| Summary: | Pro gradu -tutkielma käsittelee Knowledge Discovery in Databases (KDD) -prosessin soveltamista asiakkaan sitoutumisen tutkimiseen asiakkuuden elinkaaren eri vaiheissa. Tavoitteena on selvittää, voidaanko suurista sivukyseludatoista ja sosiaalisen median datoista saada tiedonlouhinnalla hyödyllistä tietoa asiakkaan sitoutumisesta KDD-prosessia seuraten. Lisäksi tutkielmassa selvitetään, millaisia muita reaaliaikaisia datoja ja menetelmiä
on käytetty sitoutumisen analysointiin. Empiiristen tulosten perusteella klusteroinnilla saadaan muodostettua asiakasryhmiä sitoutumisasteittain asiakkuuden elinkaaren eri vaiheissa tutkimalla reaaliaikaisten datojen erilaisia muunnoksia
In this master’s thesis the Knowledge Discovery in Databases (KDD) process and its usage with customer engagement in different stages of the customer life cycle are discussed. The aim is to find out, whether KDD process and data mining can help to discover useful information from customer engagement by using large clickstream and social media data. In addition, the thesis explains what kind of non-purchase data and methods are used for analyzing the engagement. Based on empirical results, customers can be grouped according to the state of engagement by different transformations of non-purchase data using clustering.
|
|---|