Modeling and predicting customer purchase behavior in the grocery retail industry

Abstract

Günümüz iş dünyasında, perakende sektöründeki şirketler son derece rekabetçi bir ortamda faaliyet göstermektedir. Böyle yoğun bir rekabet, şirketleri daha hedefli pazarlama stratejileri ve kişiye özgü hizmetler uygulayarak müşterileri ile yakın ve uzun vadeli ilişkiler geliştirmeye zorlamıştır. Bu gibi kişiye özgü hizmetler uygulamak için, müşteri satın alma davranışlarının modellenmesi ve tahmin edilmesi esastır. Buna göre, bu tez, esas olarak, geçmiş müşteri alımları üzerine makine öğrenme teknikleri kullanılarak perakende sektöründe müşterilerin satın alma davranışlarını modellemeyi ve tahmin etmeyi amaçlamaktadır. Bu amaçla, müşteri segmentasyonu, ürün segmentasyonu, müşterilerin bireysel satın alma davranışlarının tahmini, alışveriş listesi tahminini çalışmaları yapılmış, yeni bir değerlendirme metriği ve öneri listesi boyutunu belirleyen bir yaklaşım önerilmiştir. Bu tez, müşteri satın alma davranışını araştırmak ve işlem verilerindeki gizli kalıpları belirlemek isteyen akademisyenler ve araştırmacılar için değerli bir referans olabilir ve kişiye özgü hizmetler ve pazarlama faaliyetleri geliştirilmesinde perakende sektöründeki pazarlamacılar ve karar vericilere önemli faydalar sağlar.

In today's business, grocery retail industry companies operate in highly competitive environment. Such an intense competition have compelled companies to develop close and long-term relationships with their customers by implementing more targeted marketing strategies and personalized services. To implement such customized services, modelling and predicting customer purchase behaviors are essential. Accordingly, this thesis mainly aims to model and predict the customers' purchasing behavior in the grocery retail industry using machine learning techniques on past customer purchase logs. To this end, customer segmentation, product segmentation, prediction of customers' individual purchase behaviors, and shopping list prediction are studied and a novel evaluation metric and an approach for determining recommendation list size are proposed. This thesis may serve as a valuable reference for academics and researchers who are willing to investigate customer purchase behavior and identify hidden patterns in their transactional data, and also promises substantial benefits to marketers and decision makers of grocery retailing industry in developing customized services and marketing activities.