Background: Marketing is something that is constantly changing. Today, social media is the focus and to utilize it for marketing is profitble. Will a specific customer group act in other ways when they use social media or are we all the same on the Internet? Purpose: The study aims to map out the differences between a specific customer segment, in this case girls interested in horses, compared to girls with no interest in horses. By investigating their internet habits, it becomes possible to improve existing theories to further improve the marketing through social medias. Method: Quantitative survey using a questionnaire sent out to a number of riding clubs and schools in Blekinge to make it available to members on the website and meet the respondents in place. Results:There was a significant difference in age between the groups where girls with a horse interest on average was younger. Girls with no interest in horses was with a greater extent on the Internet daily, compared with girls with horse intrest most went online 3-5 days of the week. The interest of visiting social media to take part in events and/or politics events were lower in girls with an interest in horses. The majority of horse the girls stated that they shared the tablet and PC with the family to a greater extent than girls with no interest in horses. Conclusion: The use of the Internet did not differ, however, there was a difference in how the girls connected to the Internet and how often they were connected and which social media they joined. / Bakgrund: Marknadsföringen är något som ständigt förändras. Idag är sociala medier i fokus och att utnyttja det i forma av marknadsföring. Agerar specifika kundgrupper på andra sätt när de använder sig av sociala medier eller är vi alla lika på Internet? Syfte: Studien syftar på att kartlägga skillnader mellan en speciell utvald kundgrupp, i det här fallet hästtjejer, som visar upp unika egenskaper. Genom att undersöka deras internetvanor möjliggörs kompletteringar på existerande teorier för att optimera marknadsföringen. Metod: Kvantitativ undersökning med hjälp av en enkät som skickades ut till ett antal ridklubbar och skolor runt om i Blekinge för att göra den tillgänglig för medlemmarna på hemsidan och möta respondenterna på plats. Resultat: Det fanns en signifikant skillnad i åldern mellan grupperna där tjejer med ett hästintresse är i genomsnitt yngre. Tjejer utan hästintresse anslöt i högre utsträckning dagligen till Internet jämfört med tjejer med hästintresses där de flesta gick online 3-5 dagar per vecka. Intresset för att besöka sociala medier för att ta del av händelser och politik var lägre hos tjejer med ett hästintresse. Den övervägande delen av hästtjejerna angav att de delade surfplatta och dator med familjen i större utsträckning än tjejer utan hästintresse. Slutsats: Användandet av Internet skiljde sig inte däremot fanns det en skillnad i hur tjejerna anslöt till Internet och hur ofta de var uppkopplade samt vilka sociala medier de anslöt till.

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.

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.

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.

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.