Customer segmentation of an online retailer

Abstract

Data about customers and their shopping habits is one of the most valuable assets of many organizations. Processing customer data, discovering unknown patterns, and getting useful results from them are primary purposes of customer segmentation. In this study, it is aimed to segment the customers of one of the leading apparel retail companies in Turkey. The data gathered from the company's e-commerce web page consists of web analytics and product purchases of customers. For clustering customer data, K-means and Agglomerative are used, and the number of clusters is determined via different distance metrics and silhouette scores. Our analysis results show that there are differences in purchasing frequencies, quantities, campaign sensitivities, and site usage patterns among clusters. Since customers in the same cluster are expected to share common purchasing habits, we argue that this study would be of great use in loss churn analysis or in a product recommendation system.

Müşteri alışveriş alışkanlıkları verisi organizasyonların sahip oldukları en değerli kaynaklardan biridir. Müşteri verisini işleyerek, kapalı örüntüleri keşfedip, bunlardan anlamlı sonuçlar çıkarmak müşteri segmentasyonunun esas amacıdır. Bu çalışmada, Türkiye’nin önde gelen hazır giyim perakende şirketlerinden birine ait müşteri verisi üzerinden segmentasyon yapılması hedeflenmiştir. Şirketin internet sitesinden alınan müşteri verisi, müşterilere ait web analitik ve ürün alım verisini içermektedir. Çalışmamızda kümeleme algoritmalarından K-Ortalama ve Aglomeratif kullanılmış olup, farklı uzaklık metrikleri ve silüet skorlarına göre küme sayısı belirlenmiştir. Sonuçlar, kümeler arasında satın alma sıklıkları, miktarları, kampanya hassasiyetleri, site kullanım alışkanlıkları bazında farklılıklar olduğunu göstermektedir. Ayrıca, aynı küme içinde bulunan müşterilerin aynı veya çok benzer satın alma alışkanlıklarına sahip olacağı beklendiğinden segmentasyon çalışmasının çıktıları kayıp müşteri (churn) analizi ve ürün öneri sistemi için faydalı olacaktır.