Τμηματοποίηση πελατών στις υπηρεσίες του τουρισμού
| dc.contributor.advisor | Σμυρλής, Ιωάννης | |
| dc.contributor.author | Ιακωβίδη, Μαργαρίτα | |
| dc.date.accessioned | 2026-02-19T08:57:03Z | |
| dc.date.available | 2026-02-19T08:57:03Z | |
| dc.date.issued | 2026-01 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/18906 | |
| dc.description.abstract | Η τμηματοποίηση πελατών αποτελεί κεντρική πρακτική στο σύγχρονο μάρκετινγκ και στην επιχειρηματική αναλυτική, καθώς επιτρέπει στις επιχειρήσεις να κατανοούν καλύτερα τις διαφορές στη συμπεριφορά και στην αξία των πελατών τους και να διαμορφώνουν παρεμβάσεις με μεγαλύτερη ακρίβεια και καλύτερη τεκμηρίωση. Με τη δημιουργία ομάδων πελατών που παρουσιάζουν κοινά χαρακτηριστικά, ενισχύεται η αποτελεσματικότητα των ενεργειών μάρκετινγκ, η ορθολογική αξιοποίηση πόρων, καθώς και η βελτίωση της εμπειρίας και της πιστότητας των πελατών. Στο πλαίσιο αυτό, το μοντέλο RFM χρησιμοποιείται ευρέως ως σχήμα βαθμολόγησης που αποτυπώνει τρεις βασικές πτυχές της συναλλακτικής συμπεριφοράς: πόσο πρόσφατη είναι η τελευταία συναλλαγή ή επίσκεψη (Recency), πόσο συχνά επαναλαμβάνονται οι συναλλαγές (Frequency) και ποια είναι η συνολική χρηματική αξία που συνδέεται με τον πελάτη (Monetary). Έτσι, κάθε πελάτης αποτιμάται στις παραπάνω διαστάσεις βάσει προκαθορισμένων κανόνων βαθμολόγησης και, από τον συνδυασμό των βαθμών που προκύπτουν, κατατάσσεται σε τμήμα με σαφή επιχειρησιακή ερμηνεία, υποστηρίζοντας τη λήψη αποφάσεων και την προσεκτική διαχείριση της πελατειακής σχέσης. Στην παρούσα εργασία εξετάζεται η εφαρμογή του μοντέλου RFM στο περιβάλλον των τουριστικών υπηρεσιών και, ειδικότερα, στις ξενοδοχειακές επιχειρήσεις στην Ελλάδα. Κατά την ανάλυση διαπιστώθηκε ότι, στο συγκεκριμένο πλαίσιο, το κλασικό σχήμα RFM δεν επαρκεί καθώς δεν οδηγεί πάντοτε σε τμήματα με συνεπή και σαφή επιχειρησιακή ερμηνεία. Επιπλέον, η έντονη εποχικότητα επηρεάζει άμεσα τη διάσταση Recency, καθώς η χρονική απόσταση από την τελευταία επίσκεψη συχνά αποτυπώνει τον χρονισμό εντός της τουριστικής περιόδου και όχι κατ’ ανάγκη την πρόθεση επιστροφής. Παράλληλα, η διάσταση Monetary, όπως ορίζεται στο κλασικό RFM, αποτυπώνει κυρίως μεικτά έσοδα και δεν ενσωματώνει παράγοντες που επηρεάζουν την καθαρή συνεισφορά (π.χ. κόστος/προμήθειες καναλιού κράτησης). Ένας ακόμη κρίσιμος λόγος είναι ότι η διάσταση Frequency, όπως ορίζεται παραδοσιακά, δεν είναι πάντοτε κατάλληλη για να αποτυπώσει με σαφήνεια την αξία και τη συμπεριφορά των πελατών σε συνθήκες όπου η ζήτηση επηρεάζεται από έντονη εποχικότητα και όπου η κατανάλωση της υπηρεσίας δεν εκφράζεται μόνο μέσω της «επανάληψης», αλλά και μέσω της διάρκειας. Για τον λόγο αυτό προτείνεται ένα προσαρμοσμένο σχήμα RML, στο οποίο η Frequency αντικαθίσταται από τη Length of Stay (L), δηλαδή τη διάρκεια διαμονής, ώστε η τμηματοποίηση να αντανακλά τα χαρακτηριστικά της ξενοδοχειακής κατανάλωσης και να υποστηρίζει πιο ουσιαστικά τη λήψη επιχειρησιακών αποφάσεων. Το προτεινόμενο σχήμα εφαρμόστηκε σε δεδομένα πραγματικής ξενοδοχειακής μονάδας υψηλής κατηγορίας στην Ελλάδα. Μετά τη συλλογή, τον καθαρισμό και τη διαμόρφωση ενός συνεκτικού τελικού συνόλου δεδομένων, εφαρμόστηκαν ποσοτικές μέθοδοι ομαδοποίησης πελατών, αξιοποιήθηκαν τεχνικές απεικόνισης (διαγράμματα δένδρων) και κατασκευάστηκε ένας σύνθετος δείκτης που αποτυπώνει τη συνολική επίδοση κάθε πελάτη. Αποτέλεσμα της ανωτέρω επεξεργασίας ήταν ο εντοπισμός τεσσάρων διακριτών τμημάτων με σαφές επιχειρησιακό προφίλ: (α) πελάτες με παλαιότερες επισκέψεις, σύντομη διαμονή και χαμηλότερη δαπάνη, που συγκροτούν τμήμα υψηλού πλήθους αλλά χαμηλότερης μέσης αξίας, (β) πελάτες με μέση έως υψηλότερη αξία και μεσαίας διάρκειας διαμονές, οι οποίοι δεν είναι κατ’ ανάγκη πρόσφατοι, αλλά συνιστούν τον βασικό κορμό της ζήτησης, (γ) πρόσφατοι πελάτες με μεσαίο επίπεδο δαπάνης και μέση διάρκεια διαμονής, που αποτελούν τον κύριο πυρήνα των πρόσφατων επισκέψεων, και (δ) πελάτες υψηλής αξίας με μακρύτερες διαμονές, των οποίων η χρονική εγγύτητα της τελευταίας επίσκεψης διαφοροποιείται, αλλά οι οποίοι συγκεντρώνουν δυσανάλογα σημαντική συνεισφορά στη συνολική απόδοση και στη χρήση της διαθέσιμης δυναμικότητας. Συνολικά, η εμπειρική ανάλυση έδειξε ότι, στο υπό εξέταση περιβάλλον, η διαφοροποίηση των πελατών δεν αποτυπώνεται ουσιαστικά μέσω της «συχνότητας» επαναληπτικών επισκέψεων, καθώς η επιστροφή πελατών είναι περιορισμένη. Η τμηματοποίηση προκύπτει με μεγαλύτερη σαφήνεια όταν εστιάζει στην επικαιρότητα της σχέσης με την επιχείρηση, στη συνολική οικονομική συνεισφορά και στη διάρκεια διαμονής, παράγοντες που συνδέονται άμεσα με τον τρόπο δημιουργίας αξίας σε μικρές και εποχικές τουριστικές μονάδες. Ειδικότερα, η διάρκεια διαμονής αναδεικνύεται σε κρίσιμη διάσταση τόσο για την κατανόηση της ζήτησης όσο και για την επιχειρησιακή αξιοποίηση των αποτελεσμάτων, καθώς η σχέση πελάτη–καταλύματος εκφράζεται κυρίως εντός της διαμονής και όχι μέσω επαναγοράς. Τέλος, η ομαδοποίηση συμπληρώθηκε από έναν ενιαίο δείκτη επίδοσης, ο οποίος επιτρέπει συγκρίσιμη κατάταξη πελατών και εστίαση στους πλέον αποδοτικούς, παρέχοντας πρακτική βάση για κατευθύνσεις διαχείρισης με σεβασμό στα όρια των διαθέσιμων δεδομένων. | el |
| dc.format.extent | 151 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ | * |
| dc.title | Τμηματοποίηση πελατών στις υπηρεσίες του τουρισμού | el |
| dc.title.alternative | Customer segmentation in the tourism services sector | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Οικονομικών, Επιχειρηματικών και Διεθνών Σπουδών. Τμήμα Οικονομικής Επιστήμης | el |
| dc.description.abstractEN | Customer segmentation is a cornerstone of modern marketing and business analytics, enabling firms to better understand differences in customer behavior and value and to design interventions with greater precision and stronger evidence. By forming customer groups with shared characteristics, organizations can improve the effectiveness of marketing actions, allocate resources more rationally, and enhance customer experience and loyalty. Within this context, the RFM model is widely used as a rule-based scoring scheme that captures three key dimensions of transactional behavior: how recent the last transaction or visit is (Recency), how often transactions occur (Frequency), and the overall monetary value associated with the customer (Monetary). Each customer is scored on these dimensions using predefined scoring rules and, based on the resulting score combination, is assigned to a segment with clear managerial meaning, supporting decision-making and the systematic management of customer relationships. This study examines the use of the RFM model in the context of tourism services, with a particular focus on hotel businesses in Greece. The analysis indicates that, in this setting, the standard RFM scheme is not sufficient, as it does not consistently yield segments with stable and unambiguous managerial interpretation. In addition, strong seasonality directly affects the meaning of Recency, since the time elapsed since the last stay often reflects the timing of the visit within the tourist season rather than an actual intention to return. Moreover, the Monetary dimension in standard RFM captures primarily gross revenue and may not reflect net contribution, as it does not account for key drivers such as distribution-channel costs and the operational burden associated with servicing the stay. A key limitation is linked to the Frequency dimension as traditionally defined, which is not always well suited to capturing customer value and behavior under conditions of strong seasonality, where service consumption is expressed not only through repeat visits but also through the length of stay. For this reason, an adapted RML scheme is proposed, in which Frequency is replaced by Length of Stay (L), so that segmentation better reflects the characteristics of hotel consumption and provides more actionable support for managerial decisions. The proposed scheme was applied to data from a real high-end hotel property in Greece. Following data collection, cleaning, and the construction of a consistent final dataset, quantitative clustering methods were employed, visualization techniques (tree diagrams) were used to aid interpretation, and a composite performance indicator was developed to capture each customer’s overall contribution. This process resulted in four distinct segments with clear operational profiles: (a) customers with older visits, shorter stays, and lower spending, forming a large-volume but lower-average-value segment; (b) customers of medium to higher value with medium-length stays, not necessarily recent but constituting the core of demand; (c) recent customers with mid-range spending and an average length of stay, representing the main body of recent visits; and (d) high-value customers with longer stays, whose recency varies but who account for a disproportionately strong contribution to overall performance and capacity utilization. Overall, the empirical findings show that, in the setting examined, customer differentiation is not meaningfully captured through the “frequency” of repeat visits, as return behavior is limited. Segmentation becomes clearer when it emphasizes the recency of the relationship, total economic contribution, and length of stay—factors that align directly with value creation in small, seasonal tourism businesses. In particular, length of stay emerges as a critical dimension for both understanding demand and translating segmentation into managerial insight, since the customer–property relationship is expressed primarily within the stay rather than through repeat purchasing. Finally, clustering results were complemented by a unified performance indicator that enables comparable customer ranking and focuses attention on the highest-performing customers, offering a practical basis for management directions while respecting the constraints of the available data. | el |
| dc.contributor.master | Οικονομική και Επιχειρησιακή Στρατηγική | el |
| dc.subject.keyword | Μοντέλο RFM | el |
| dc.subject.keyword | Τμηματοποίηση πελατών | el |
| dc.subject.keyword | Τμηματοποίηση αγοράς | el |
| dc.subject.keyword | Ομαδοποίηση | el |
| dc.subject.keyword | Cluster analysis | el |
| dc.subject.keyword | Αναλυτική φιλοξενίας | el |
| dc.subject.keyword | Διάρκεια διαμονής | el |
| dc.subject.keyword | Τουρισμός | el |
| dc.subject.keyword | Αξία πελάτη | el |
| dc.date.defense | 2026-02-16 |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Τμήμα Οικονομικής Επιστήμης
Department of Economics
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα