RFM ANALYSIS AND ASSOCIATION RULES ANALYSIS IN DETERMINING CUSTOMER PROFILE AND SHOPPING MOVEMENTS: AN APPLICATION IN RETAIL INDUSTRY

Öz

With today's technology, the world of fast marketing has now moved away from product-based combined strategies, understood the change in the customer factor, and the efforts to change the customer from the focal point to the point have been carried out in this direction. In this retail sales sector, it is possible to analyze the growth in shopping in the region, to create customer profiles and to present offers suitable for each customer profile. The study consists of two stages. In the first step, the product of growth was determined by RFM analysis. Throughout the RFM analysis, the recent purchase has been segmented according to transaction costs and purchase volume, then a campaign scheme has been proposed to suit each segment. In the second stage, the links between the purchased products were analyzed by the Apriori Algorithm, which is one of the association rules analysis used in data mining. In this way, sustainable strategies for which products can be purchased together and profited begin to be guided. According to the demonstration of the study, 10 different customer settings are offered. The customer profiles that have the highest expenditure amounts and the profitable customer profile for the company are “Champions”, and the customer profiles that we call the lost customers who are the least profitable and have hardly made any purchases recently are determined by the “Hibernation” customer profiles.

Anahtar Kelimeler

• Data Mining
• RFM Analysis
• Apriori Algorithm
• Market-Basket Analysis
• Retail Industry

MÜŞTERİ PROFİLİ VE ALIŞVERİŞ HAREKETLERİNİ BELİRLEMEDE RFM ANALİZİ VE BİRLİKTELİK KURALLARI ANALİZİ: PERAKENDE SEKTÖRÜNDE BİR UYGULAMA

Öz

Günümüzde gelişen teknolojiyle birlikte hızlı değişen pazarlama dünyası artık ürün bazlı alınan stratejilerden uzaklaşarak, müşteri faktörünün önemini anlamış ve müşteriyi odak noktasına koyarak çalışmaları bu yönde yapmıştır. Bu çalışmada perakende sektöründe, müşterilerin alışverişteki davranışları analiz edilerek müşteri profilleri çıkarılıp her bir müşteri profiline uygun kampanya stratejilerinin geliştirilmesi amaçlanmıştır. Yapılan çalışma iki aşamadan oluşmaktadır. Birinci aşamada, müşterilerin satın alma alışkanlıkları RFM analizi ile belirlenmiştir. RFM analizi aracılığıyla müşterinin yakın zamanda satın alma işlemi, işlem sıklığı ve satın alma büyüklüğüne göre segmentlere ayırılmıştır, sonrasında ise her segmente uygun olacak kampanya stratejileri önerilmiştir. İkinci aşamada ise veri madenciliğinde kullanılan birliktelik kuralları analizinden biri olan Apriori Algoritması kullanılarak müşterilerin satın aldıkları ürünler arasındaki bağlantıları analiz edilmiştir. Böylelikle müşterilerin hangi ürünleri birlikte satın aldıkları belirlenip kârı arttırmaya yönelik yapılabilecek stratejilere yön verilmeye çalışılmıştır. Çalışmanın sonuçlarına göre 10 farklı müşteri kümesi oluşturulmuştur. Harcama tutarları en yüksek olup, şirket açısından en karlı müşteri profilinin “Champions” olduğu, en az kârlı ve yakın zamanda neredeyse hiç alışveriş yapmamış kayıp müşteri olarak adlandırdığımız müşteri profillerinin ise “Hibernating” müşteri profilinin olduğu belirlenmiştir.

Anahtar Kelimeler

• Veri Madenciliği
• RFM Analizi
• Apriori Algoritması
• Pazar-Sepet Analizi
• Perakende Sektörü

Kaynakça

1. Agrawal, R., Imieliński, T. & Swami, A. (1993). Mining association rules between sets of items in large databases. SIGMOD Rec., 22(2), 207–216. https://doi.org/10.1145/170036.170072.
2. Agrawal, R. & Srikant, R. (1994, 12-15 Eylül). Fast algorithms for mining association rules in large databases. Proceedings of the 20th International Conference on Very Large Data Bases, Santiago de Chile.
3. Akpınar, H. (2000). Veri Tabanlarında Bilgi Keşfi ve Veri Madenciliği. İstanbul Üniversitesi İşletme Fakültesi Dergisi, 29(1), 1-22.
4. Aktepe, C., Baş M. & Tolon M. (2018). Müşteri ilişkileri yönetimi. Detay Yayıncılık, Ankara.
5. Alan, M. A., (2012). Veri madenciliği ve lisansüstü öğrenci verileri üzerine bir uygulama. Dumlupınar Üniversitesi Sosyal Bilimler Dergisi, 33, 165-174.
6. Ateş, Y. & Karabatak, M. (2017). Nicel birliktelik kuralları için çoklu minimum destek değeri. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 29(2), 57-65.
7. Ayberkin, D. & Özen, Ü. (2021). Blokzincir teknolojisinin dijital reklam ve pazarlama sektöründe kullanımı: Modelleme çalışması ve kavramsal bir çerçeve. Journal of Business in The Digital Age, 4(2), 165-171. DOI: 10.46238/jobda.1021911.
8. Berger, D.P. & Nasr, N.I. (1998). Customer lifetime value: Marketing models and applications, Journal of Interactive Marketing, 17-30.

9. Blattbergs, R. C. & Malthouse, E.C. (2009). Customer lifetime value: Empirical generalizations and some conceptiual questions. Journal of Interactive Marketing, 23, 157-168.
10. Bult, J. R. & Wansbeek, T. (1995). Optimal Selection for Direct Mail. Marketing Science, 14(4), 378-394.
11. Das, A., Ng, W.K. & Woon, Y.K. (2001, 5-10 Kasım). Rapid association rule mining. Proceedings of the 2001 ACM CIKM International Conference on Information and Knowledge Management, Atlanta, Georgia, USA.
12. Chang, H.H. & Lai, T.Y. (2009). The Taipei Mrt (mass rapid transit) tourism attraction analysis from the inbound tourists' perspectives. Journal of Travel & Tourism Marketing, 26(5-6), 445-461.
13. Emel, G.G., Taşkın, Ç. & Tok, A. (2005). Pazarlama Stratejilerinin Oluşturulmasında Bir Karar Destek Aracı: Birliktelik Kuralı Madenciliği. Dokuz Eylül Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 7(3), 30-59.
14. Erdoğan, N.K., Gülcan, B. & Karamaşa, Ç. (2015, 31 Ekim). Birliktelik kuralları ve uygulamaları: Literatür taraması (2000-2014). 13.Uluslararası Türk Dünyası Sosyal Bilimler Kongresi, Bakü, Azerbaycan.
15. Erpolat, S. (2012). Otomobil yetkili servislerinde birliktelik kurallarının belirlenmesinde Apriori ve FP-Growth Algoritmalarının karşılaştırılması. Anadolu Üniversitesi Sosyal Bilimler Dergisi, 12(2), 137-146.
16. Erpolat Taşabat, S. & Akca, E. (2020). Recycling project With RFM analysis in industrıal material sector. Sigma: Journal of Engineering & Natural Sciences, 38(4), 1681-1692.
17. Gao, W. (2004). A hierarchical document clustering algoritm [MSc Thesis]. Dalhousie University, Halifax, Nova Scotia.
18. Han, J. & Kamber, M. (2006). Data mining: Concepts and techniques, 2nd. University of Illinois at Urbana Champaign: Morgan Kaufmann.
19. Hand, D.J. (1998). Data mining: Statistics and more? The American Statistician, 52(2), 112118.
20. Jabbour, S., El Mazouri, F.E. & Sais, L. (2018). Mining negatives association rules using constraints. Procedia Computer Science, 127, 481-488.
21. Kabasakal, İ. (2020). Customer segmentation based on recency frequency monetary model: A case study in E-retailing. Bilişim Teknolojileri Dergisi, 13(1), 47-56.
22. Kumar, V. & Reinartz, W. (2012). Customer relationship management: Concept, strategyand tools. Springer Science&Business Media.
23. Lai, C., Lu & Jin. (2018). Evaluating the efficiency of currency portfolios constructed by the mining association rules. Asia Pacific Management Review, 23(3), 161-234.
24. Orbak, İ. (2022). Perakende sektöründe kullanılan teknolojik ürünlerin müşteri ilişkileri üzerindeki rolünün incelenmesi. Uludağ Üniversitesi Mühendislik Fakültesi Dergisi, 27(2), 663-680. DOI:10.17482/uumfd.1092745.
25. Özçakır, F. C. & Çamurcu, A.Y. (2007). Birliktelik kuralı yöntemi için bir veri madenciliği yazılımı tasarımı ve uygulaması. İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi, 6(12), 21-37.
26. Rençber, S. Ö. & Özdemir, A. (2019). Almanya ve Türkiye’deki büyük veri uzmanlarının eğitim ve yeteneklerinin karşılaştırılması: Linked-in veri madenciliği uygulaması. Veri Bilimi, 2(1), 35-43.
27. Sadiqmal, F. (2015). Implementation of some medical data using Apriori algorithm [Master Thesis]. Sakarya University, Institute of Science and Technology, Sakarya.
28. Salvatore, O., Perego, R. & Silvestri, C. (2004). A new algorithm for gap constrained sequence mining. SAC '04 Proceedings of the 2004 ACM Symposium on Applied Computing, 540-547.
29. Sözen, E., Bardak, T., Peker, H. & Bardak, S. (2017). Apriori algoritmasi kullanılarak mobilya seçimde etkili olan faktörlerin analizi. İleri Teknoloji Bilimleri Dergisi, 6(3), 679-684.
30. Timor, M., Ezerçe, A. & Gürsoy, U. (2011). Müşteri profili ve alışveriş davranışlarını belirlemede kümeleme ve birliktelik kuralları analizi: Perakende sektöründe bir uygulama. Yönetim Dergisi: İstanbul Üniversitesi İşletme Fakültesi İşletme İktisadı Enstitüsü, 22(68), 128-147.
31. Tsao, YC, Raj, PVRP. & Yu, V. (2019). Müşteri segmentasyonu ve panik satın alma davranışı dikkate alınarak farklı gramaj ve markalarda ürün değişimi. Endüstriyel Pazarlama Yönetimi, 77, 209–220.
32. Webb, G.I. (2003). Association rules. In Nong Ye (Edt.), The handbook of data mining. Lawrence Erlbaum Associates, Inc. New Jersey.
33. Wu, W. T., Li, Y. J., Feng, A. Z., Li, L., Huang, T., Xu, A. D. & Lyu, J. (2021). Data mining in clinical big data: the frequently used databases, steps, and methodological models. Military Medical Research, 8(1), 1-12.
34. Yıldırım, B. (2019). Modern perakendecilik sektöründe veri madenciliği tekniklerinin uygulanması [Yüksek Lisans Tezi]. İstanbul Üniversitesi-Cerrahpaşa, Lisansüstü Eğitim Enstitüsü, İstanbul.
35. Yüksel, T. & Zontul, M. (2019). Dağıtık sistemlerde birliktelik kuralları ile sepet analizi. AURUM Journal of Engineering Systems and Architecture, 3 (1), 65-77.
36. Zabkowski, T.S. (2016). RFM approach for telecom insolvency modeling. Kybernetes, 45(5), 815-827. https://doi.org/10.1108/K-04-2015-0113
37. Zaki, M. & Hsiao, C.J. (2002, 11-13 Nisan). CHARM: An efficient algorithm for closed itemset mining. Proceedings of the Second SIAM International Conference on Data Mining, Arlington, VA, USA.