Identifying customer segments based on trading behaviour
Valvisto, Liisa (2023)
Katso/ Avaa
Sisältö avataan julkiseksi: 15.03.2025
Pro gradu -tutkielma
Valvisto, Liisa
2023
School of Business and Management, Kauppatieteet
Kaikki oikeudet pidätetään.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi-fe2023030730226
https://urn.fi/URN:NBN:fi-fe2023030730226
Tiivistelmä
This research focuses on analysing the investor behaviour of retail customers utilising data obtained from selected customer trades. The objective of the research is to propose a model that performs customer segmentation over time based on customers’ trading data. In order to find a suitable model for customer segmentation, four different clustering methods and three different data scaling methods were compared. Based on the results, K-means combined with the standard scaling method provided the most suitable model given the objectives of the study. The data consisting of customer trades was divided into eight periods and clustering was performed for each period using the selected clustering method.
From the clusters of individual time periods, customer segments that last over time were formed based on the clusters’ shared objects and similarities in cluster characteristics. Based on the similar characteristics of the clusters, 15 states were identified, which were used to describe customer segments that develop over time. These customer segments were observed to have behaviour and characteristics that remained relatively similar over time. In addition, the majority of segments remained throughout the research.
However, the movement of customers between segments was found to be considerable. A particularly high object migration was observed between the investor segments and a group that consist of customers who did not have any trades during the period. Despite the high object migration, the results indicate consistency in the characteristics of the customer segments. Hence, the most significant changes in segments were observed when segments appear or disappear during the research period. Tämä tutkimus keskittyy analysoimaan henkilöasiakkaiden sijoittajakäyttäytymistä valituista asiakaskaupoista saatua dataa hyödyntäen. Tutkimuksen tavoitteena on ehdottaa mallia, joka suorittaa asiakassegmentoinnin ajan yli asiakkaiden kaupankäyntitietojen perusteella. Asiakkaan segmentointiin sopivan mallin löytämiseksi vertailtiin neljää erilaista klusterointimenetelmää ja kolmea erilaista datan skaalausmenetelmää. Tulosten perusteella K-means yhdistettynä standard scaling-menetelmään soveltui parhaiten tutkimuksen tavoitteisiin. Asiakkaiden kaupankäyntidata jaettiin kahdeksaan jaksoon ja kullekin jaksolle suoritettiin klusterointi valitulla klusterointimenetelmällä.
Yksittäisten ajanjaksojen klustereista muodostettiin ajan yli kestäviä asiakassegmenttejä klustereiden jaettujen objektien ja klusterin ominaisuuksien samankaltaisuuksien perusteella. Klusterien samankaltaisten ominaisuuksien perusteella tunnistettiin 15 olomuotoa, jolla kuvattiin ajan myötä kehittyviä asiakassegmenttejä. Näillä asiakassegmenteillä havaittiin olevan käyttäytymistä ja ominaisuuksia, jotka säilyivät suhteellisen samanlaisina ajan mittaan. Lisäksi suurin osa segmenteistä oli havaittavissa koko tutkimuksen ajan.
Asiakkaiden liikkuminen segmenttien välillä todettiin kuitenkin huomattavaksi. Erityisen suurta objektimigraatiota havaittiin sijoittajasegmenttien ja ryhmän välillä, joka koostuu asiakkaista, joilla ei ollut yhtään kauppaa ajanjakson aikana. Korkeasta objektimigraatiosta huolimatta tulokset viittaavat johdonmukaisuuteen asiakassegmenttien ominaisuuksissa. Näin ollen merkittävimmät muutokset segmenteissä havaittiin segmenttien ilmestyessä tai kadotessa tutkimusjakson aikana.
From the clusters of individual time periods, customer segments that last over time were formed based on the clusters’ shared objects and similarities in cluster characteristics. Based on the similar characteristics of the clusters, 15 states were identified, which were used to describe customer segments that develop over time. These customer segments were observed to have behaviour and characteristics that remained relatively similar over time. In addition, the majority of segments remained throughout the research.
However, the movement of customers between segments was found to be considerable. A particularly high object migration was observed between the investor segments and a group that consist of customers who did not have any trades during the period. Despite the high object migration, the results indicate consistency in the characteristics of the customer segments. Hence, the most significant changes in segments were observed when segments appear or disappear during the research period.
Yksittäisten ajanjaksojen klustereista muodostettiin ajan yli kestäviä asiakassegmenttejä klustereiden jaettujen objektien ja klusterin ominaisuuksien samankaltaisuuksien perusteella. Klusterien samankaltaisten ominaisuuksien perusteella tunnistettiin 15 olomuotoa, jolla kuvattiin ajan myötä kehittyviä asiakassegmenttejä. Näillä asiakassegmenteillä havaittiin olevan käyttäytymistä ja ominaisuuksia, jotka säilyivät suhteellisen samanlaisina ajan mittaan. Lisäksi suurin osa segmenteistä oli havaittavissa koko tutkimuksen ajan.
Asiakkaiden liikkuminen segmenttien välillä todettiin kuitenkin huomattavaksi. Erityisen suurta objektimigraatiota havaittiin sijoittajasegmenttien ja ryhmän välillä, joka koostuu asiakkaista, joilla ei ollut yhtään kauppaa ajanjakson aikana. Korkeasta objektimigraatiosta huolimatta tulokset viittaavat johdonmukaisuuteen asiakassegmenttien ominaisuuksissa. Näin ollen merkittävimmät muutokset segmenteissä havaittiin segmenttien ilmestyessä tai kadotessa tutkimusjakson aikana.