Interacting of descriptive and predictive analytics with product networks: The case of Sam`s club

Abstract

Günümüzde büyük miktarda kullanılabilir veri bulunması nedeniyle büyük veri analizi birçok disiplinde son derece önemli bir konu haline gelmiştir. Kullanılabilir veri miktarı büyüdükçe, işletmelerin daha güvenilir ve daha doğru veri odaklı yönetim kararları alma ve büyük veri uygulamalarıyla değer yaratma gereksinimi de artmaktadır.Büyük veri analizinin günümüzde birincil teknoloji önceliği haline gelmesinin nedeni budur.Tez kapsamında öncelikle müşteri segmentasyonu bağlamında iki aşamalı kümeleme algoritması kullanılmıştır. Kümeleme aşamasından sonra, müşterilerin satın alma davranışlarına dayanarak yönetimsel içgörülerin ortaya çıkması ve her segment için pazarlama stratejilerinin geliştilmesi amacıyla kümelerin müsteri yaşam süresi değeri (CLV) hesaplanmıştır. İkinci aşamada, ürün ağı analizinde HITS algoritmasını ortaya çıkan örüntülerden değerli öngörüler edinmek, çapraz satış etkilerini keşfetmek, yinelenen satın alma alışkanlıklarını ve ürün ağlarında tetileyici ürünleri belirlemek amacıyla kullandık. Bu, gerçek hayattaki uygulayıcılar ve uygulamalar için göreceli olarak önemli işlemleri ilgili ürün setleriyle birlikte sıralayarak vurgulamak açısından önemlidir.Pratik uygulamalar açısından, önerilen metodolojinin dünyadaki diğer benzer işletmeler için uyarlanabilir ve uygulanabilir olduğunu ve potensiyel uygulamalar için bir yol haritası oluşturacağı öngörülmektedir.

Due to the fact that there are massive amounts of available data all around the world, big data analytics has become an extremely important phenomenon in many disciplines. As the data grows, the need for businesses to achieve more reliable and accurate data-driven management decisions and to create value with big data applications grows as well. That is the reason why big data analytics become a primary tech priority today.In this thesis, initially we use a two-stage clustering algorithms in the customer segmentation setting. After the clustering stage, the customer lifetime value (CLV) of clusters are calculated based on the purchasing behaviors of the customers in order to reveal managerial insights and develop marketing strategies for each segment. At the second stage, we used HITS algorithm in product network analysis to achieve valuable insights from generated patterns, with the aim of discovering cross-selling effects, identifying recurring purchasing patterns, and trigger products within the networks. This is important for practitioners in real-life application in terms of emphasizing the relatively important transactions by ranking them with corresponding item sets.From practical point of view, we foresee that our proposed methodology is adaptable and applicable to other similar businesses throughout the world, providing a road map for the potential applications.