The energy transition is accompanied by massive electrification of uses and sectors such as transport. As a result, the pressure on the electricity grid is increasing, and the time to connect to the power system is lengthening. Deploying new infrastructure is a laborious and expensive process but there are alternatives to exploit the flexibility of the power grid. The deployment of smart meters opens the door to many applications related to flexibility on the consumer side, to reduce peak loads that threaten grid capacity. Targeting the right consumers for Demand-Side Management (DSM) is a prerequisite to maximizing the chances of success of such programs. This degree project replicates and adapts the method developed in [14] to segment residential customers. It consists of encoding Daily Load Curves (DLC) using a dictionary of Typical Load Profiles (TLP) and grouping consumers according to the distribution of their TLP. A temporal analysis of the main TLP reveals different consumption behaviors. Customers are segmented into groups that reflect the degree of volatility of their consumption. This enables a classification based on the potential for Energy Efficiency (EE) or Demand Response (D/R) programs. We address the issue of attribute detection using the distribution of TLP of customers. In particular, several classification algorithms are compared to detect TLP characteristic of Electric Vehicle (EV). The obtained load shapes show consumption peaks at night, which may correspond to the charging time of EV. The method is discussed, especially the choice of the number of load profiles to be included in the dictionary of TLP. It proves to be useful to group consumers with similar consumption profiles and opens the door to applications such as individual household consumption forecasting. / Energiomställningen kräver en massiv elektrifiering av användningsområden och sektorer som t.ex. transportsektorn. Detta leder till att trycket på elnätet ökar och att tiden för att ansluta sig till elnätet blir allt längre. Att bygga ut ny infrastruktur är en mödosam och dyr process, men det finns alternativ för att utnyttja elnätets flexibilitet. Utplaceringen av smarta mätare öppnar dörren för många tillämpningar som rör flexibilitet på konsumentsidan, för att minska toppbelastningar som hotar nätkapaciteten. Att rikta in sig på rätt konsumenter för DSM är en förutsättning för att maximera chanserna att lyckas med sådana program. I detta examensarbete replikeras och anpassas den metod som utvecklats i [14] för att segmentera hushållskunder. Den består av att koda DLC med hjälp av ett lexikon av TLP och gruppera konsumenter enligt fördelningen av deras TLP. En tidsmässig analys av de viktigaste TLP avslöjar olika konsumtionsbeteenden. Kunderna delas in i grupper som återspeglar graden av volatilitet i deras konsumtion. Detta möjliggör en klassificering baserad på potentialen för EE eller D/R-program. Vi tar upp frågan om attributdetektering med hjälp av fördelningen av TLP hos kunderna. I synnerhet jämförs flera klassificeringsalgoritmer för att upptäcka TLP som är karakteristiska för EV. De erhållna belastningsformerna visar konsumtionstoppar på natten, vilket kan motsvara laddningstiden för EV. Metoden diskuteras, särskilt valet av antalet belastningsprofiler som ska ingå i ordlistan för TLP. Metoden visar sig vara användbar för att gruppera konsumenter med liknande förbrukningsprofiler och öppnar dörren för tillämpningar som prognostisering av enskilda hushålls förbrukning.

Clustering is a technology within unsupervised learning with a wide range of applications. Several of these applications use data that change over time, which makes clusters’ persistence of interest. One among these employments of clustering time-variant data is preference based customer segmentation. Preferences are assumed to change over time and it is thus of interest to know for how long clusters based on preferences remain. This study explores clusters of clients obtained in the segmentation analysis of users of a video streaming service and their persistence over time. The clients were clustered based on viewing history from distinct months with the k-means algorithm. Various metrics, such as Rand Index (RI), Adjusted Rand Index (ARI) and Fowlkes-Mallows score, were employed for evaluation of cluster persistence. It was found that most of the identified clusters did not show persistence over months but that most partitions included at least one clustered that was considered persistent. The results also suggested that clusters featured by titles that target children were more persistent than other clusters. Moreover, clients with a large interest in videos within the children genres appeared to form relatively separated clusters, which supports considering consumers of children titles as a separate target group. / Klustring är en teknik inom oövervakad maskininlärning med en mängd applikationer. Flera av dess applikationer använder data som förändras med tid, vilket gör klusters bestående intressant. En av dessa användningar av klustring av tidsberoende data är preferensbaserad kundsegmentering. Preferenser antas förändras med tid och det är således av intresse att veta hur länge kluster baserade på preferenser förblir. Den här studien utforskar klient-kluster erhållna genom segmenteringsanalys av användare av en video-strömningstjänst och dessas beständighet över tid. Klienterna klustrades baserat på deras tittarhistorik från olika månader med k-means. Flertalet mätvärden, såsom RI, ARI och Fowlkes-Mallows, användes för att utvärdera klusters fortlevnad i termer av överlapp av klienter. Fortlevnad över månader visades inte vara norm bland de identifierade klustren. Resultaten visade också på att kluster som präglades av titlar riktade mot barn var mer beständiga än andra kluster. Vidare tycktes klusters top-titlar antingen uteslutande utgöras av titlar riktade mor barn eller inte inkludera några titlar riktade mot barn, vilket stödjer hantering av konsumenter av barntitlar som en separat målgrupp.

Les travaux de cette thèse s’intéressent à l’exploration de la multiplicité des solutions de clustering. Le but est de proposer aux experts marketing un outil interactif d’exploration des données clients qui considère les préférences des experts sur l’espace des attributs. Nous donnons d’abord la définition d’un système de clustering exploratoire. Nous proposons ensuite une nouvelle méthode de clustering semi-supervisée qui considère des préférences quantitatives de l’utilisateur sur les attributs d’analyse et qui gère la sensibilité à ces préférences. Notre méthode tire profit de l’apprentissage de métrique pour trouver une solution de compromis entre la structure des données et les préférences de l’expert. Enfin, nous proposons un prototype de clustering exploratoire pour la segmentation des données de la relation client intégrant la nouvelle méthode de clustering proposée, mais aussi des fonctionnalités de visualisation et d’aide à l’interprétation de résultats permettant de réaliser un processus complet de clustering exploratoire. / The research work presented in this thesis focuses on the exploration of the multiplicity of clustering solutions. The goal is to provide to marketing experts an interactive tool for exploring customer data that considers expert preferences on the space of attributes. We first give the definition of an exploratory clustering system. Then, we propose a new semi-supervised clustering method that considers user’s quantitative preferences on the analysis attributes and manages the sensitivity to these preferences. Our method takes advantage of metric learning to find a compromise solution that is both well adapted to the data structure and consistent with the expert’s preferences. Finally, we propose a prototype of exploratory clustering for customer relationship data segmentation that integrates the proposed method. The prototype also integrates visual and interaction components essential for the implementation of the exploratory clustering process.

Le cadre général des travaux de cette thèse est la chaîne logistique des pièces de rechange et particulièrement l’amélioration de sa performance en prévision et en gestion des stocks à plusieurs niveaux de service. La spécificité d’une demande faible et erratique ne permet pas l’utilisation des approches classiques de prévision. Par ailleurs, les mesures de performance associées reposant sur des indicateurs purement statistiques ne reflètent pas nécessairement les objectifs de gestion d’une chaîne logistique qui cherche à s’aligner avec différents niveaux d’exigence des contrats de maintenance. Après une description des processus et des outils en prévision et en gestion de stocks utilisés dans ce contexte, ces travaux proposent de nouvelles approches de sélection des méthodes de prévisions qui intègrent prévision et gestion de stocks, qui permettent la priorisation en service ou en inventaire et qui utilisent une segmentation par profil de la demande et par niveau de maturité des pièces. Par la suite, ces travaux considèrent le cas de la différenciation client dans le modèle de gestion de stocks basé sur des prévisions, en comparant la performance de la politique à niveau critique avec les politiques classiques à stock commun ou séparé. Chaque processus étudié a été accompagné d’une analyse comparative entre différentes méthodes de prévisions et politiques de gestion de stocks sur des données réelles du cas d’application industrielle de la chaine logistique de GE Healthcare. Ce qui a permis de construire un ensemble de recommandations en fonction de la segmentation de la pièce et des priorités des décideurs. / The main scope of these works is the spare parts supply chain management, particularly the improvement of forecasting and inventory management performance. The specificity of low and erratic demand does not allow the use of conventional approaches of forecasting. Moreover, the associated performance measurements, based on purely statistical indicators, are not adapted to this context. Indeed, it should align with different levels of expectations of the maintenance contracts. After a presentation of the processes and tools used by the dedicated literature. Here we propose new performance analysis approaches seeking to combine the statistical performance of forecasting methods and inventory management performance while considering decision makers priorities and using demand pattern as well as parts age segmentations. These works also address the use of customer differentiation in the inventory model based on forecasting, by comparing the performance of the critical level policy with the common stock and separated stock policies. Each studied process was associated with a comparative analysis of different forecasting methods and inventory management models based on real data of the spare parts supply chain of GE Healthcare, which allowed us to define a set of methods and parameters recommendations according to both part segmentations and supply chain priorities.

In this thesis, cluster analysis was applied to data comprising of customer spending habits at a retail chain in order to perform customer segmentation. The method used was a two-step cluster procedure in which the first step consisted of feature engineering, a square root transformation of the data in order to handle big spenders in the data set and finally principal component analysis in order to reduce the dimensionality of the data set. This was done to reduce the effects of high dimensionality. The second step consisted of applying clustering algorithms to the transformed data. The methods used were K-means clustering, Gaussian mixture models in the MCLUST family, t-distributed mixture models in the tEIGEN family and non-negative matrix factorization (NMF). For the NMF clustering a slightly different data pre-processing step was taken, specifically no PCA was performed. Clustering partitions were compared on the basis of the Silhouette index, Davies-Bouldin index and subject matter knowledge, which revealed that K-means clustering with K = 3 produces the most reasonable clusters. This algorithm was able to separate the customer into different segments depending on how many purchases they made overall and in these clusters some minor differences in spending habits are also evident. In other words there is some support for the claim that the customer segments have some variation in their spending habits. / I denna uppsats har klusteranalys tillämpats på data bestående av kunders konsumtionsvanor hos en detaljhandelskedja för att utföra kundsegmentering. Metoden som använts bestod av en två-stegs klusterprocedur där det första steget bestod av att skapa variabler, tillämpa en kvadratrotstransformation av datan för att hantera kunder som spenderar långt mer än genomsnittet och slutligen principalkomponentanalys för att reducera datans dimension. Detta gjordes för att mildra effekterna av att använda en högdimensionell datamängd. Det andra steget bestod av att tillämpa klusteralgoritmer på den transformerade datan. Metoderna som användes var K-means klustring, gaussiska blandningsmodeller i MCLUST-familjen, t-fördelade blandningsmodeller från tEIGEN-familjen och icke-negativ matrisfaktorisering (NMF). För klustring med NMF användes förbehandling av datan, mer specifikt genomfördes ingen PCA. Klusterpartitioner jämfördes baserat på silhuettvärden, Davies-Bouldin-indexet och ämneskunskap, som avslöjade att K-means klustring med K=3 producerar de rimligaste resultaten. Denna algoritm lyckades separera kunderna i olika segment beroende på hur många köp de gjort överlag och i dessa segment finns vissa skillnader i konsumtionsvanor. Med andra ord finns visst stöd för påståendet att kundsegmenten har en del variation i sina konsumtionsvanor.

In recent decades, the use of incentive-based reward programs to foster customer loyalty and promote sales has become prevalent in various industries. While these strategies are widely accepted and implemented, there is a significant gap in empirical studies to ascertain their real-world effectiveness. This thesis embarks on a comprehensive examination into the effectiveness of an online business's reward program, utilizing data from the past five years and employing data mining techniques, including RFM (Recency, Frequency, Monetary) model and clustering algorithms; hypothesis tests are employed to further strengthen the drawn conclusions. Contrary to popular theories, the findings reveal that small incentives such as rewards did not induce significant changes in customer purchasing behavior, nor did they effectively boost sales among rewarded customers. A control group of non-rewarded top-class customers showed more robust purchasing patterns. These unexpected results challenge existing beliefs and call for a critical re-evaluation of current practices in sales promotion and customer loyalty. The research underscores the need for empirically grounded strategies, further exploration into alternative loyalty-building methods, and a recognition of the complex realities influencing customer engagement.

要創造顧客價值，首先需瞭解顧客。顧客是企業最重要的資產，企業應掌握該資產之性質與經濟意涵。本研究自此觀點出發，對個案公司之顧客資產提出四大問題：1.可能長期/短期往來客戶分辨及探討可能長期往來客戶是否一定是好客戶2.各區隔客戶的主要消費型態3.各區隔顧客與企業之獲利關係4.各區隔顧客之理財型態。本研究藉由此四大問題，串連時間、獲利與經濟行為構面進行分析與探討。本研究之資料取自某銀行信用卡部門二年期之月顧客資料。 　　本研究之發現說明如下： 　　1.以獲利與時間兩構面為區隔，發現長期往來之客戶不一定是好客戶。可能短期往來客戶亦有極佳之獲利潛能，但可能因為企業未能滿足需求或客戶有交換使用各家信用卡之行為、預算分配情況的影響，致使此類客戶未能成為忠實客戶，管理當局應深入調查這些顧客的行為，以利策略之擬定。 　　2.各區隔間有鮮明之行為特質。各區隔之所注重的消費層次不同，關心的議題可能不同，因此企業在行銷上注重的層面理應不同。 　　3.大多數之客群對獲利有顯著貢獻，顯示出大多數客戶是具有潛在利潤的客戶。 　　4.「一般交易需求者」為個案銀行之主要客戶，屬於極少拖欠帳款，或者是有支出預算之消費者，銀行只能自手續費獲利，因此，日常營運成本可能是關心重點，企業應力求成為此類顧客的主要銀行。 / Customer valuation is becoming a critical element in strategy development. It is built on the notation that the customer is the primary asset of the firm. The firm has a protfolio of customer assets that should be analyzed economically to determine their value to the firm. The four issues in this study relate to (1) identifying possible long-lived or short-lived customers and if those possible long-lived customers are necessarily profitable customers or not; (2) investigating consuming behavior of each segment; (3) understanding the profit relationship between the firm and customers; (4) establising financing behavior of each segment. This study is based on a monthly data from a large retail bank for two years. 　　Bellows are the illustation of the empirical findings in this study： 　　 1. Duration and customer profitability are two good dimensions of segmentation. Long-lived customers are not necessarily profitable customers. Short-lived customers have great potential in profitability, too. The firm may not fulfill their needs. Those customers may be butterflies, i.e., they like to use different banks’credit cards. On the other hand, some customers may have budget for their spending. The firm must investigate this phenomenon deeply, so as to plan their marketing strategy. 　　 2. Each segment concerns about different issues because they have distintive consuming behavior. So, the firm must have different marketing strategies for each segment. 　　 3. There is positive association between customers and the firm's profitability in most of the segments. This reveals that most customers are profitable. 　　 4. Tansistors are the domain customer type of the firm. They usually pay bills in time. Maybe, they have spending budget. The firm receives transation fees only. Under this condition, operation excellence is the key point. The firm must pay great efforts to become the domain bank of their customers.

Turismaktiviteter till havs har kommit att få ett ökat intresse de senaste åren, där människor har upptäckt fördelen med kryssningsfärjor som transportmedel. De erbjuder ett varierat utbud av aktiviteter och upplevelser ombord, som både privat- och affärsresenärer kan ta del av. Detta omfattar flera kundgrupper med olika behov, vilket innebär att rederierna måste uppfylla kundernas förväntningar och vad de efterfrågar. I nuläget finns det en bred konkurrens på marknaden, där de olika aktörerna försöker skapa en egen nisch genom olika marknadsföringsstrategier i syfte att skapa långsiktiga relationer. Syftet med vår studie är att utreda hur Stockholms tre största rederier, Tallink Silja AB, Viking Line AB och Birka Cruises AB, arbetar för att behålla och vårda sina befintliga resenärer, samt vilka strategier som används för att nå nya kundsegment. Vi har även utgått ifrån kundens perspektiv för att undersöka hur de förhåller sig till företagens produkter och tjänster. Studien baseras på intervjuer med ledningsgruppen på respektive bolag, samt kundundersökningar. Relevanta teorier har valts ut för att analysera hur marknadsföringsstrategier i teorin stämmer överens med verkligheten. Trots att de undersökta kryssningsbolagen erbjuder likartade produkter och tjänster, visade resultatet att företagens affärsidé och varumärke skapade ett specifikt behov hos deras kunder. Detta medförde att företagets marknadsföringsstrategier var utmärkande på individnivå och därmed skapades ingen hög konkurrens mellan de berörda kryssningsbolagen. Samtliga rederier är under utveckling, där de fortfarande arbetar med att ständigt utveckla och anpassa sina kunderbjudanden för att bli ledande aktörer på marknaden. För att åstadkomma detta måste företaget upprätthålla sina imageskapande idéer genom att behålla bra service och erbjuda den kvalité som kunderna efterfrågar.

In my dissertation, I attend to the Marketing plan of the Training center Oaza. This is a concrete real company Oaza Ricany, which in its current premises built and opened in 2009 a new Training center Oaza. The main objective of this thesis is to create a marketing plan for the Training center Oaza. The aim is to consolidate existing activities and plans of the company Oaza Ricany a complete marketing plan for a newly built training center, which will help improve the economy of the company and will focus on finding other ways to increase the occupancy of training center. The operational objective is to evaluate the current situation of the company Oaza Ricany and of the Training center Oaza and use this information to elaborate a complete marketing plan of the Training center Oaza.

Title: No thanks to unnecessary advertising! -A study on targeted marketing via Big Data in a consumer perspective Authors: Ricky Carlsson and Alexander Vilhelmsson Supervisor: Anders Parment Key words: Targeted marketing, Big Data, Customer segmentation, Buying process, Integrity concern, Customer relationship management, Marketing communication, Strategic management, Big Data management, Online Behavioural Targeting Introduction: In a world that is globalizing and where digital development is advancing, companies have had to adapt. In recent times with the increasingly more digital world, technology has become an increasingly more relevant factor, not least in marketing. A digital method that has emerged is Big Data, whichmakes it possible forcompanies tocollect large amounts of information about consumers. By analysing the information extracted from Big Data, it is easier to find and understand consumers' needs and what motivates their buying process. It is important that companies analyse the information correctly so that they do not run the risk of creating negative effects from targeted marketing via Big Data. Purpose: To investigate Swedish consumers' attitudestowards targeted marketing via Big Data and to find out how companies that sell goods and services to consumers can improve their use of Big Data in targeted marketing from a consumer perspective. Method: The study is a cross-sectional study of a qualitative and quantitative nature. The qualitative empirical data consists of 11 semi-structured interviews with students in Sweden. The quantitative empirical data consists of 203 survey answers collected from consumers around Sweden. The study is based on an abductive approach and has a hermeneutic approach. Conclusion: The result of the study shows that there are both opportunities and challenges for companies when using Big Data in targeted marketing. Targeted marketing with the help of Big Data that is performed correctly should only have a positive impact on the targeted marketing and something that creates value for both the consumers and the companies, but this is not the case today. The population of the study perceives that marketing often does not match their needs; this shows that companies must become better at analysing the data. If the data extracted from Big Data is analysed in a better way, the segmentation of consumers will also be better. / Titel: Nej tack till onödig reklam! - En studie om riktad marknadsföring via Big Data i ett konsumentperspektiv. Författare: Ricky Carlsson och Alexander Vilhelmsson Handledare: Anders Parment Bakgrund: I en värld som globaliseras och där den digitala utvecklingen går framåt har företag varit tvungna att anpassa sig. På senare tid i takt med den ständigt mer digitaliserade världen har teknologi blivit en alltmer relevant faktor, inte minst inom marknadsföring. En digital metod som har vuxit fram är Big Data genom vilken företag har möjlighet att samla in stora mängder information om konsumenter. Genom att analysera informationen som utvinns från Big Data går det att lättare finna och förstå konsumenters behov och vad som motiverar deras köpprocess. Det är viktigt att företag analyserar informationen på rätt sätt för att inte löpa risken att skapa negativa effekter av den riktade marknadsföringen via Big Data. Syfte: Att undersöka svenska konsumenters attityder till riktad marknadsföring via Big Data samt ta reda på hur företag som säljer varor eller tjänster till konsumenter kan förbättra användningen av Big Data inom riktad marknadsföring utifrån ett konsumentperspektiv. Metod: Studien är en tvärsnittsstudie av kvalitativ och kvantitativ karaktär. Den kvalitativa empirin består av 11 semi-strukturerade intervjuer med studenter i Sverige. Den kvantitativa empirin består av 203 insamlade enkätsvar från konsumenter runt om i Sverige. Studien grundas i en abduktiv ansats och har ett hermeneutiskt synsätt. Slutsatser: Resultatet i studien visar på att det finns möjligheter och utmaningar för företag vid användning av Big Data inom riktad marknadsföring. En riktad marknadsföring medhjälp av Big Data som utförs på rätt sätt borde enbart ha en positiv påverkan på den riktade marknadsföringen och något som skapar värde för konsumenter och företag, men så är inte fallet idag. Då studiens population uppfattar att den riktade marknadsföringen ofta inte matchar deras behov bör företag bli bättre på att analysera data. Om data som utvinns från Big Data analyseras på ett bättre sätt kommer även segmenteringen av konsumenter att bli bättre.