Yritysasiakkaiden segmentointi finanssialalla

Abstract

Oikein toteutetun asiakassegmentoinnin avulla yritys voi tunnistaa arvokkaimmat asiakkaansa ja parantaa toimintansa tehokkuutta. Asiakassegmentointi tarkoittaa asiakkaiden jaottelemista osajoukkoihin valittujen muuttujien samankaltaisuuden perusteella.

Tässä diplomityössä tutkittiin asiakkaiden segmentointia asiakkaan arvon muodostavien muuttujien avulla. Työ toteutettiin tapaustutkimuksena, missä hyödynnettiin ryhmäkeskusteluita yrityksen tavoitteiden ja odotusten ymmärtämiseksi. Tutkimuksen kirjallisuuskatsauksessa käsitellään asiakkaiden segmentointia, luodaan asiakkaiden segmentoinnin yleinen prosessi sekä havainnollistetaan aiemmassa tutkimuksessa eniten käytettyjä asiakkaan segmentoinnin menetelmiä.

Diplomityön ratkaisuvaiheessa tutkittiin kohdeyrityksen asiakassegmentoinnin nykyistä mallia ja luotiin ehdotus uudesta mallista. Asiakkaista muodostettiin aineisto asiakkaan arvon muodostavien komponenttien perusteella, minkä jälkeen asiakkaat pisteytettiin. Tämän jälkeen asiakkaita segmentoitiin hyödyntämällä K-Means klusterointialgoritmia. Algoritmi jaottelee asiakkaat euklidisen etäisyyden avulla samankaltaisten asiakkaiden kanssa samoihin segmentteihin.

Asiakkaiden arvon komponenttien ja klusterointialgoritmin yhdistelmällä asiakkaat saatiin jaoteltua samankaltaisiin ryhmiin, joista oli helposti tunnistettavissa arvokkaimmat segmentit. Malli onnistui erottamaan eri tuoteryhmien parhaat asiakkaat sekä useamman tuoteryhmän asiakkaat toisistaan. Työssä vertailtiin segmentoinnin tuloksia asiakkaiden edellisvuoden tuottoihin. Vertailun tuloksena huomattiin, että algoritmi onnistui jaottelemaan asiakkaat myös toteutuneiden tuottojen osalta oikeisiin segmentteihin. Useamman tuotekategorian yritysten tulee keskittyä eri tuotekategorioiden vertailukelpoisuuteen, mutta muuten perinteinen klusterointialgoritmi soveltui asiakkaiden segmentointiin hyvin.

Properly implemented customer segmentation allows a company to identify its most valuable customers and improve the efficiency of its operations. Customer segmentation means dividing customers into subsets based on the similarity of selected variables.

The master’s thesis focuses on the financial industry’s customer segmentation based on customer value components. Thesis is carried out as a case study, which exploits group discussions to comprehend case companies’ challenges and needs for customer segmentation. In the literature review of the thesis, customer segmentation is discussed, and based on previous literature, common customer segmentation process is constructed. Literature review also discusses previous research about customer segmentation in the financial industry.

The thesis evaluated the case company’s current customer segmentation model and proposed a new one. The data set used in the solution was conducted based on results of group discussions and includes components of customer value, after which the customers were scored. The dataset is then applied to the K-Means clustering algorithm, which divides customers into groups by using Euclidean distance.

Results indicate that the research approach was successful, and each segment had different characteristics. Most profitable customers from each product segment were also identified. The work compared the segmentation results with the customers' revenues from the previous year. The comparison showed that the algorithm was able to divide the customers into the correct segments based on their actual revenues. Companies with multiple product categories should focus on the comparability of different product categories, but otherwise the traditional clustering algorithm was well suited for customer segmentation.