In the realm of customer-centric strategies, the study focuses on the critical aspect of customer segmentation in the context of innovative home appliances of Electrolux, the company where this master thesis was performed. This thesis leverages Machine Learning models to analyze washing machine data from the Europe, Middle East, and Africa (EMEA) region, aiming to cluster customers and unveil patterns in appliance usage. The importance of tailored marketing strategies is underscored, prompting an investigation into existing solutions for customer segmentation in this specific engineering domain. The study addresses challenges such as developing a robust methodology for clustering and ensuring accurate information extraction. Results demonstrate the efficacy of Machine Learning in customer segmentation, enabling the company to enhance its understanding of customers, implement targeted campaigns, and offer personalized experiences. The successful resolution of this problem opens avenues for broader conclusions, such as gaining insights from worldwide data sets, transcending the previous limitation to the EMEA region. Furthermore, incorporating various timestamps, including periods before, during, and after the COVID-19 pandemic, enables a more comprehensive understanding of the issue. This approach enhances the applicability and robustness of our findings, offering a nuanced and holistic perspective on the challenges faced in different global contexts and over varying temporal dimensions. / När det gäller kundcentrerade strategier fokuserar studien på den kritiska aspekten av kundsegmentering i samband med innovativa hushållsapparater från Electrolux, företaget där denna masteruppsats utfördes. Den här avhandlingen utnyttjar maskininlärningsmodeller för att analysera tvättmaskinsdata från Europa, Mellanöstern och Afrika (EMEA)-regionen, i syfte att klustera kunder och avslöja mönster för användning av apparater. Vikten av skräddarsydda marknadsföringsstrategier understryks, vilket föranleder en undersökning av befintliga lösningar för kundsegmentering inom denna specifika tekniska domän. Studien tar upp utmaningar som att utveckla en robust metod för klustring och säkerställa korrekt informationsextraktion. Resultaten visar effektiviteten av Machine Learning i kundsegmentering, vilket gör det möjligt för företaget att öka sin förståelse för kunder, implementera riktade kampanjer och erbjuda personliga upplevelser. Den framgångsrika lösningen av detta problem öppnar vägar för bredare slutsatser, som att få insikter från världsomspännande datamängder, som överskrider den tidigare begränsningen till EMEA-regionen. Genom att införliva olika tidsstämplar, inklusive perioder före, under och efter covid-19-pandemin, möjliggörs en mer omfattande förståelse av problemet. Detta tillvägagångssätt förbättrar tillämpbarheten och robustheten av våra resultat, och erbjuder ett nyanserat och holistiskt perspektiv på de utmaningar som ställs inför i olika globala sammanhang och över varierande tidsdimensioner.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-347559 |
| Date | January 2024 |
| Creators | Porcu, Simone |
| Publisher | KTH, Skolan för elektroteknik och datavetenskap (EECS), Stockholm : KTH Royal Institute of Technology |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | TRITA-EECS-EX ; 2024:106 |
Page generated in 0.0032 seconds