Please use this identifier to cite or link to this item: http://essuir.sumdu.edu.ua/handle/123456789/72737
Title: Evolution of Customer Segmentation in the Era of Big Data
Other Titles: Еволюційний розвиток сегментації споживачів в епоху Big Data
Authors: Verdenhofs, A.
Tambovceva, T.
Keywords: сегментація
Big Data
прогнозна модель
дерево рішень
програмне середовище RapidMiner
segmentation
Big Data
predictive modelling
decision tree
RapidMiner
Issue Year: 2019
Publisher: Sumy State University
Citation: Verdenhofs, A. Evolution of customer segmentation in the era of Big Data [Текст] = Еволюційний розвиток сегментації споживачів в епоху Big Data / A. Verdenhofs, T. Tambovceva // Маркетинг і менеджмент інновацій. - 2019. - № 1. - С. 238-243. - DOI: http://doi.org/10.21272/mmi.2019.1-20
Abstract: Розвиток інформаційних технологій (ІТ) спричиняє збільшення масиву даних (Big Data), які необхідно генерувати, зберігати та обробляти для задоволення потреб споживачів. При цьому сегментація, як один із маркетингових інструментів, може сприяти розвитку торговельної діяльності організації та отриманню вигід від неї. Поряд із цим автори зазначають, що маркетологам та особам, які приймають рішення, важливо розуміти основні принципи прогнозного моделювання та аналізу Big Data з точки зору сегментації ринку. Результати дослідження свідчать, що маркетинг та ІТ поєднуються внаслідок дайджиталізації, а статистика набуває все більшого значення завдяки зростанню Big Data та можливостей інтелектуального їх аналізу. Метою даного дослідження є формування принципів поділу споживачів на відповідні сегменти, використовуючи прогнозне моделювання на основі Big Data компанії. Вихідні данні для дослідження надані небанківською кредитною установою Латвії АТ «4finance». Таким чином, у ході дослідження, процес інтелектуального аналізу даних описаний та виконаний на основі інформації, наданої вищезазначеною компанією. З метою здійснення інтелектуального аналізу даних та виокремлення сегментів клієнтів автори використали програмне середовище RapidMiner та застосовували методологію інтелектуального аналізу даних CRISP-DM. У ході дослідження для оцінки економічного ефекту від створеної моделі сегментації споживачів (11321 споживача), автори перевірили три види діяльності компанії. У ході дослідження усіх клієнтів було поділено на дві групи відповідно до створеної прогнозної моделі: перша група складається із клієнтів, які згідно прогнозам, стануть неактивними, тоді як друга група представлена клієнтами, пасивність яких не передбачалась. Окрім цього, усіх клієнтів було поділено на три групи, які містять аналогічний розподіл за очікуваним результатом. Таким чином, на основі отриманих результатів дослідження автори виявили загальні характеристики сегментації та прогнозного моделювання. На основі результатів проведеного емпіричного дослідження авторами визначено, що створення споживчих сегментів є можливим за допомогою прогнозної моделі високої складності, не використовуючи при цьому статистичних кодів програмного забезпечення. Так, результати дослідження дають підстави стверджувати, що впровадження сегментації на основі інтелектуального аналізу даних та прогнозного моделювання можуть принести економічні вигоди організації у ключових сферах її діяльності. Таким чином, створена у ході дослідження модель сегментації демонструє економічні вигоди для компанії. Автори зазначають, що даний сегментаційний підхід можна використовувати у різних сферах бізнесу.
The development of information technology (IT) causes an increase in the amount of data to be created, stored and processed for the needs of various organizations. Segmentation is one of the marketing tools can help the organization to promote sales activities and benefit from it. It is important for marketing practitioners and decision makers to understand the concept of predictive modelling and have an understanding of how to use big data for segmentation purposes. Marketing and Information Technology are blending due to digitalization, statistics is becoming more important due to the rise of big data and data mining opportunities. Boarders of different disciplines are becoming vaguer and interconnection of disciplines can be observed more often. The purpose of the study is to create customer segments based on predictive modelling by using big data available in an organization. Data for modelling is used from a non-banking lending company based in Latvia AS 4finance. The process of data mining is described and performed in the study using data provided by the company. For the data mining process and the development of customer segments, the authors selected RapidMiner Studio software and used CRISP-DM data mining methodology. Three types of activities were tested to evaluate the economic benefit of created segmentation model on overall 11321 customers. All customers were segmented into two groups based on the created predictive model – one group contained customers that were predicted to become an inactive and second group with customers that were not predicted to become inactive. All customers were split into three groups containing a similar split of predicted outcome. Three different types of activities were performed with all three groups. As a result, common characteristics of segmentation and predictive modelling were identified. The results of the empirical study show that it is possible to create customer segments by using sophisticated predictive model. This can be achieved without having to write statistical software codes. The study results also show that the organization can benefit from the implementation of segmentation based on data mining and predictive modelling in key business areas. Segmentation model created during research show economic benefit for the company. Authors also indicate that this segmentation approach can be replicated in different business areas.
URI: http://essuir.sumdu.edu.ua/handle/123456789/72737
Type: Article
Appears in Collections:Маркетинг і менеджмент інновацій

Views
Other21
Downloads
Other57


Files in This Item:
File Description SizeFormatDownloads 
Verdenhofs_ММІ_01_2019.pdf236.15 kBAdobe PDF57Download


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.