Visual Customer Segmentation and Data Exploration with the Self-Organizing Map

Advancements in information technology have made it possible for organizations to gather and store vast amounts of data of their customers. Information stored in databases can be highly valuable for organizations. However, analyzing large databases has proven to be difficult in practice. For companies in the retail industry, customer intelligence can be used to identify profitable customers, their characteristics, and behavior. By clustering customers into homogeneous groups, companies can more effectively manage their customer base and target profitable customer segments. This thesis will study the use of the self-organizing map (SOM) as a method for analyzing large customer datasets, clustering customers, and discovering information about customer behavior. Aim of the thesis is to find out whether the SOM could be a practical tool for retail companies to analyze their customer data.

Kehitys informaatioteknologiassa on mahdollistanut organisaatioiden kerätä ja varastoida suuret määrät dataa asiakkaistaan. Tietokantoihin tallennettu tieto voi olla hyvin arvokasta organisaatioille. Suurten tietokantojen analysointi on kuitenkin osoittautunut hankalaksi käytännössä. Vähittäiskauppa-alan yritykset voivat käyttää asiakastietoa kannattavien asiakkaidensa ja näiden ominaisuuksien ja käytöksen tunnistamiseksi. Klusteroimalla asiakkaat homogeenisiin ryhmiin, yritykset voivat tehokkaammin hallinnoida asiakaskuntaansa ja kohdistaa voimavarojaan kannattaviin asiakassegmentteihin. Tämä tutkielma keskittyy itseorganisoituvan kartan (SOM) käyttöön suurten asiakastietokantojen analysoimisessa, asiakkaiden klusteroinnissa ja asiakaskäyttäytymisen tutkimisessa. Tutkielman tavoitteena on selvittää, voisiko SOM olla käytännöllinen työkalu vähittäismyyntialan yrityksille analysoida asiakasdataansa.