SavedAdd your journal

Journals / Marmara Üniversitesi İktisadi ve İdari Bilimler Dergisi / 2019 / Cilt: 41 - Sayı: 2

SOSYOEKONOMİK YAKLAŞIMLA ZİNCİR PERAKENDE MAĞAZALARININ SEGMENTASYONU

Emrah BİLGİÇ
Özgür ÇAKIR
Pages
338–363
Publication Date
2020-01-06
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Mağaza segmentasyonu sonucunda elde edilen segmentler incelendiğinde segmentlerin gerçekten farklı özelliklerde olduğu konum olarak birbirine yakın olan mağazaların bile farklı segmentlerde yer alabilecekleri tespit edilmiştir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Günümüzde perakende zincir mağazaların sayısı giderek artmaktadır.
📊
Key Findings & Data:Sayıları binlerle ifade edilen bu zincirler, sayıları milyonlarla ifade edilebilecek müşterilere sosyoekonomik açıdan farklı özelliklerdeki şehirlerde hatta aynı şehirlerin farklı özelliklerdeki semtlerinde hizmet vermektedirler.
💡
Conclusion & Impact:Mağaza segmentasyonu sonucunda elde edilen segmentler incelendiğinde segmentlerin gerçekten farklı özelliklerde olduğu konum olarak birbirine yakın olan mağazaların bile farklı segmentlerde yer alabilecekleri tespit edilmiştir.
🔬Design:Research Article
📍Scope:Comprehensive Sample
⚙️Variables:Mağaza Segmentasyonu · Kümeleme · Ward Algoritması

Özet

Günümüzde perakende zincir mağazaların sayısı giderek artmaktadır. Sayıları binlerle ifade edilen bu zincirler, sayıları milyonlarla ifade edilebilecek müşterilere sosyoekonomik açıdan farklı özelliklerdeki şehirlerde hatta aynı şehirlerin farklı özelliklerdeki semtlerinde hizmet vermektedirler. Bu bakımdan, zincir firmalar tarafından özellikle pazarlama süreçleri için kararlar alınırken genel olarak mağazaların tamamına değil de bölgelere veya belirli mağaza gruplarına yönelik stratejiler geliştirmek gerekmektedir. Bu çalışmada, zincir mağazalara sahip perakende firmalarının kümeleme analizini kullanarak sosyoekonomik faktörlere göre mağazalarını nasıl segmentlere ayırabileceği araştırılmaktadır. Bu amaçla, bir perakendecinin İstanbul’daki 175 mağazasına ait farklı veriler çeşitli kaynaklardan bir araya getirilmiş ve Ward’ın kümeleme tekniği kullanılarak mağazalar altı segmente ayrılmıştır. Mağaza segmentasyonu sonucunda elde edilen segmentler incelendiğinde segmentlerin gerçekten farklı özelliklerde olduğu konum olarak birbirine yakın olan mağazaların bile farklı segmentlerde yer alabilecekleri tespit edilmiştir.

🔖

Cite This Article

BİLGİÇ, E., ÇAKIR, Ö. (2020). SOSYOEKONOMİK YAKLAŞIMLA ZİNCİR PERAKENDE MAĞAZALARININ SEGMENTASYONU. Marmara Üniversitesi İktisadi ve İdari Bilimler Dergisi, Cilt: 41 - Sayı: 2, 338–363. https://ajindex.com/articles/6321

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (13)

  1. AGGARWAL, C. C. (2015). Data mining: The textbook. Switzerland, Springer. BADEA, L. M. (2014). “Predicting consumer behavior with artificial neural networks.” Procedia Economics and Finance 15: 238-246.
  2. BENNETT, P. D. (1995).
  3. Dictionary of Marketing Terms, NTC Business Books. BERMINGHAM, P., Hernandez, T. ve Clarke, I. (2013). Network Planning and Retail Store Segmentation: A Spatial Clustering Approach. International Journal of Applied Geospatial Research, 4(1): 67-79.
  4. BIJAK, K. ve Thomas, L. C. (2012). “Does segmentation always improve model performance in credit scoring?” Expert Systems with Applications 39(3): 2433-2442.
  5. BORNAC, G. (2015). “The Power of Store Clustering.” http://www.manh.com/resources/articles/2015/08/27/power-store-clustering (30.05.2016).
  6. CEYLAN, H. H. (2013). “Perakende Sektöründe Konjoint ve Kümeleme Analizi ile Fayda Temelli Pazar Bölümlendirme.” Yönetim ve Ekonomi: Celal Bayar Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi 20(1): 141-154.
  7. CLARKE, I., Mackaness, W. ve Ball, B. (2003). “Modelling Intuition in Retail Site Assessment (MIRSA): making sense of retail location using retailers’ intuitive judgements as a support for decisionmaking.” The International Review of Retail, Distribution and Consumer Research 13(2): 175-193.
  8. COMPANY, W. P. (2013). “A Simple Approach to Retail Clustering.” http://www.wilsonperumal.com/media/publications/PDFs/Vantage_Point_2013_Issue3.pdf (30.05.2016). DE OÑA, R. ve De Oña, J. (2015). “Analysis of transit quality of service through segmentation and classification tree techniques.” Transportmetrica A: Transport Science 11(5): 365-387. DÍAZ-PÉREZ, F. M. ve Bethencourt-Cejas, M. (2016). “CHAID algorithm as an appropriate analytical method for tourism market segmentation.” Journal of Destination Marketing & Management. DJOKIC, N., Salai, S., Kovac-Znidersic, R., Djokic, I. ve Tomic, G. (2013). “The use of conjoint and cluster analysis for preference-based market segmentation.” Engineering Economics 24(4): 343-355.
  9. DONOFRIO, T. J. (2009). “Advanced Planning and Optimization Part 3: Store Clustering.” Retail Systems and Services http://risnews.edgl.com/retail-news/Advanced-Planning-and-Optimization-Part-3—Store-Clustering38904 (26.05.2016).
  10. DOYLE, C. (2011).
  11. A dictionary of marketing, Oxford University Press.
  12. EKİNCİ, Y., Ulengin, F. ve Uray, N. (2014). “Using customer lifetime value to plan optimal promotions.” The Service Industries Journal 34(2): 103-122.
  13. EVERITT, B. (1974). Cluster analysi