An assessment and evaluation of digital marketing technics and strategies in SMEs

Αξιολόγηση και αποτίμηση τεχνικών και στρατηγικών ψηφιακού μάρκετινγκ στις ΜΜΕ (Μικρές και Μεσαίες Επιχειρήσεις) (Ελληνική)

  1. MSc thesis
  2. ΧΡΥΣΑΝΘΟΣ ΚΟΚΚΙΝΗΣ
  3. Διοίκηση Επιχειρήσεων (MBA)
  4. 10 Οκτωβρίου 2023
  5. Αγγλικά
  6. 86
  7. ΜΑΝΩΛΟΠΟΥΛΟΣ ΔΗΜΗΤΡΙΟΣ
  8. ΜΑΝΩΛΟΠΟΥΛΟΣ, ΔΗΜΗΤΡΙΟΣ | ΜΑΓΚΟΥΤΑΣ, ΑΝΑΣΤΑΣΙΟΣ | ΑΘΑΝΑΣΙΟΣ ΜΙΧΙΩΤΗΣ
  9. μικρές και μεσαίες επιχειρήσεις | Market Basket Analysis (MBA) | επιχειρηματική αναλυτική | τεχνικές εξόρυξης δεδομένων | τμηματοποίηση πελατών | Ανάλυση Καλαθιού Αγοράς (MBA) | στρατηγικές μάρκετινγκ | Data analysis | Marketing Strategies | Customer Segmentation | SMEs | Recency-Frequency-Monetary Analysis (RFM)
  10. ΜΒΑ61: ΔΙΟΙΚΗΣΗ ΕΠΙΧΕΙΡΗΣΕΩΝ & ΟΡΓΑΝΙΣΜΩΝ (MANAGEMENT OF PEOPLE & ORGANISATIONS)
  11. 2
  12. 49
  13. Figure 1: The digital Transformation Stack, Figure 2: The Strategist’s Challenge, Figure 3: The 5 Steps of Marketing Process, Figure 4: The 4 Ps of Marketing Mix, Figure 5: Differences in Elbow points, Figure 6 : AGNES (bottom-up) clustering dendrogram, Figure 7: five random transactions in dataset, Figure 8: Dataset size and columns info, Figure 9: Find Duplicates (34150 entries), Figure 10: Find null values (4265 and 228826 entries), Figure 11: Find Credit invoices (18160 entries), Figure 12: Find Postage invoices (1944 entries), Figure 13: Find transactions where unit price is zero (70 entries), Figure 14: Dataset info after cleaning process, Figure 15: Last purchase in the whole dataset, Figure 16: Calculation of Recency of purchases, Figure 17: Calculation of Frequency of purchases, Figure 18: Calculation of Monetary value per customer, Figure 19: RFM table details, Figure 20: RFM Histograms for all three variables, Figure 21: RFM boxplots for all three variables, Figure 22: Boxplots and Histograms after outlier removal, Figure 23: Heatmap between the RFM variables, Figure 24: Scatterplot for Frequency and Amount_Spent, Figure 25: Scatterplot for Recency and Frequency, Figure 26: Scatterplot for Recency and Amount_Spent, Figure 27: 3D scatterplot for all 3 variables, Figure 28: Standardization of RFM dataset, Figure 29: Normalization of RFM dataset, Figure 30: Scatterplot for normalized and standardized Frequency and Amount_Spent, Figure 31: Scatterplot for normalized and standardized Frequency and Recency, Figure 32: Scatterplot for normalized and standardized Recency and Amount_Spent, Figure 33: Elbow method results, Figure 34: Silhouette score results, Figure 35: K-means clustering results sample, Figure 36: Scatterplot of Recency and Amount_Spent variables after K-means, Figure 37: 3D scatterplot for all 3 variables after K-means, Figure 38: K-means results per cluster and per RFM variable, Figure 39: AGNES initial dendrogram, Figure 40: Silhouette score for AGNES clustering, Figure 41: AGNES dendrogram for 3 clusters, Figure 42: Scatterplot of Recency and Amount_Spent variables after AGNES, Figure 43: 3D scatterplot for all 3 variables after AGNES, Figure 44: AGNES results per cluster and per RFM variable, Figure 45: DBSCAN determine EPS via the elbow method, Figure 46: DBSCAN clustering sample, Figure 47: Scatterplot of Recency and Amount_Spent variables after DBSCAN (including noise), Figure 48: 3D scatterplot for all 3 variables after DBSCAN (including noise), Figure 49: Scatterplot of Recency and Amount_Spent variables after DBSCAN (without noise), Figure 50: 3D scatterplot for all 3 variables after DBSCAN (without noise), Figure 51: DBSCAN results per cluster and per RFM variable, Figure 52: Transactions per customer country, Figure 53: Transactions per month, Figure 54: Transactions per day of the week, Figure 55: Customer with most transactions, Figure 56: 10 most popular products, Figure 57: 10 least popular products, Figure 58: Sample of cleaned dataset for MBA, Figure 59: Splitting to three datasets according to customer clusters, Figure 60: Transaction decoder applied to dataset of cluster2, Figure 61: MBA Apriori results for dataset of cluster 0, Figure 62: MBA Apriori results for dataset of cluster 1, Figure 63: MBA Apriori results for dataset of cluster 2, Figure 64: MBA association rules based on 'support' for item sets of cluster0, Figure 65: MBA association rules based on 'support' for item sets of cluster1, Figure 66: MBA association rules based on 'support' for item sets of cluster2, Figure 67: MBA association rules based on confidence for item sets of cluster0, Figure 68: MBA association rules based on confidence for item sets of cluster1, Figure 69: MBA association rules based on confidence for item sets of cluster2, Figure 70: MBA association rules based on lift for item sets of cluster0, Figure 71: MBA association rules based on lift for item sets of cluster1, Figure 72: MBA association rules based on lift for item sets of cluster2, Figure 73: Top product recommendations if the most popular item in cluster0 is bought, Figure 74: Top product recommendations if the most popular item in cluster1 is bought, Figure 75: Top product recommendations if the most popular item in cluster2 is bought
  14. Management of People and Organizations Volume 4: Strategic Management.

    • Nowadays, defining targeted marketing strategies and marketing programs is a critical activity for the sustainability of small and medium enterprises (SMEs).

      A typical Hellenic SME has endured a challenging economic environment for many years, starting from the debt crisis in 2009, following the COVID-19 pandemic in early 2020 and currently the Russo-Ukrainian War. These consecutive crises shrunk the customer base of SMEs and further reduced their resources and capabilities.

      Taking into account that SMEs represent 99% of all businesses, it is critical to explore efficient and cost-effective ways to improve their financial position and expand their customer base.

      Focusing on marketing strategy and plans, can make a positive difference on an SME. Rather than dedicate scarce resources to staff a marketing department or outsourcing a marketing plan, an SME can utilize data analysis tools to provide a cost-effective way to devise tailor made marketing strategies, that build robust relationships with customers and capture value.

      This dissertation describes the theoretical background on the current situation of SMEs, the impact of digital technologies and big data on organization's procedures and strategies and the marketing strategies in contemporary business environments. Robust data analysis tools such as RFM analysis, different customer clustering algorithms and Market Basket Analysis are implemented in Python, on an actual dataset of SME transactions.

      The research methodology and data analysis tools are presented, and the results are analyzed to discover customer clusters based on their buying behavior. Specific marketing strategies and marketing actions are proposed, based on the customer characterization of each cluster, taking also into account the limited resources that an SME can dedicate to marketing.

      Therefore, it is confirmed that a limited resources SME can utilize data analysis tools, applied on easily available customer transaction data, to devise marketing strategies and plans that forge better customer relationships and add value efficiently and affordably.

    • Στη σημερινή εποχή, ο προσδιορισμός στοχευμένων στρατηγικών και προγραμμάτων μάρκετινγκ είναι κρίσιμος για την βιωσιμότητα των μικρών και μεσαίων επιχειρήσεων (ΜΜΕ). Μια τυπική Ελληνική ΜΜΕ έχει υπομείνει ένα δύσκολο επιχειρηματικό περιβάλλον για πολλά χρόνια, από την κρίση χρέους του 2009, στην πανδημία COVID-19 το 2020 και σήμερα με τον Ρώσσο-Ουκρανικό πόλεμο. Οι συνεχόμενες κρίσεις συρρίκνωσαν τη πελατειακή βάση και μείωσαν περαιτέρω τους πόρους και τις δυνατότητες των ΜΜΕ. Δεδομένου ότι οι ΜΜΕ αποτελούν το 99% του συνόλου των επιχειρήσεων, είναι σημαντικό να διερευνηθούν αποδοτικοί και οικονομικοί τρόποι να βελτιωθεί η οικονομική τους κατάσταση και να διευρυνθεί η πελατειακή τους βάση, μέσω ενεργειών και στρατηγικών μάρκετινγκ. Αντί να δεσμευτούν πόροι στην επάνδρωση τμημάτων μάρκετινγκ ή στην εξωτερική ανάθεση ενός σχεδίου μάρκετινγκ, μπορούν να χρησιμοποιηθούν εργαλεία επιχειρηματικής αναλυτικής, ως ένας οικονομικός τρόπος να καταστρωθούν εξατομικευμένες στρατηγικές μάρκετινγκ, οι οποίες χτίζουν ισχυρές σχέσεις με τους πελάτες και προσδίδουν αξία.

      Η διπλωματική εργασία περιγράφει το θεωρητικό υπόβαθρο σχετικά με την τρέχουσα κατάσταση των ΜΜΕ, την επίπτωση των ψηφιακών τεχνολογιών και των μεγάλων δεδομένων στις διαδικασίες και στρατηγικές των επιχειρηματικών οργανισμών, καθώς και τις στρατηγικές μάρκετινγκ σε σύγχρονα επιχειρηματικά περιβάλλοντα. Ισχυρά εργαλεία επιχειρηματικής αναλυτικής όπως η ανάλυση RFM, διάφοροι αλγόριθμοι ομαδοποίησης και η ανάλυση ΜΒΑ, υλοποιήθηκαν σε γλώσσα προγραμματισμού Python και εφαρμόστηκαν σε ένα πραγματικό αρχείο συναλλαγών μιας MME.

      Παρουσιάζεται η ερευνητική μεθοδολογία και τα εργαλεία επιχειρηματικής αναλυτικής και τα αποτελέσματα αναλύονται, ώστε να ανακαλυφθούν ομαδοποιήσεις πελατών, βάσει της αγοραστικής τους συμπεριφοράς. Προτείνονται συγκεκριμένες στρατηγικές κι ενέργειες μάρκετινγκ βάσει των ευρημάτων, και έχοντας υπόψιν τους περιορισμένους πόρους που μια ΜΜΕ διαθέτει.

      Επιβεβαιώνεται ότι μια ΜΜΕ με περιορισμένους πόρους μπορεί με την χρήση εργαλείων επιχειρηματικής αναλυτικής, εφαρμοσμένα σε εύκολα προσβάσιμα αρχεία συναλλαγών, να σχεδιάσει στρατηγικές και ενέργειες μάρκετινγκ αποδοτικά και οικονομικά ,ώστε να  χτίσει ισχυρές σχέσεις με τους πελάτες και να αποκομίσει αξία από αυτούς.

  16. Hellenic Open University
  17. Αναφορά Δημιουργού-Μη Εμπορική Χρήση 4.0 Διεθνές