Clustering grocery customers` in-store shopping paths by using optimization-based models

Abstract

Bu çalışma Radyo Frekansı ile Tanımlama (RFID) Teknolojisinin alışveriş arabası seviyesinde uygulanmasının perakendecilerine sağlayacağı muhtemel faydaları incelemektedir. Bu amaç için bir alışveriş arabası kablosuz bir video kamera ile donatılmıştır. Deneylerin yapıldığı mağazanın müşterileri alışverişleri sırasında bu alışveriş arabasını kullanmaktadırlar. Alışveriş arabasının mağaza içerisindeki konumu müşterinin konumuna oldukça yakın olduğundan, alışveriş arabasına takılan kamera vasıtası ile kaydedilen yollar müşterilerin alışveriş yolları olarak düşünülmektedir. Alışveriş yol bilgileri ile birlikte, müşterilerin alışveriş listeleri ve alışveriş fişleri de toplanmıştır. Toplanan veri bir veri madenciliği aracı olan kümeleme ile analiz edilmektedir. Kümeleme veri nesnelerinin aynı küme içerisinde yer alan nesnelerin diğer kümeler içerisinde yer alan nesnelerden, bazı ölçütlere göre, daha fazla benzeyecek şekilde bölümlenmesidir. Bu çalışmada, mevcut kümeleme yaklaşımlarını kullanmak yerine, birkaç eniyileme temelli matematiksel model geliştirilmiştir. Alışveriş yol bilgisini kullanan modeller iki sınıfa ayrılmaktadır: ?alışveriş yol temelli kümeleme? ve ?zaman temelli kümeleme.? Modeller sınıfının ilki mağaza koordinatlarının her bir müşteri tarafından hangi sıra ile ziyaret edildiğini esas almaktadır. Model sınıflarından ikincisi bu bilgiyi göz ardı etmekte ve sadece mağaza koordinatlarında her bir müşteri tarafından harcanan zamanı esas almaktadır. Kalan iki model alışveriş listesi ve alışveriş fişi verileri için çözülmektedir. Farklı modellerin mağaza içi davranış biçimlerine farklı kavrayışlar sağladığı araştırılmıştır. Küme sonuçlarının değerlendirilmesine dayanan alışveriş eğilimleri ile ilgili bazı hipotezler geliştirilmiştir. Bu hipotezler istatistiksel metotlar kullanılarak test edilmiş ve küme örnekleri verilerek geçerli kılınmıştır. Ayrıca, oluşturulan bütün kümelerin analizi, veri kümesi içindeki, müşteri ilişkilerini başarıyla yönetebilmek için bilgiye dönüştürülebilen gizli niteliklerin keşfedilmesini mümkün kılmaktadır.

This thesis investigates the potential benefits of Radio Frequency Identification (RFID) Technology at shopping cart tagging level in grocery retailing. For this purpose, a grocery shopping cart is equipped with a wireless video camera. The customers of the store, in which the experiments are conducted, use this cart during their shopping travels. The location of the shopping cart is reasonably close to the location of the customer, therefore the recorded path information, via the camera attached to the shopping cart, is considered as the shopping path information of the customer. Along with this shopping path information, shopping lists and receipts of customers are collected. The collected data is analyzed by using a data mining tool, clustering. Clustering is segmentation of data objects into different groups, such that the objects in the same group are more similar, in some sense, than the objects in the other groups. We develop a number of optimization-based mathematical models in order to use for clustering our data, instead of using the existing ones. The models that consider the shopping path information are classified into two groups: ?shopping-path based clustering? and ?time-based clustering.? The first group of models considers in which sequence the store coordinates are visited by each customer. The second group of models ignores this information and only considers the time spent at each store coordinate by each customer. The remaining two models are solved for the shopping list and shopping receipt data. We explore that the different type of models provide different insights into the in-store shopping behaviors. In addition, we develop some hypotheses about shopping trends depending on the evaluation of the cluster results. These hypotheses are tested by using statistical methods and are validated by providing cluster examples. Moreover, analysis of all generated clusters enables us to discover hidden characteristics, which can be converted into knowledge in order to manage customer relations successfully, in our data set.