Kendi Kendini Düzenleyen Haritalara Dayalı Müşteri Segmentasyonu: Havayolu Yolcuları Üzerine Bir Vaka Çalışması

Customer Segmentation Based on Self-Organizing Maps: A Case Study on Airline Passengers

Abstract

Müşteri segmentasyonu, ortak özelliklere dayanan bir müşteri gruplama modelidir ve şirketlerin müşteri memnuniyeti ile doğrudan ilişkilidir. Müşteriyi daha iyi tanıyarak doğru müşteriye doğru yöntemlerle erişim sağlar. Rekabetçi bir pazardaki değişikliklerle başa çıkmak, havayolu şirketlerinin müşteri segmentasyonlarını yeniden tanımlamaları gerektiği anlamına gelir; bu da sosyal demografiden tüm seyahat deneyimini ve havayollarının her temas noktasında teslim şeklini kapsayan daha karmaşık bir davranışçı yaklaşıma dönüşür. Bu makalede, bir uçak bileti satış verileri kullanılarak bir müşteri segmentasyonu gerçekleştirilmiş ve müşteri sadakati ve müşteri iadesi gibi iki konsepte odaklanmıştır. Benzer satış eğilimlerine sahip müşteriler kendi kendini düzenleyen haritalar yöntemi kullanılarak kümelenmiş ve toplam 15 küme elde edilmiştir. Satın alma eğilimlerinde en yüksek getiri küme 2’de, minimum getiri ise küme 6’da elde edilmiştir. Sadakat oranı ise %38 olarak hesaplanmış olup, en sadık müşteri profilinin küme 12’de olduğu görülmüştür.

Özet

Customer segmentation is a customer grouping model based on common features and it directly relates with customer satisfaction of the companies. It provides access to the right customer with the right methods by knowing the customer better. Dealing with changes in a competitive market means airlines have to redefine customer segmentations, which translates from social-demography to a more complex behavioral approach that covers the entire travel experience and the way airlines deliver at every touch point. In this paper, a customer segmentation was performed using an airline ticket sales data and focused on two concepts such as customer loyalty and customer return. Customers with similar sales tendencies were clustered by using self- organizing map method and totally 15 clusters were obtained. In purchasing trends, the highest return was obtained in cluster 2 and the minimum return in cluster 6. Loyalty rate was calculated as 38% and it was seen that the most loyal customer profile was in the cluster 12.