Στόχος είναι να αναδείξουμε την ανάγκη για υιοθέτηση νέων μεθόδων ανάλυσης των δεδομένων που έχουν στην διάθεσή τους οι εταιρείες για το loyalty. Μέσα από τις σύγχρονες τεχνικές ανάλυσης μεγάλων δεδομένων, οι επιχειρήσεις είναι σε θέση να επεξεργαστούν πραγματικά δεδομένα αγοραστικής συμπεριφοράς και δεν χρειάζεται να στηρίζονται μόνο σε αυτά που αφορούν την στάση των καταναλωτών απέναντι στο brand τους,  όπως συμβαίνει με τα NPS ερωτηματολόγια. Θεωρούμε λοιπόν ότι ένα μοντέλο ανάλυσης και πρόβλεψης που λαμβάνει υπόψιν του περισσότερες διαστάσεις όπως για παράδειγμα δημογραφικά στοιχεία, συμπεριφορικά στοιχεία, ακόμα και συναισθηματικά στοιχεία μπορούν να έχουν ακόμα καλύτερα αποτελέσματα στην πρόβλεψη της αφοσίωσης των χρηστών μίας επιχείρησης.

Το αντικείμενο της εργασίας είναι:

1.       Μελέτη των διαφόρων μοντέλων πρόβλεψης αφοσίωσης

2.       Διεξαγωγή εμπειρικής μελέτης

Σύγκριση και εφαρμογή μοντέλων αφοσίωσης

Ψηφιακό Μάρκετινγκ

SPSS, excel

Ÿ  Grigsby, M., (2018), “Marketing Analytics: A Practical Guide to Improving Consumer Insights Using Data Techniques.”, London, Kogan Page.

Ÿ  Keiningham, T. L., Cooil, B., Andreassen, T. W., Aksoy, L., (2007), “A Longitudinal Examination of Net Promoter and Firm Revenue Growth.”, Journal of Marketing, 71 (3), 39–51.

Zaki, M., Kandeil, D., Neely, A., and McColl-Kennedy, J. R. (2016), “The Fallacy of the Net Promoter Score: Customer Loyalty Predictive Model.”, University of Cambridge, Cambridge Service Alliance, 1-26.