PERAKENDE SEKTÖRÜNDE VERİ MADENCİLİĞİ

7/31/2019 PERAKENDE SEKTRNDE VER MADENCL

1/16

STANBUL:Zmrtevler Atatrk Cad. Nazmi lker Sk. No:24 34852 Maltepe Tel:+90 216 4573460 Fax: +90 216 4573461

ANKARA :Simon Bolivar Cd. Mahmut Yesari Sk. No:8/5 06550 ankaya Tel:+90 312 4396031 Fax: +90 312 4396034SPSS Trkiye

PERAKENDE

SEKTRNDE VER

MADENCL

SPSS ;Baarl kurumlarn baarsnn srekliliinin

garantisi

SPSS; pazarlamadan- insan kaynaklarna veriye dei

bilgiye dayal ynetimin anahtar


2/16



Perakende Sektrnde Verinin

nemi, Bilginin Gc

Bir marketde veya , bir maazada alveri

yaptnz ve deme iin kasalarn

nndesiniz. Gzlerinizi kapatn ve

ortamdaki sesleri dinleyin. Kasalardan

yaplan ilemlerin sesi, her ilemde ou

zaman birden fazla rn fiyatnn girii ile

her bir ilemde miktar artan ham veri. Btn

kurulular gibi perakende sektrnde de bu

veriler veri tabanlarnda saklanyor ve

firmaya rekabet avantaj salayacak nitelikli

BLG bu ham verilerin ierisinde gizli.

Nitelikli bilgi, kuruma mteri odakl olma,

hilekarlkla mcadele etme, maliyetlerini

etkin ynetme ve hzl, etkin ve doru

kararlar alma avantaj salyor. Verilerin

toplanmasn salayan sisteme baktmzdanemli bir biliim alt yaps, veri taban gibi

yksek maliyetli bir yatrm sz konusu. Bu

yatrmn ynetimine dair uygulanacak

strateji kritik nemdedir; verileri ham veri

olarak biriktirmeye devam etmek veya ham

verileri nitelikli bilgi ye dntrmek, akan

veri ile e zamanl bir kurumsal bilgi sistemi

oluturmak. Kurumun yapt yatrmnamacna ulamas bu verilerin analiz

edilmesini ve bilgiye dntrlmesini

gerektirir. Toplanmakta olan ham verilerden

nitelikli bilgiye ulalmasnda istatistik, veri

madencilii gibi ngrsel analiz yntemleri

kullanlmaktadr. Mevcut yatrmn zerine

yaplan, mevcut yatrma kyasla ok dk

bir yatrm ile yaplan btn yatrmn geri

dnmn (ROI) i avantaj, rekabet

gc olarak kazanlmaktadr. Sonu olarak,

gnmz rekabeti piyasasnda kurumsal

baarnn anahtar analitik uygulamalardr.

Veri Madenciliine DairNotlar

Veri madencilii ham veri setlerinde gizli

olan nemli modelleri (patterns) ve ilikileri

ortaya karmak iin ok sayda ileri veri

analiz yntemini kullanr. Bunlar statistik

kkenli algoritmalar, matematiksel

algoritmalar ve yapay zeka algoritmalarn

(sinir alar ve karar aalar, kohonen alar

vb.) ierir. Veri madencilii i probleminin

zmne uygun verinin farkl kaynaklardan

toplanmas, veri kalitesinin arttrlmas,

verinin grafikler ile incelenmesi, veri

zerinde gerekli modifikasyonlarn yaplmas

ve en nemli adm olan verinin detayl

analizini ve ngrler ile karar desteinin

salanmasn kapsar. Veri madencilii, veri

akmaya devam ederken kurulua e


3/16



zamanl kurumsal karar destei salamay

hedefler. Raporlama ve OLAP (Online

Analytical Processing) zmleri gemite

ne olduunu anlamak iin nemli aralardr.

Veri madencilii ise gemii anlamann yan

sra mevcut durumu ok boyutlu olarak

deerlendirmek ve gelecekte ne olacan

anlamak iin bir sretir.

Perakende Sektrnde VeriMadencilii Uygulamalar

Mteri Segmentasyonu

Mteri Segmentasyonu, kurum

mterilerinin i ihtiyalar

dorultusunda snflandrlmasdr.

Mteri segmentasyonu ile benzer

davran (satn alma, terk etme, vb.)

gsteren, benzer deer ve ihtiyalar

olan mteriler kmelere ayrlr. Bu

sayede doru mteri kitlelerine doru

stratejilerle yaklalabilir.

Youn rekabetin yaand perakende

sektrnde sunulan mal ve hizmetlerin

giderek birbirine benzemesi, deme

sistemlerinde uygulanan indirim ve

taksit stratejilerinin farkllk

gstermemesi gibi nedenlerden trmteri nceliklerinin ok iyi

belirlenmesi, birebir pazarlamaya

ynelme ve apraz sat frsatlarnn

yaratlmasnda mteri

segmantasyonu kritik neme sahiptir.

Mteri Deer Segmentasyonu

Mterilerin karllk deerlerine gre

sralanmasn ve kmelenmesini salayan

almadr.

Mteri deer segmentasyonu ile hangi

mteriler kurum iin en karldr, hangimteriler daha karl hale getirilebilir, gibi

sorulara cevap alnabilir. Bu bilgi ile kurum


4/16



karllk segmentlerine gre farkl

mterilerine farkl pazarlama stratejileri

gelitirebilir.

Mteri Davran Segmentasyonu

Mterilerin davran biimlerine gre

snflandrlmas ile yaplan segmentasyon

almasdr. Mteri ziyaret saatleri,

alveriteki dnemsellik, kampanyalara

cevap verme ekli, alveri biimleri gibi

ltler kullanlr.

htiya Bazl Segmentasyon

Mterilerin neden belirli bir firmay,

rn kullandnn, mteri

davranlarnn temelinde yatan

sebeplerin ortaya kartlmas

hedeflenir

Ortak ihtiyalar ile farkllaan

ihtiyalarn ayrmnn yaplmasn

salar

Terkedecek Mterilerin Tahmini

(Churn Prediction)

Alveri skl azalan ya da alverii

tamamen kesen mteri profillerinin

kartlmas hedeflenmektedir.

irketin nemli segmentlerinde

bulunan mterilerin (Yksek Deerli

Mterilerin) terketmesini engelleyen,

mteri balln arttran ve sat

seviyesini koruyan aksiyonlarn

gelitirilmesiamalanr. Veri tabannn

ok az bir ksmn oluturan deerli

mteriler genellikle satn %80nini

olutururlar)

Proaktif olarak mteriyi elde tutmak,

mevcut mteri ilikisi ypranmadan

mteri ile ilikileri glendirmek

hedeflenir.


5/16



apraz Sat nerileri

rnler aras ilikilerin ortaya

kartlmas, yani birlikle satlabilecek

rnlerin ortaya kartlmas hedeflenir.

Bu tr bir alma sonucunda elde

edilen bilgiler ile yeni kampanya ve

nerilerin oluturulmas ya da

maazann raf tasarmnn srekli

yenilenmesi salanr.

zel Gnleriin Kampanya

Ylba, anneler gn, sevgililer gn

ve bayram gnleri gibi alveri

olaslnn artt ve kurumlarn

gelirlerini en st seviyelere

kartabilecei gnlerde, alveri

potansiyeli yksek olan profillerin tespit

edilmesi ve bu profillere uygun

duyurularn gerekletirilmesi salanr

Maazalarn Segmente Edilmesi ve

Maaza Sat Stratejilerinin

Belirlenmesi

Ziyaret eden mteriler ve segmentleri

gz nnde bulundurarak maazalar

segmente edilir

Mterilerin alveri biimleri ve

tercihleri analiz edilerek maazabaznda sat tahminleri yaplr ve bu

tahminler dorultusunda maaza

stratejileri belirlenir.

Veri Zenginletirme almalar

Veri zengiletirme almalar ile

mterilerin kurum ve rnler ile ilgili

grlerinin, dncelerinin, ikayet ve

beklentilerinin periyodik olarak takip

edilebildii bir alt yap kurulur.

Farkl kaynaklardan toplanan verilerin

ayn havuzda toplanmas ve mteri veri

tabannn beslenmesiyle veri

zenginletirilmesi ve veri kalitesinin

ykselmesi mmkn olmaktadr.

Kurumun kulland tm modeller

(mteri segment modelleri, churn

modelleri, vs.. ) mteri verileri


6/16



zenginletirdike gncellenir ve

tahminlerin doruluuarttrlr

Veri madencilii almalar genellikle

kalitesi dk olan veriler ile balar ve

artan baar ile birlikte veri kalitesi de

otomatik olarak artmaya balar.

YeniMaaza Lokasyon Seimi

Yeni maaza allar uzun ve maliyetli

bir sretir.Mevcut maazalarn mteri

profili, verimlilii, maaza nitelik verileri

(konsept, byklk, eleman says, vb.)

evresel zelliklerine dair konumsal

nitelikler gibi veriler analiz edilerek;

o Performans yksek maaza profili

ortaya kartlr. Maaza almas olas

noktalardan karl maaza profiline

uyan noktalar tespit edilir.

oBelirlenen potansiyel noktalar iin

baar skorlamas yaplarak (A

noktas%90 olaslkla X1 baar

segmentinde yer alyor, vb.) en iyi

noktalarn seimi iin gerekli bilgi

salanr.

o Kurumun yeni maaza al kararn

vermesinde, mevcut i srelerini

destekleyecek sonulara ulamasmmkn olur

Adm Adm Veri Madencilii

Veri madencilii almalarnda ilk adm veri

alt yapsnn hazrlanmasdr. Veri

madencilii almalarnda kullanlacak olan

proje ynetimi metodolojisinin veri

madencilii rnne zel bir metodoloji

olmamas, yaygn olarak bilinen ve

uygulanan bir metodoloji olmas son derece

nemlidir.

Veri Alt Yapsnn Hazrlanmas

Gnlk hayatta gerekletirdiimiz

ilemler operasyonel sistemlerde

tutulmaktadr ve bu veriler genellikle

derinlemesine analiz edilmeye uygun bir

yapda deildir


7/16



Operasyonel sistemlerde tutulan veriler

kullanlarak Datamart ve/veya zet

Tablolar oluturulur.

Bylece kurum ierisindeki raporlama

almalar ve veri madencilii

almalar iin salkl bir alt yap

gelitirilmi olur.

Veri Kalitesi

Veri madencilii almalar ounlukla

dk veri kalitesi ve eksik veri gibi temel

veri sorunlar ile balar. Verinin %25 inin

kullanlr durumda olduu halde balanan ve

baarya ulatka verideki sorunlarn

zmlendii pek ok proje mevcuttur. Veri

kalite problemleri kurumlarn veriden bilgi

karma srelerini ounlukla

zorlatrmaktadr. SPSS Veri kalitesi

arttrma almalar 5 ana balkta

toplanmaktadr:

Veriyi iyi tanma: Operasyonel

sistemlerdeki verilerin incelenmesi, data

audit ile verideki doluluk oranlar,

deerlerin deiimi gibi kriterlerin

zetlenmesi, kullanlacak verilerin tespiti,

hzl ve doru veri alma yntemlerinin

gelitirilmesi, veri ile ilgili mevcut

problemlerin tespiti verinin tannmas

asndan nemlidir.

Verinin n Analizi: Yanl alnm yada

eskide kalm mteri verileri, eksik giri

tespiti, u deerler, kayp deer tespiti

Verilerin Gvenli Tanmas ve

Kontroller: Kaynak sistemlerden gelen

veri zerinde gerek zamanl veri kalitesi

kontrolleri , apraz kontroller, veri kalitesi

alarm mekanizmasnn kurulmas

Dorulama, Tekilletirme: zellikle

mteri verilerinin dorulanmas,

tekilletirilmesi, tekrarl mteri tanmlar,

yanl segmentasyon gibi problemlerin

tespiti ve bu problemleri zmek iin eitli

stratejilerin gelitirilmesi.

Veriyi zenginletirme: Birok yeni veri

kaynaklarndan ek verilerin eklenmesi ve

yeni boyutlarn eklenmesi

CRISP-DM Metodolojisi

SPSS, veri analizi ve veri madencilii

almalarnda CRISP-DM (Cross Industry

Standard Processing for Data Mining)

metodolojisini desteklemektedir.

Cross Industrial Standart Proccessing

for Data Mining: Uygulanan proje


8/16



ynetimi metadolojisi alt admdan

olumaktadr

o htiyalarnn Anlalmas

o Verinin Anlalmas

o Verilerin Analizler in Hazrlanmas

Data Maniplasyonlar

o Modelleme

o Modelin Deerlendirilmesi

o Modelin Uygulanmas

CRISP-DM Metadolojisi bir veri madencilii

projesinde bize yol gsterir. Projeye

balarken i hedefinin belirlenmesi en

nemli admdr. Daha sonra verinin

anlalmas srecinde yaplacak analizler

iin yeterli veri olup olmad llr. Sre

olarak en uzun srecek data

maniplasyonlar admnda eldeki veri

yaplacak analizlere gre hazrlanr, data

martlar yada mining tables olarak

adlandrlan zet tablolar oluturulur.

Modelleme srecinde i hedefimize uygun

model oluturulur ve bir sonraki

deerlendirme admnda modelin doruluu

test edilir. Son srete de kan sonularn

ve kurulan sistemin kurum altyaps ile

entegrasyonu salanr.

Veri Madencilii Projelerinin

Baarsnda nemli EtkenlerVeri madencilii, analistlerin veri analizi

bilgi ve deneyimlerini i kullanclarnn

salam i bilgileri ile destekledikleri

etkileimli, tekrarlanan bir sre olmaldr.

Veri madenciliini veriye balan ve ne

kyor bak eklinde yorumlayanlar

almadan herhangi bir ekilde verim

alamazlar. kullanclarnn srecidesteklemedii bir veri madencilii

projesinin baar ile sonulanmas pek olas

deildir.

SPSS veri madencilii almalarnda

kurumlar eitim, proje danmanlk

hizmetleri, vb. hizmetleri ile destekler.

Proje DanmanlkHizmetlerimiz

Projeler kapsamnda farkl projelerinin

ardk veya paralel olarak gerekletirilmesi


9/16



ve gelitirilen modellerin belli aralklarla

gncellenmesi sz konusu olmaktadr.

lk olarak kurum bnyesinde gerekli

eitimlerin verilmesi, takip eden srete

kurum bnyesinde ilk projelerin SPSS

Trkiye ve SPSS Inc. danmanlarnn

katlm ile gerekletirilmesi, daha sonra

gerek modeller zerindeki gncellemelerin

gerekse gelitirilecek yeni modellerin kurum

ekibi tarafndan yaplmas en verimlialma

ekli olarak belirlenmitir ve

uygulanmaktadr.

SPSS Trkiye, kurum bnyesindeki projeler

sonulandktan sonra da kurumun proje

ekiplerini yakndan desteklemektedir

Proje Danmanlk Hizmetlerimizi 4 farkl

ekilde sunmaktayz:

Proje Destek Danmanl

Proje Sonras Destek Hizmetleri

Proje D Kaynak Hizmetleri

Program Hizmetleri

Proje Destek Danmanl

Proje destek hizmetlerimizi 5 farkl ekilde

sunmaktayz:

Proje Kapsam Ynetimi Hizmetleri

Zaman Ynetimi Hizmetleri

Proje Kaynak Ynetimi Hizmetleri

Proje Kalite Ynetimi Hizmetleri

Proje Risk Ynetimi Hizmetleri

Proje Kapsam Ynetimi Hizmetleri

Kurumlarn i ihtiyalarnn tespiti ve

proje kapsamnn belirlenmesi

Proje admlarnn belirlenmesi

Zaman Ynetim Hizmetleri

Projelere ait aktivitelerin belirlenmesi

Aktivitelerin nceliklendirilmesi ve sistem

tasarmnn gerekletirilmesi

Planlanan aktivitelere ait zaman

planlarnn oluturulmas

Proje Kaynak Ynetimi Hizmetleri

Proje paydalarnn eitimi: Teknik

bilgi sahibi olmayan ancak proje

sonularndan dorudan yada dolayl

yoldan etkilenecek ekiplerin veri

madencilii projeleri hakknda genel

olarak bilgilendirilmeleri salanr

Proje Takmnn Eitimi: Proje

Takmnn eitimini aamada

gerekletirmeliyiz

1. Aama: Standart veri

madencilii eitimleri verilir

2. Aama: Kurumunuza ait

verilerden size zel


10/16



tasarlayacamz atlye almalar

gerekletirilir

3. Aama: Kurumunuza ait bir

projenin proje takmnz ile birlikte

veri madencilii proje metadolojisi

olan CRISP-DM proje

metadolojisine bal kalarak

gerekletirilmesi

Proje Kalite Ynetimi Hizmetleri

Projelerdeki kalite standartlarnn ve

kriterlerinin belirlenmesi ve modellerin

mterinin i ihtiyacna cevap verecek

ekilde oluturulmasnn salanmas

Uygulamadaki modellerin

performansnn gzlemlenmesi ve

kontrol edilmesine ait srelerin ve

raporlarn tasarlanmas

Proje Risk Ynetimi Hizmetleri

Proje risklerinin berlirlenmesi

Olas risklerin projeye etki derecelerinin

ngrlmesi ve risklerin gerekleme

durumlarnda alnacak nlemlerin ve

aksiyonlarn belirlenmesi

Proje Sonras Destek Danmanl

Proje sonras destek hizmetlerimizi 3

farkl ekilde sunmaktayz:

- Telefon ile destek

- Yerinde 7 x 24 destek

- Sistem bakm

Proje Dkaynak (Outsourcing) Hizmetleri

Kurumunuza ait bir projenin tm

srelerinin SPSS danmanlar

tarafndan hazrlanmas ve hayata

geirilerek kurumunuza teslim edilmesi.

Program Hizmetleri

Kurumunuzun farkl departmanlarna ait

i ihtiyalarn tespit ederek size zel bir

dizi proje balnn belirlenmesinin

salanmas.

Proje balklarnn nceliklendirilmesi ve

gerektiinde paralel srelerin

oluturulmas.

Proje sonularnn birbirlerini besleyerek

kurumunuzda Analitik CRM alt yapsnn

salam bir ekilde kurulmasnn ve

yaayan bir sistemin oluturulmasnn

salanmas


11/16



Perakende SektrndeBaarl

Uygulama rnekleriHalfords Marketler ZinciriHalford, kapsaml byme plan almalar

srerken yeni maazalar amak iin en

elverili blge ve yerlerin neresi olaca

sorusuna en doru cevab almak, doru

yatrm planlamas yapabilmek amac ile

SPSS Inc.nn PASW Modeller veri

madencilii zmn kullanr. Halford Veri

Madencilii almalar sayesinde yeni

alacak maazalarn lokasyon baarsn

doru olarak tahmin eder.

ngilterede Otomobil Yedek Para

Maazalar Zinciri olarak faaliyet gsteren

Halford iin satn alma davranlarndaki

deiimler son derece nemlidir. Faaliyet

alanlarna dair i hacmi tketici trendlerine

gre deiim gsterdii ve tketiciler merkez

maazalardan ehir d maazalara doru

kaymaya baladndan yeni maazalar

almas gndeme gelmitir. Potensiyeli iyi

olabilecek yeni maazalar belirlerken doru

gelir tahmini yapabilmeleri gerekiyordu. Yeni

alacak maazalarn baars asndan bu

nemli bir i problemi idi.

Halford ilk olarak gemi sat deerlerini ve

maaza profil verilerini ieren veri taban

zerinde almaya balad. Rastgele

rneklem yntemi ile 150 tane maaza

seildi, nceki yllara ait ardk 2 yllk sat

verisi, maaza yeri ile ilgili anket verileri,

maazaya dair spesifik veriler, her bir

maazann bulunduu blgenin demografik

zelliklerini gsteren nfus saym verisi

birletirildi. Halford, PASW Modeller veri

madencilii zmn kullanarak

maazann cirosunu tahmin etme amal bir

model gelitirdi. Gelitirilen model var olan

bir maaza verisi zerinde test edildi.

Halford gelitirdii modeli daha nce bir

danmanlk firmas tarafndan gelitirilen

regresyon modelinin sonular ile de

karlatrd.

Halford Ynetimi gelitirilen modelimaaza

performanslarndaki deiim nedenlerini

anlamada ve karll yksek olacak yeni

maaza yerleri belirlemede kulland ve

baarsn garantiledi.

Haworth Inc.Michaganda bulunan mobilya reticisi

Haworth Inc. Bnyesinde dnya apnda 40

lokasyonda 10,000 kii almaktadr.

Haworth rnleri uluslar aras bir satzincirinde 800den fazla maazada

satlmaktadr. Kalite standartlarn srekli


12/16



gelitirmek isteyen Haworth, mteri anket

verilerini kullanarak ofis mobilyas

tasarmlarnda mterilerinin tercihlerine yer

vermektedir. Yeni mteriler edinmeye

devam etme ve var olan mterilerini

korumay hedefleyen Haworth 1995 ylnda

analitik zmler kullanmaya balamtr. lk

olarak mteri anket sonularn MS Excele

girerek deerlendirmeye alan Haworth

yetkilileri almadan sonu alamamtr.

1995 yl ortalarnda SPSS kullanmaya

balayan irket, bugn SPSS sayesinde

mterileri iin nelerin nemli olduunu

belirleyebilmekte, eitim ve teknoloji gibi

kaynaklarn ne ekilde ynlendirmesi

gerektiini bilmekte, mteri veritaban

verileri ile mteri ve satc anket verilerini

birlikte analiz edebilmekte ve ilerinin ne

dorultuda gelitirilmesi gerektiine dair

kararlar proaktif olarak alabilmektedirler.

Sofmap CompanyJaponyada en byk kiisel bilgisayar ve

yazlm perakendecisi olan Sofmapin lke

apnda 40 maazas bulunmaktadr.

Sofmap yneticileri mterilerinin bir

ounun donanm ve yazlm almkararlarnda zorlandn, bunun online

satlar engellediini dnmektedir.

Sofmap, PASW Modeller zmn

kullanarak online kayt esnasnda sisteme

girilen verileri ve veritabanndaki ilem

verileri zerinden mteri profiline uygun

rnleri neren bir alt yap oluturmada

kullandlar. Sonu olarak sayfaziyaret says

%67, satlar bir nceki yln ayn dnemine

kyasla %18 orannda art gstermitir.

Herlitz AG

Gemite bir bakkal deneyimlerindenmterisinin ne istediini bilirdi, hangi

rnlerin iyi satacan ve bu rnleri nasl

tehir etmesi gerektiini kolayca bilir ve

baar ile gerekletirirdi. Gnmzde

mteri bykl ve rn eitlilii

karsnda spermarketler bu yetenei

kaybettiler. Veri Madencilii uygulamalarnn

nemini kavram olan market zincirleri bellilokasyonlar iin en karl rn gruplarn

belirleyebilmekteler. Almanyann en byk

ofis rnleri reticisi olan Herlitz AG, SPSS ,

PASW Modeller ile rnlerini satan

partnerlerine kendi rnlerini alan

mterilerinin satnalma alkanlklarna dair

geri bildirimlerde bulundu, spesifik bir rn

iin en iyi sat noktalarn belirleme vesatlar arttrma amal almalar

gerekletirme konusunda destek verdi.


13/16



Btn rnler ve sat noktalarna dair veri

ayr ayr analiz edildi. Veri setleri ortalama

4,000 kayt ve 30 deiken ieriyordu. ,

PASW Modellerile satlar ortalamann st

ve ortalamann alt olarak grupland. Ve

karar aac algoritmalar kullanlarak

gruplarn zellikleri belirlendi ve bir tahmin

modeli oluturuldu.

YKM Giyim ve htiya Maddeleri A.

1950 ylnda, gelecein Trkiyesindeki ilkok katl maazacln temelleri

Sultanhamamda atlmtr. O tarihte kuma

ve konfeksiyon maazas olarak hizmet

vermeye balayan YKM her geen yl

ierisinde byyerek, ok katl maazaclk

ve perakende alannda birok ilklere imza

atarak bugnlere gelmitir. Halen 33 ilde 40

maazada, toplamda 100.000 m2

ninzerinde bir alanda 1000 civarndaki aktif

tedarikisinden salad 900 sekin marka

ve 150.000 eit rn mterileriyle

buluturmaktadr.

Trkiyenin geirdii tm deiimlere ayak

uyduran YKM, Trk insannn ihtiyalarna

gre kendini srekli yenileyerek, en ok

bilinen ve alannda pekok ilklerigerekletiren bir marka olmutur;

lk ok katl maazaclk, lk bayilik

sistemi, lk taksitli alveri, lk

promosyonlu sat, lk maaza kart, lk

SAP perakende uygulamas, lk internet

maazas, lk ipli kredi kart...

Mterilerin alveri trendlerinin

belirlenebilmesi, birebir pazarlamaya

geilebilmesi ve apraz sat frsatlarnn

yaratlabilmesi iin ncelikli olarak yaplmas

gereken mteri hareketlerinin ciddi olarak

analiz edilmesiydi. Bu nedenle ncelikli

olarak maazalarda oluan sat ve mteri

verileri belirlenen kriterlere gre

veriambarnda toplanmaya balad. Bir

sonraki admda ise toplanan verilerin analiz

edilerek anlaml ve kullanlabilir bir bilgiye

dnmesini salayacak analiz aralar

incelenmeye baland. Yaplan aratrmalar

sonucunda kurulua en iyi fiyat/fayda

orann salayacak, bununla birlikte

kurulumu ve kullanm kolay olacak bir

analiz arac olarak SPSS tercih edildi.

Ana verilerde yaplan baz dzeltme ve

indeksleme almalarndan sonra SPSS

veri madencilii zm kullanlarak test

kampanyas gerekletirildi. Bu almada;

Kozmetik rn grubunda yeralan ok zel


14/16



bir rn iin hedef maaza ve mteri

grubu seilmesi istendi. Ksa sre ierisinde

analiz sonularndan elde edilen, en faydal

kazancn salanaca cinsiyet-ya-lokasyon

grubundaki mterilere iletiim stratejisi

dorultusunda kampanya detaylar iletildi.

Analiz sonularna gre sat potansiyeli %

78 olarak belirlenmiti, kampanya sonunda

ise gerekleen geri dn oran % 84

olmutur. SPSS sayesinde:

Yaplan kampanya/promosyonalmalarndaki geri dnorannda %60 art saland.

Doru kampanyaya doru mteriilkesi benimsenerek,kampanya/promosyon iletiimmaliyetlerinde ciddi oranlardaazalma saland.

Alveri alkanlklarnn doru ve

zamannda analiz edilmesisayesinde, apraz satlarda ilksezonda % 7, iki sezon sonundatoplam % 16lk bir art saland.

Mteri menuniyeti, beklentileri vb.konularda sorun olduuna inanlannoktalarda ad-hoc aratrmalaruygulanarak, sonular SPSSkullanlarak analiz edildi. Doruseilmi rnek mteri kitlelerindenelde edilen statistiksel olarakanlaml veriler nemli geri besleme

bilgilerine dntrlerek acilhareket planlar yaratld. Bununsonucu olarak mteri

memnuniyetinde anlaml ve gzle

grlr bir gelime saland.

Direct Wines

ok sayda arap kulub olan ve dnyann

en byk sipari ile arap sat yapan

Direct Wines SPSS ile olduka byk olan

veritaban verilerini analiz etme ve

mterilerine zel neriler gelitirme imkan

buldu. Sonu olarak mteri segmentlerine

zel duyurular gndererek, duyurularna geri

dnoranlarn arttrd; mteri odakl

apraz sat, pazarlama ve karllk planlar

ile mteri deerini arttrd, mteri hizmet

kalitesini arttrd

Cash & CarryCash & Carry adl talyan perakende zinciri,

maazalarna ait sat verilerini analiz

etmitir. Her bir mterinin 12 aylk alveriverisinin kullanld segmentasyon

almas sonular aada ksaca

verilmitir:

Bu almada, 29.398 adet mteri zerinde

allm ve benzer zellikteki mteriler

bir araya getirilerek kendi ilerinde homojen

5 kme oluturulmutur. Segmentasyon

almasnn son aamasnda kmezellikleri detayl olarak incelenmitir.

almadan elde edilen sonular:


15/16



VIP Yiyecek Alanlar segmentine

ynelik kampanyalar ile busegmentteki mteri sadakatlerinin(loyality) arttrlarak mterilerindaha sk ziyaret etmesininsalanmas

VIP Yiyecek Almayanlarsegmentindeki mterilereynelik gelitirilecek kampanyalarile yiyecek rnlerini dealmalarn salayarak VIP

Kampanyaclar segmentinegeilerini gerekletirmek

Terketme oran (churn rate)yksek segmentlerin belirlenmesive bu segmentteki mterilereynelik kampanyalargerekletirilmesi ile terketmeoranlarnn drlmesisaland.almaya dair karar aalar

aada yer almaktadr:


16/16



almada elde edilen sonular:

17% 23%

27%

10%

23%

VIP Yiyecek Almayanlar 6752Mteri (23%)

Ziyaret bana ortalama

harcamas yksek,

Harcamalarnn

%80ninden fazlasn

yiyecek dndaki

rnlere harcarlar

Yiyecek harcamalarnnbyk oran promosyon

rnleri

VIP Yiyecek Alanlar 3080Customers (10%)

Ziyaret skl dkancak ziyaret banaortalama harcamas enyksek grup

Fiyat yksek yiyecekrnleri tercih ediliyor

Kampanya rnlerifazla tercih edilmiyor

Sadk Mteriler 7815Mteri (27%)

Ziyaret skl

yksek ancak

ziyaret bana

ortalama harcamas

dk

Yiyecek rnlerini

de yiyecekdndaki rnleri

de tercih ediyorlar

Stratejik Olmayan Mteriler 5001Mteri (17%)

Ziyaret sklklar ve

harcama tutarlar dk,

Harcama tutarlarnn %97si

yiyecek dndaki rnler

VIP Kampanyaclar 6749 Mteri (23%)

Ziyaret sklklar ve harcama

tutarlar olduka yksek

Harcama tutarlarnn %85i

yiyecek rnleri

Kampanya rnlerini satn

alma oranlar yksek

PERAKENDE SEKTÖRÜNDE VERİ MADENCİLİĞİ

Documents