Customer profile change analysis

Abstract

Veriden bilgi çıkarmanın önemi tüm dünyada artıyor. Şirketlerin bu değerli bilgileri müşterileriyle olan ilişkilerinde etkin bir şekilde kullanabilmeleri çok önemli hale gelmiştir. Hem B2B (Business to Business) şirketleri hem de B2C (Business to Consumers) şirketleri, mevcut müşterilerini gruplandırmak ve belirli müşteri gruplarına özel promosyonlar oluşturmak temelinde müşteri odaklı bir strateji uygulamalıdır. Bu, müşterinin şirket için yaşam boyu değerinin önemini artıracaktır. Bu çalışma, farklı sektörlerden elde edilen üç farklı veri seti kullanılarak RFM (Yenilik, Frekans, Parasallık) analizi ile müşterilerin segmente edilmesini amaçlamaktadır. Çalışma tekstil, ayakkabı perakendeciliği ve e-ticaret alanlarındaki veri setleri ile gerçekleştirilmiştir. Tekstil şirketinden alınan veriler, yıllar içindeki değişimi izlemek ve en değerli müşterileri belirlemek için kullanılmıştır. Müşteri profilleri kapsamlı bir analize tabi tutulur. Amaç, belirlenen bu segmentte müşteri odaklı çalışmaya yeni bir bakış açısı kazandırmaktır. Ayakkabı perakendeciliği ve e-ticaret veri kümeleri üzerine yapılan bağımsız bir çalışmada da müşteriler, müşteri yaşam boyu değerine göre üç grupta sınıflandırılmıştır ve çeşitli makine öğrenme algoritmaları kullanılarak her bir segment için projeksiyonlar yapılmıştır. Bu çalışma ayrıca, müşteri yaşam boyu değerini (CLTV) tahmin etmek için makine öğrenimi modellerini uygulamayı ve CLTV tahmini için önceki çalışmalarda elde edilen doğruluğu ve performansı iyileştirmeyi amaçlamaktadır. Bu çalışma kapsamında araştırma üç aşamalı bir prosedür kullanılarak yürütülmektedir. Başlangıç aşamasında, RFM yöntemi uygulanmıştır ve yüzdelik tabanlı gruplama yöntemi kullanılmıştır. İkinci adımda, müşteri verilerinin kümelenmesi için K-Means algoritmasından yararlanılmıştır. Optimum küme sayısı, her veri seti için bağımsız olarak belirlenir. Ayrıca, tekstil veri seti çalışması kapsamında K-Means ve DBSCAN algoritmaları kullanılarak kümeleme sonuçları karşılaştırılmıştır. Üçüncü ve son adımda ise CLTV'ye göre oluşturulan gruplar için segment tahmini çalışılmaktadır. Sonuçlar, gelecekteki araştırmalara ışık tutabilecek ve karar vericilere daha iyi müşteri etkileşimleri, farklı pazarlama stratejileri ve daha verimli kaynak tahsisi oluşturmada yardımcı olabilecek içgörüler sağlar.

The importance of extracting information from data is increasing all over the world. It has become crucial for companies to utilize this valuable information effectively in their relationships with their customers. Both B2B (Business to Business) companies and B2C (Business to Consumers) companies should implement a customer-oriented strategy based on grouping their existing customers and creating special promotions for specific customer groups. This would raise the importance of the customer's lifetime value for the company. This study aims to segment the customers with RFM (Recency, Frequency, Monetary) analysis using three different datasets obtained from different industries. The study is conducted with datasets in the fields of textile, shoe retail, and e-commerce. Data from the textile company is utilized to track the change over the years and identify the most valuable customers. The customer profiles undergo comprehensive analysis. The objective is to provide a new perspective to a customer-oriented study in this determined segment. In an independent study on shoe retail and e-commerce datasets, the customers are also classified into three groups based on customer lifetime value, and the projections for each segment are made using various machine learning algorithms. This study additionally intends to apply machine learning models to predict customer lifetime value (CLTV) and improve the accuracy and performance acquired in earlier studies for CLTV prediction. Within the scope of this study, research is conducted using a three-step procedure. In the initial phase, the RFM method is applied and applied percentile-based grouping method. In the second step, the K-Means algorithm is utilized for clustering the customer data. The optimal number of clusters is determined independently for each dataset. In addition, within the textile dataset study, clustering results is compared using K-Means and DBSCAN algorithms. In the third and last step, segment prediction is studied for groups formed according to CLTV. The results provide insights that can shed light on future research and aid decision-makers in establishing better customer interactions, distinctive marketing strategies, and more efficient resource allocation.