Τμηματοποίηση πελατών και πρόβλεψη αποχώρησης : μελέτη περίπτωσης ελληνικής εταιρείας διαδικτυακής παραγγελίας και διανομής προϊόντων

Abstract

Στη σημερινή εποχή, όπου οι επιχειρήσεις καλούνται να διαχειριστούν δεδομένα μεγάλου όγκου και πολυπλοκότητας, η ορθή αξιοποίησή τους αποτελεί κρίσιμο παράγοντα για τη διατήρηση ανταγωνιστικού πλεονεκτήματος. Η παρούσα εργασία εξετάζει την περίπτωση επιχείρησης που δραστηριοποιείται στον κλάδο της online διανομής προϊόντων (φαγητού, ειδών σούπερ μάρκετ κ.ά.), αξιοποιώντας πραγματικά δεδομένα πελατών. Αρχικά, πραγματοποιείται καθαρισμός και διερευνητική ανάλυση των δεδομένων με στόχο την κατανόηση των βασικών προτύπων συμπεριφοράς, αλλά και των χαρακτηριστικών της πελατειακής βάσης (πιο δημοφιλείς και πιο προσοδοφόρες κατηγορίες προϊόντων, χρήση εκπτωτικών προσφορών, γεωγραφική κατανομή των καταναλωτών κ.ά). Στη συνέχεια εφαρμόζονται δύο πελατοκεντρικές προσεγγίσεις: (α) τμηματοποίηση πελατών (Customer Segmentation) με τη μεθοδολογία RFM (Recency, Frequency, Monetary), ώστε να αναδειχθούν διακριτές ομάδες με κοινά χαρακτηριστικά για στοχευμένες ενέργειες μάρκετινγκ και ευρύτερες επιχειρησιακές αποφάσεις, και (β) πρόβλεψη αποχώρησης (Churn Prediction) με μοντέλα μηχανικής μάθησης (Logistic Regression, Random Forest, XGBoost). Για την αντιμετώπιση της ανισορροπίας κλάσεων που παρατηρείται στο σύνολο δεδομένων, εφαρμόζονται τεχνικές resampling (SMOTE Oversampling, Random Undersampling). Τέλος, τα μοντέλα αξιολογούνται και συγκρίνονται με βάση κατάλληλες μετρικές, με σκοπό την επιλογή εκείνου που είναι καταλληλότερο για επιχειρησιακή εφαρμογή.