Customer Segmentation using Two-Stage Clustering: A Case Study in the Banking Sector
2025 (English)Independent thesis Advanced level (degree of Master (Two Years)), 20 credits / 30 HE credits
Student thesisAlternative title
Kundsegmentering med tvåstegsklustring : En fallstudie inom banksektorn (Swedish)
Abstract [en]
Customer segmentation, the practice of grouping customers based on shared characteristics, is pivotal for data-driven strategies, enabling businesses to tailor their products and services effectively. However, real-world customer behaviour can be influenced by numerous interrelated factors, which can complicate segmentation. This thesis investigates the potential of a two-stage clustering method combining Self-Organising Maps (SOMs) with k-means clustering to identify meaningful customer segments from high-dimensional behavioural data at a leading digital bank in the Nordics. Specifically, SOMs are explored as a dimensionality reduction pre-processing step aimed at enhancing clustering effectiveness. Using a dataset of 5,000 anonymised customers, encompassing demographic attributes, trading history, and platform usage patterns, the study evaluates the two-stage SOM + k-means method against standalone k-means. Results demonstrated that the combined approach consistently outperformed standalone k-means according to internal validity metrics. The resulting segments were interpretable, highlighting clear patterns in trading activity, mobile usage, and customer tenure. Nonetheless, segment boundaries remained somewhat diffuse, reflecting the inherently continuous and overlapping nature of customer behaviours. This research contributes to machine learning-based customer segmentation by applying and critically evaluating a two-stage clustering method in a real-world financial context. The findings underline the value of SOM-based preprocessing for complex segmentation tasks and support treating segmentation as exploratory rather than definitive. Future research could explore additional high-dimensional datasets or assess the generalisability of this method across various customer groups and industries.
Abstract [sv]
Kundsegmentering, att gruppera kunder baserat på gemensamma egenskaper, är en avgörande metod för datadrivna strategier och gör det möjligt för företag att anpassa sina produkter och tjänster på ett effektivt sätt. I praktiken kan dock kundbeteenden påverkas av många samverkande faktorer, vilket kan försvåra i segmentering. Denna uppsats undersöker potentialen av en tvåstegsklustringsmetod kombinerande Self-Organising Maps (SOM) med k-means-klustring för att identifiera meningsfulla kundsegment utifrån högdimensionell beteendedata hos en ledande digital bank i Norden. Ett särskilt fokus ligger på SOM som ett förbehandlingssteg för dimensionsreduktion, i syfte att förbättra klustringens effektivitet. Med ett dataset bestående av 5000 anonymiserade kunder, innehållande demografiska variabler, handelshistorik och plattformsanvändning, utvärderas tvåstegsmetoden SOM + k-means mot en fristående k-means-modell. Resultaten visade att den kombinerade metoden konsekvent presterade bättre enligt interna validitetsmått. De identifierade segmenten var tolkbara och uppvisade tydliga mönster i handelsaktivitet, mobilanvändning och kundlojalitet. Segmentgränserna var dock något diffusa, vilket speglar kundbeteendenas kontinuerliga och överlappande karaktär. Denna studie bidrar till maskininlärningsbaserad kundsegmentering genom att tillämpa och kritiskt utvärdera en tvåstegs-klustringsmetod i ett verkligt finansiellt sammanhang. Resultaten understryker värdet av SOM-baserad förbehandling för komplexa segmenteringsuppgifter och föreslår att segmentering bör betraktas som en utforskande metod, snarare än definitiv. Framtida forskning kan undersöka ytterligare högdimensionella dataset eller utvärdera metodens generaliserbarhet över olika kundgrupper och industrier.
Place, publisher, year, edition, pages
2025. , p. 54
Series
TRITA-EECS-EX ; 2025:538
Keywords [en]
Customer Segmentation, Clustering, Unsupervised Learning
Keywords [sv]
Kundsegmentering, klustring, oövervakad inlärning
National Category
Computer and Information Sciences
Identifiers
URN: urn:nbn:se:kth:diva-368200OAI: oai:DiVA.org:kth-368200DiVA, id: diva2:1987598
External cooperation
Nordnet Bank AB
Supervisors
Examiners
2025-08-112025-08-062025-08-11Bibliographically approved