSS üzerinde yapılan istatistiksel analizlerine tabi tutulmuştur. ANOVA testi, varyans, skor ve küme sayısı için uygulanmıştır. ANOVA sonuçları, yöntem ve küme sayısı kombinasyonunda anlamlı bir fark olduğunu göstermiştir (p=0.044). Post Hoc testi sonuçlarına göre Yoğunluk Tabanlı Kümeleme ve Birleştirici Hiyerarşik Kümeleme algoritmaları arasında (p=0.016), ayrıca K-Ortalama ve Yoğunluk Tabanlı Kümeleme arasında (p=0.039) farklılıklar olduğu belirlenmiştir. Temel bileşen analizi sonuçlarına göre ise 4 farklı varyans şeklinde oluşturulan veride istatistiksel olarak anlamlı bir fark saptanmamıştır. K-ortalama algoritmasında, erkek müşteriler küme 1 ve 2'de, kadın müşteriler ise küme 3 ve 4'te yoğundur. Genellikle İstanbul'dan alışveriş yapılmaktadır ve doğum yılları benzerdir. Alışveriş formatları incelendiğinde, küme 1 büyük formatlı mağazalardan, küme 2 ve 3 her türden, küme 4 ise küçük formatlı mağazalardan daha çok alışveriş yapmaktadır. DBSCAN algoritması değerlendirildiğinde, oluşturulan kümelerde ilk kümede hem kadın hem de erkek müşteriler bulunurken, ikinci kümede sadece erkek ve üçüncü kümede ise sadece kadın müşteriler bulunmaktadır. Tüm kümelerde genellikle İstanbul ilinden alışveriş yapıldığı görülmektedir. Doğum yılları incelendiğinde, ilk küme daha yaşlıken diğer kümeler daha genç kesime hitap etmektedir. Alışveriş yapılan mağaza formatı bazında herhangi bir fark tespit edilmemiştir, tüm kümeler benzer oranda dağılmıştır. Birleştirici hiyerarjik kümeleme algoritması sonuçları incelendiğinde, cinsiyet bazında ilk küme erkek müşterilerden oluşurken, ikinci küme kadın müşterilerden oluşmaktadır. Doğum yılı bazında ise her iki kümede de her doğum yılından müşteri bulunuyor gibi görünmektedir. Alışveriş yapılan formatlarda da belirgin bir bölünme gözlenmemiştir. Son olarak Autoencoder tabanlı Self-organizing map kullanılarak derin öğrenme algoritması uygulanmıştır. Batchsize parametresi düşük tutulmalıdır, çünkü arttıkça kayıp da artmaktadır. Epoch parametresi arttıkça MSE değeri düşmektedir. 100 ve sonrası arasında önemli bir fark yoktur, bu nedenle 100 kullanılabilir. Learning rate parametresinde büyük bir fark gözlenmemiştir, herhangi bir değer kullanılabilir. Daha ayrıntılı bir model isteniyorsa, Autoencoder tabanlı Self-organizing map kullanmak faydalı olabilir. Örneğin, 70 küme çıkaran parametrelerle stratejiler oluşturulabilir. En çok müşteriye sahip olan 3 kümeye odaklanılarak ayrıntılı analizler yapılmıştır. Gıda perakende sektöründe müşterileri bir kanala yönlendirmek veya elde tutmak için kampanyalar yaygın olarak kullanılır. Özellikle genç ve erkek müşterilerin yoğun olduğu 3. küme, sepet bazlı kampanyalarla kanal göçünü teşvik etmek için idealdir. 1. küme için, mağazada fiziksel olarak iletişim kurmak daha uygundur. Örneğin, alışveriş sırasında kasiyer tarafından çevrimiçi kanalın avantajları anlatılarak, fişin altında bir kampanya koduyla müşteri sanal kanala çekilebilir. Küme 2 için ise, özellikle deterjan, tuvalet kağıdı, yağ gibi temel ihtiyaç ürünlerinde yapılan ürün bazlı indirimler kanal göçünü teşvik edecektir. Tüm denenen kümeleme algoritmaları arasında sonuçlar incelendiğinde veriyi doğru kümelemediği görülmektedir. Bu nedenle, k-ortalama algoritması tercih edilmiştir. Belirlenen 4 örüntü ve kümeleme yöntemi sayesinde, benzer müşterilerin alışveriş örüntüleri öngörülerek stratejik kararlar verilebilir. Alışveriş sayısı sürekli artan müşteriler için agresif kampanyalar uygulanabilir ve tüm kanallardan bilgilendirme ve reklam yapılabilir. Bu müşterilerin çevrimiçi kanala yönlendirilmesi önemlidir. Autoencoder tabanlı Self-organizing map modeli ile 70 farklı küme ile müşterilere daha nokta atışı bir strateji geliştirilmesinde faydalı olacağı düşünülmektedir. Bu konuda 3 küme incelenerek sektörel tecrübe ile değerlendirilerek kampanya stratejisi önerilmiştir. Bu çalışmada, müşteri kanal göçü konusunda Autoencoder tabanlı Self-organizing map derin öğrenme modelinin kullanılması literatürde bir yenilik olarak yansımıştır. Ayrıca, Birleştirici Hiyerarjik Kümeleme Algoritması'nın müşteri kanal göçü konusunda kullanılmamış bir yöntem olduğu belirtilerek literatüre katkı sağlamıştır. Gelecekte yapılacak çalışmalarda, derin öğrenme yöntemlerinin müşteri kanal göçü konusunda üretilen sonuçlarla literatüre katkı sağlayabileceği düşünülmektedir. Bu yeni yöntemlerin farklı alanlarda kullanılması, çeşitliliği ve doğruluğu artırabilecektir. Ek olarak, Türkiye'deki gıda perakendeciliğinde, e-ticaret kanalında müşterilerin bir sipariş daha vermesini teşvik etmek için promosyonlar kullanma odak noktasıdır. Ancak, müşteri kanal göçüyle hedeflenen organik büyümeyi sağlayacak çalışmalar oldukça nadirdir. Bu nedenle, her iki kanala da sahip olan firmaların nokta atışı tespitlerle müşterilerin kanal göçünü yönlendirmeleri, firmalar açısından yenilik sağlayacaktır. Migros Ticaret A.Ş., kendi fiziksel mağazalarından alışveriş yapan müşterilerin online kanaldaki en büyük potansiyeli olduğunu gözlemleyerek müşteri göçü üzerine çalışmalar yürütmektedir. Bu çalışma, Migros AR-GE merkezinde bir Ar-Ge projesi olarak gerçekleştirilmiş ve ayrıca 41. Yöneylem Araştırması Endüstri Mühendisliği Kongresi'nde“Literature Review on Customer Channel Migration and Forecasting in Retail Sector”başlıklı sunum ile Denizli'de katılım sağlanmıştır.

Özet (Çeviri)

Today's customers have the opportunity to shop through various channels like physical stores, mobile applications and also e-commerce websites. These wide channel options are shaped based on customer behaviors and preferences. Customers expect a seamless experience across all these channels. This situation presents both opportunities and challenges for companies. Customer channel migration denotes the propensity of customers to shift between various channels. These channels can be represented by examples such as physical stores, e-commerce platforms, and mobile applications. Customer channel migration can occur for various reasons, including accessibility, better prices, or attractive offers. An important factor is that customers tend to switch to another channel if they have a negative experience with one channel. Today, a wide range of businesses employ diverse channels, such as online platforms, brick-and-mortar stores, mobile applications, and call centers, to provide their products and services to customers. However, customers' channel preferences can change, leading businesses to face customer channel migration. This situation requires businesses to understand customer behaviors and develop appropriate marketing strategies. This is where customer segmentation comes into play. Businesses group their customers based on different characteristics and apply different marketing strategies to each group. For example, a company may engage in social media marketing targeted at young customers while organizing store campaigns for middle-aged customers. This study addresses an important issue in the retail sector, which is customer channel migration. This problem occurs when customers switch between physical stores and online channels or vice versa, posing challenges to retail companies' customer loyalty efforts. The study focuses on analyzing the behaviors of customers in both physical store and online channels and thoroughly examining the subject of customer channel migration. Furthermore, customer behaviors are analyzed year by year, and various patterns are identified. Customers are clustered using both traditional clustering methods and deep learning techniques, and the results are extensively analyzed. By combining customer shopping patterns, the study aims to assist retail companies in making strategic decisions. In conclusion, this study analyzes the issue of customer channel migration in detail, focusing on an important problem in the retail sector. In the study, data analysis was conducted, and outliers were removed to clean the data. Customer shopping patterns in the online channel were analyzed, and patterns for each year were identified. For the identified four patternsIt was noted that the shopping rates of customers continuously increased in the first pattern. This can be considered as a desirable scenario, indicating that customers may switch to another channel. The percentage of these customers accounts for 4% and is anticipated to grow over time. In the second pattern, it was observed that the proportion of customers who made more purchases in 2021 compared to other years was 30%. This indicates that customers made more purchases in 2019 and 2021 regardless of the pandemic effect. However, the number of purchases decreased in 2022. These customers may have been neglected or missed by the company compared to the customers in the first graph. In the third pattern, the proportion of customers who reduced their shopping in a certain period and then returned to the online channel was 26%. It demonstrates that the amount of shopping increased in 2020 due to the pandemic effect. Although the number of purchases decreased in 2021, it increased again in 2022. The channel migration of such customers may not be definitive but rather balanced. In the fourth pattern, the proportion of customers with a decreasing number of purchases over time is 38%. These customers made more purchases in 2020 due to the pandemic effect. However, over time, the number of purchases decreased. It can be said that these customers may have switched to another channel. Retaining such customers requires a separate strategy. After these steps, four clustering models were applied, and the results were analyzed. Before that, Principal Component Analysis applied the data. Then, K-Means, Density-Based Clustering, and Agglomerative Hierarchical Clustering algorithms were evaluated by calculating the silhouette score for all parameters. The statistical analysis of the three algorithms was conducted using ANOVA tests for variance, score, and cluster number. The ANOVA findings revealed a significant difference in the combination of method and cluster number (p=0.044). Based on the outcomes of the post hoc test, there were differences between Density-Based Clustering and Agglomerative Hierarchical Clustering algorithms (p=0.016), as well as between K-Means and Density-Based Clustering (p=0.039). However, based on the results of principal component analysis, There was no statistically significant difference identified among the four distinct variance patterns observed in the data. In the K-Means algorithm, male customers were predominantly found in clusters 1 and 2, while female customers were predominant in cluster 3 and 4. Shopping mostly took place in Istanbul, and the birth years were similar across clusters. No significant division was observed in terms of shopping formats, as all clusters had a similar distribution. When evaluating the DBSCAN algorithm, the first cluster included both male and female customers, the second cluster consisted only of male customers, and the third cluster consisted only of female customers. It was observed that shopping mostly occurred in Istanbul in all clusters. In terms of birth years, the first cluster had an older customer base compared to the other clusters, which catered to a younger demographic. No significant difference was detected based on shopping formats, as all clusters were evenly distributed. The results of the Agglomerative Hierarchical Clustering algorithm showed that the first cluster comprised of male customers, while the second cluster consisted of female customers. In terms of birth years, both clusters had customers from all birth years. No distinct division was observed in terms of shopping formats. Lastly, a deep learning algorithm using the Autoencoder-based Self-organizing map was applied. The batch size parameter should be kept low because increasing it leads to an increase in loss. As for the epoch parameter, as it increases, the mean squared error (MSE) value decreases. There is no significant difference between 100 and higher values, so 100 can be used. No significant difference was observed in the learning rate parameter, so any value can be used. If a more detailed model is desired, using the Autoencoder-based Self-organizing map can be beneficial. For example, by using parameters that generate 70 clusters, strategies can be developed for these 70 clusters. In-depth analyses were performed specifically targeting the top three clusters characterized by the highest customer count, and the findings will be presented in subsequent sections. 7In the food retail sector, campaigns are commonly used to direct and retain customers in a specific channel. The 3rd cluster, which is particularly composed of young and male customers, appears to be ideal for promoting channel migration through basket-based campaigns. For the 1st cluster, it is more appropriate to communicate with these customers physically in-store. For instance, during the checkout process, customers can be encouraged to migrate to the online channel by explaining the advantages of the online channel and providing a campaign code under the receipt. For the 2nd cluster, product-specific discounts, especially on essential items such as detergents, toilet paper, and oil, will incentivize channel migration. By utilizing the K-Means, Density-Based Clustering, and Agglomerative Hierarchical Clustering algorithms, customers were classified and the K-Means method with 4 clusters was found to be more suitable. Through the identified 4 patterns and clustering method, strategic decisions can be made by predicting the shopping patterns of similar customers. Aggressive campaigns can be implemented for customers with a continuous increase in shopping frequency, and customers in this segment can be targeted. Additionally, informative and advertising efforts should be carried out through all channels, such as SMS, social media, and emails. It is crucial to attract these customers to the online channel. This study addresses the important problem of customer channel migration in the retail sector. By examining customer behaviors in both brick-and-mortar stores and online channels, and conducting a thorough analysis of customer channel migration, this study offers valuable insights into this phenomenon. Furthermore, customer behaviors were analyzed over the years, and various patterns were identified. Customers were clustered using both traditional clustering methods and deep learning techniques, enabling a comprehensive understanding of customer behaviors. Moreover, by combining customer shopping patterns, the study aimed to assist retail companies in making strategic decisions. In conclusion, this study thoroughly analyzes the issue of customer channel migration, focusing on an important problem in the retail sector. The study also highlights the novelty of using the Autoencoder-based Self-organizing map deep learning model for customer channel migration, contributing to the existing literature. Additionally, the study makes a novel contribution to the literature by exploring the utilization of the Agglomerative Hierarchical Clustering Algorithm, which has not been extensively employed in the analysis of customer channel migration. Future studies are expected to further contribute to the literature on customer channel migration by utilizing deep learning methods and generating valuable insights. The application of these new methods in various fields will enhance diversity and accuracy. Additionally, in the food retail industry in Turkey, the focus is on using promotions to encourage customers to place additional orders through the e-commerce channel. However, studies that effectively utilize customer channel migration for targeted organic growth are rare. Therefore, for companies operating in both channels, strategic interventions to direct customer channel migration will provide innovative solutions. Migros Ticaret A.Ş. has recognized that their customers who primarily shop at their physical stores hold the greatest potential for the online channel. Consequently, they have conducted research on customer migration and implemented an R&D project at the Migros R&D center. Furthermore, they presented a study titled“Literature Review on Customer Channel Migration and Forecasting in the Retail Sector”at the 41st Operations Research Industrial Engineering Congress, which took place from October 16th to 28th, 2022, in Denizli, Turkey.

Benzer Tezler

Tez No
692525
TV ve set üstü cihaz arayüz kullanılabilirlik ölçümü
Usability evaluation of TV and set-top box interfaces
AYCAN PEKPAZAR
Doktora
Türkçe
2021
Endüstri ve Endüstri Mühendisliği İstanbul Teknik Üniversitesi
Endüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÇİĞDEM ALTIN GÜMÜŞSOY
Tez No
606191
Müşteri ilişkileri yönetiminde veri madenciliği durum analizi: Hava yolu şirketinde bir uygulama
Data mining situation analysis in customer relationship management: An application in airway company
YASİN AFŞİN
Yüksek Lisans
Türkçe
2019
İstatistik Mimar Sinan Güzel Sanatlar Üniversitesi
İstatistik Ana Bilim Dalı
PROF. DR. SEMRA ERPOLAT TAŞABAT
Tez No
670906
Doğal dil işleme ve kümeleme yöntemleri ile müşteri yorumlarının incelenmesi
Analysis of customer reviews by using natural language processing and clustering methods
RECEP ALİ AY
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol KTO Karatay Üniversitesi
Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SEMİH YUMUŞAK
Tez No
580561
Güncellik, frekans, tutar ve sepet analizi: Havayolu sadakat programı uygulama örneği
Recency, frequency, moneatry and basket analysis: A case study an airline loyalty programme
RAMAZAN YAŞA
Yüksek Lisans
Türkçe
2019
Endüstri ve Endüstri Mühendisliği İstanbul Üniversitesi-Cerrahpaşa
Endüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TUNCAY ÖZCAN
Tez No
309670
Traverten plaka taşlarda sınıfların kümeleme yöntemleri ile belirlenmesi
Determination of travertine plate stones with clustering methods
MELİKE ŞİŞECİ
Yüksek Lisans
Türkçe
2012
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol Süleyman Demirel Üniversitesi
Bilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. BAYRAM CETİŞLİ

Geri Dön