پژوهش های مدیریت در ایران

شماره جاری

بر اساس شماره‌های نشریه

بر اساس نویسندگان

بر اساس موضوعات

نمایه نویسندگان

نمایه کلیدواژه ها

درباره نشریه

اهداف و چشم انداز

اعضای هیات تحریریه

اصول اخلاقی انتشار مقاله

بانک ها و نمایه نامه ها

پیوندهای مفید

پرسش‌های متداول

فرایند پذیرش مقالات

اطلاعات آماری نشریه

اخبار و اعلانات

محاسبه ارزش عمر مشتریان با در نظر گرفتن پویایی رفتار آنها با استفاده از زنجیره مارکف (مورد مطالعه: شرکت ایساکو)

نویسندگان

1 دانشجوی دکتری، مهندسی صنایع، دانشکده مهندسی صنایع، دانشگاه تربیت مدرس، تهران، ایران.

2 اﺳﺘﺎد، گروه مهندسی فناوری اطلاعات، دانشکده ﻣﻬﻨﺪﺳﻲ ﺻﻨﺎﻳﻊ، داﻧﺸﮕﺎه تربیت مدرس، تهران، ایران.

چکیده

در دنیای کسب و کار رقابتی امروزه توانایی شناسایی مشتری‌های سودآور و به دست آوردن وفاداری بلندمدت آن‌ها از اهمیت ویژه‌ایی برخوردار است. محاسبه ارزش طول عمر مشتریان یک سازمان یکی از مباحث کلیدی در مطالعات مدیریت ارتباط با مشتری بوده و تخصیص بودجه‌های بازاریابی با استفاده از این شاخص صورت می‌گیرد. یکی از چالش‌های مهم در این حوزه تخمین ارزش طول عمر مشتریان سازمان به گونه‌ایی است که این تخمین از دقت بالایی برخوردار باشد و امکان تغییر رفتار مشتریان در طول زمان را نیز در محاسبات مربوطه لحاظ نماید. مدل‌های زنجیره مارکف این امکان را فراهم می‌سازند، اما کاستی‌هایی نیز در مدل‌های استفاده شده دیده می‌شود.
مدل‌های زنجیره مارکف پیشنهادی در ادبیات موضوع، ماتریس احتمال انتقال وضعیت را با استفاده از کل داده‌های بازه زمانی مورد بررسی تخمین می‌زنند که با این روش احتمال تغییر رفتار مشتری نادیده گرفته می‌شود که ممکن است در برش‌های زمانی کوچک‌تر رخ دهد. مقاله سعی در نشان دادن این خلا تحقیقاتی با استفاده از داده‌های شرکت ایساکو است. نتایج نشان می‌دهد که استفاده از یک ماتریس احتمال گذار زنجیره مارکف که از مجموع داده‌های بازه زمانی مورد بررسی حاصل می‌شود، به خوبی بیانگر شرایط دنیای واقعی نبوده و منجر به خطا در انجام محاسبات می شود. به علاوه تجمیع تمام داده‌ها در تخمین این ماتریس امکان بررسی تغییرات رخ داده در طول بازه زمانی مورد بررسی و امکان تحقیق در شناسایی دلایل بالقوه رخ دادن این تغییرات رفتاری مشتریان را از محقق خواهد گرفت.
 

کلیدواژه‌ها

عنوان مقاله [English]

Calculating Customer Lifetime Value Considering Dynamic Behavior of Them Using Markov Chain Approach (Case study: Isaco)

نویسنده [English]

  • Maryam Shekary 1

چکیده [English]

Calculating Customer Lifetime Value (CLV) is a key measure in Customer Relationship Management (CRM) studies. Using this measurement, marketing budget can allocate perfectly. An important issue in this area is to increase the accuracy of calculations and considering the possibility of changing customers’ behavior. In this paper, we tried to show possibility of changing the behavior of customers. For this purpose, we used Isaco (Iran Khodro Spare parts and After Sales Service Corporation) four years transaction dataset. The customer lifetime value is calculated using Markove chain approach. Results show that considering all time period data to estimate only one transition matrix with fixed arrays don’t reflect the real world situation properly. In addition, aggregating all data to estimate the transition matrix will prevent detecting and studying possible changes of customers’ behavior and its potential reasons.
 

کلیدواژه‌ها [English]

  • Customer Lifetime Value
  • CLV
  • Isaco
  • Markove Chain
  • transision matrix
مراجع
[1] Gupta, S. & Lehmann, D. R. Customers as assets, journal of interactive marketing, vol. 17, no. 1, 2003, 9–24. [2] Chang, W., Chang C., Li, Q. Customer lifetime value:A review, Social Behavior and Personality, vol. 40, no. 7, 2012, 1057–1064. [3] Bolton, R., Lemon, K., Verhoef, P., The theoretical underpinnings of customer asset management: A framework and propositions for future research, Journal of the Academy of Marketing Science, vol. 32, no. 3, 2004, 271–292. [4] Pfeifer, P. E. & Carraway, R. L. Modeling customer relationships as Markov chains, Journal of Interactive Marketing, vol. 14, no. 2, 2000, 43–55. [5] Carpenter, P., Customer lifetime value: do the math, Marketing Computers, vol. 15, no. 1, 1995, 18–19. [6] Berger, P. D. & Nasr, N. I., Customer lifetime value: Marketing models and applications, Journal of Interactive Marketing, vol. 12, no. 1, 1998, 17–30. [7] Bauer, H. H., Hammerschmidt, M., Braehler, M., The customer lifetime value concept and its contribution to corporate valuation, Yearbook of Marketing and ConsumerResearch, vol. 1, no. 1, 2003, 47. [8] Rust, R. T., Lemon, K. N., Zeithaml, V. A., Return on marketing: Using customer equity to focus marketing strategy, Journal of Marketing, 2004, 109–127. [9] Gupta, S., Lehmann, D., Stuart, J. Ames, Valuing customers, Journal of Marketing Research, 2004, 7–18. [10] Safari, F., Safari, N., Montazer, G. A., Customer lifetime value determination based on RFM model, Marketing Intelligence & Planning, vol. 34, no. 4, 2016, 446–461. [11] Reinartz, W. J. & Kumar, V., On the profitability of long-life customers in a noncontractual setting: An empirical investigation and implications for marketing, Journal of Marketing, 2000, 17–35. [12] Sohrabi, B., Khanlari, A., Ajourloo, M., A Model to Determine Customer Lifetime Value ‎‎(CLV) in Banking Industry‎, Management Research in Iran , vol. 15, no. 1, 2011, 224–239. [13] bashiri Mousavi, S. A., Afsar, A., Mahjubifard, A., Customer value analysis in bank with data mining technique and fuzzy analytic hierarchy process, Management Research in Iran, vol. 19, no. 1, 2015, 23–43. [14] Safari Kahreh, M., Khodadad Hosseini, S. H., Azar, A., Customer Lifetime Value (CLV) Analysis for Customer Segmentation and Profitability Management: A Case Study of an Iranian Bank, Management Research in Iran, vol. 18, no. 4, 2015, 87–110. [15] Hasanzadeh, A., Ghanbari, M. H., Elahi, S., Classification of mobile banking users by data mining approach: Comparison between artificial neural networks and naïve bayes techniques, Management Research in Iran, vol. 16, no. 2, 2012, 57–71. [16] Albadvi, A., Norouzi, A., Sepehri, M. M., Amin Naseri, M. R., An Integrated Pareto/NBD- fuzzy weighted RFM model for customer segmentation in non-contractual setting, Journal of Business Management, vol. 6, no. 3, 2014, 417–440. [17] Akhondzadeh Noughabi, E., Albadvi, A., Sepehri, M. M., An analysis of structural changes of customer segments by a hybrid method of clustering and association rule, Journal of Business Management, vol. 7, no. 3, 2015, 515–542. [18] Sepehri, M. M., Norouzi, A., Teymourpour, B., Chubdar, S., Developing a model for discovering the causes of customer churn from banking services via hybrid approach of data mining and survey, Management Research in Iran, vol. 15, no. 4, 2012, 97–125. [19] Divandari, A., Davodian, A., Nazari, M., Memariani, A., Explanation of the commercial banking marketing strategy selection based on customer equity, Journal of Business Management, vol. 8, no. 1, 2016, 47–72. [20] Maleki Minbashrazgah, M., Zarei, A., Hajiloo, Z., Identifying & Segmenting Key Customers for Prioritizing them Based on Lifetime Value using RFM Model (Case study: Internet customer of Qom Telecommunications Company), Journal of Business Management, vol. 8, no. 2, 2016, 461–478. [21] Jain, D., Singh, S. S., Customer lifetime value research in marketing: A review and future directions, journal of interactive marketing, vol. 16, no. 2, 2002, 34–46. [22] Colombo, R., Jiang, W., A stochastic RFM model, journal of interactive marketing, vol. 13, no. 3, 1999, 2–12. [23] Malthouse, E. C., Blattberg, R. C., Can we predict customer lifetime value?, journal of interactive marketing, vol. 19, no. 1, 2005, 2–16. [24] Romero, J., van der Lans, R., Wierenga, B., A Partially Hidden Markov Model of Customer Dynamics for CLV Measurement, journal of interactive marketing vol. 27, no. 3, 2013, 185–208. [25] Ma, M., Li, Z., Chen, J., Phase-type distribution of customer relationship with Markovian response and marketing expenditure decision on the customer lifetime value, European Journal of Operational Research, vol. 187, no. 1, 2008, 313–326. [26] Haenlein, M., Kaplan, A. M., Beeser, A. J., A Model to Determine Customer Lifetime Value in a Retail Banking Context, European Management Journal, vol. 25, no. 3, 2007, 221–234. [27] Chan, S. L., Ip, W. H., Cho, V., A model for predicting customer value from perspectives of product attractiveness and marketing strategy, Expert Systems with Applications, vol. 37, no. 2, 2010, 1207–1215. [28] Cheng, C. J., Chiu, S. W., Cheng, C. B., Wu, J. Y., Customer lifetime value prediction by a Markov chain based data mining model: Application to an auto repair and maintenance company in Taiwan, Scientia Iranica, vol. 19, no. 3, 2012, 849–855.
پژوهش های مدیریت در ایران
دوره 22، شماره 4
بهمن 1397
صفحه 1-21
فایل ها
اشتراک گذاری
ارجاع به این مقاله
آمار