عنوان فارسی |
برآورد ارزش دوره حیات مشتری بر مبنای آنالیز RFM رفتار خرید مشتری : مطالعه موردی |
عنوان انگلیسی |
برآورد ارزش دوره حیات مشتری بر مبنای آنالیز RFM رفتار خرید مشتری : مطالعه موردی |
کلمات کلیدی |
مدیریت ارتباط با مشتری؛ ارزش دوره حیات مشتری؛ داده کاوی؛ آنالیز RFM؛ بخش بندی مشتری |
درسهای مرتبط |
مدیریت بازاریابی |
تعداد صفحات انگلیسی : 7 | نشریه : ELSEVIER |
سال انتشار : 2011 | تعداد رفرنس مقاله : 21 |
فرمت مقاله انگلیسی : PDF | نوع مقاله : ISI |
آیا این مقاله برای بیس پایان نامه مناسب است؟ : بله | آیا این مقاله برای ارائه کلاسی مناسب است؟ : بله |
وضعیت شکل ها و عنوان شکل ها: ترجمه نشده است. | وضعیت جداول و عنوان جداول : ترجمه نشده است. |
وضعیت تایپ فرمول ها : به صورت عکس درج شده است | نام مجله مقاله : Procedia Computer Science (پروسدیا علوم کامپیوتر) |
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش : 9 صفحه با فونت ۱۴ B Nazanin | آیا در بسته تبلیغات سایت نیز قرار داده شده است؟: محتوی بسته این محصول فاقد هر گونه تبلیغات می باشد. |
پاورپوینت : ندارد | گزارشکار : ندارد | شبیه سازی : ندارد |
سطح کیفیت ترجمه و ضمانت فراپیپر برای این مقاله چگونه است؟ |
ترجمه دارای وضعیت طلایی بوده و تا 24 ساعت در صورت عدم رضایت مشتری مبلغ مورد نظر عودت داده خواهد شد. |
بعد از خرید این محصول یک فایل برای شما قابل دانلود خواهد بود که دارای ورد (word) ترجمه مقاله است که قابل ویرایش است و همچنین pdf ترجمه مقاله به همراه pdf مقاله انگلیسی برای شما قابل مشاهده خواهد بود. در فایل های دانلود هیچگونه تبلیغاتی وجود ندارد و شما با خیال راحت میتوانید از ترجمه مقاله استفاده کنید.
1- مقدمه
2- پیش زمینه
2.1. تعاریف ارزش دوره حیات مشتری و طبقه بندی ها
2.2. داده کاوی و روش های آن
3- مطالعه موردی
فاز 1: تفهیم تجارت
فاز 2: شناخت داده ها
فاز 3: آماده کردن داده ها
فاز 4: مدلسازی
3.1. خوشه بندی
3.2. اندازه گیری CLV خوشه ها
فاز 5 و 6: ارزیابی و توسعه
4. نتیجه گیری
نتیجه گیری:
بخش بندی مشتریان یکی از کاربردهای CLV است که در مطالعه کنونی روی آن تمرکز شده است. داده مشتریان یک شرکت سلامتی و زیبایی بعنوان مورد مطالعه انتخاب شد. ما مشتریان را در بخش هایی بر مبنای پارامترهای RFM و RFM توسعه یافته با استفاده از الگوریتم K ابزار خوشه بندی کرده ایم. خوشه بندی مشتریان در گروه های مختلف به تصمیم گیرندگان در تشخیص شفاف تر بخش های بازار کمک میکندو درنتیجه می توانند استراتژی های فروش و بازاریابی موثری را برای نگهداری مشتریان به کار بگیرند. چون وزن های RFM با توجه به ویژگی های صنعتی، فرق می کند، متد AHP برای تعیین اهمیت نسبی متغیرهای RFM بر مبنای دیدگاه متخصصان دپارتمان فروش به کار می رود. با توجه به پارامترهای RFM وزن دار، ارزش CLV برای هر بخش مشتری محاسبه شد. سپس رتبه CLV به هر بخش ، بر مبنای ارزش CLV آن داده شد. ارزش کنونی ، دیدگاه مالی را ایجاد میکند و ارزش بالقوه نشان دهنده فرصت های فروش متقابل است. با تحلیل رتبه CLV گروه مشتریان تقسیم بندی شده ، میتوانیم استراتژی های بازاریابی تعریف شده ای را برای هر بخش به کار ببریم. به کارگیری این استراتژی ها در این شرکت مبنای کارآتی ماست.
Conclusion:
Customer segmentation is one of the CLV applications which focused on in current study. The Customers data for a beauty and heath company is analyzed as case study. We clustered customers into segments according to RFM and Extended RFM parameters using K-means Algorithm. Clustering customers into different groups helps decision-makers identify market segments more clearly and thus develop more effective marketing and sale strategies for customer retention. Since the RFM weights vary with the characteristics of industry, AHP method was applied to determine the relative importance of RFM variables based on expert point of view in sale department. According to weighted RFM parameters, CLV value was calculated for each customer segment. Then CLV rank was assigned to each segment on the basis of its CLV value. The current value provides financial viewpoint and potential value indicates cross-selling opportunities. By analyzing the CLV rank of segmented customer groups, we can develop refined marketing strategies for each segment. Deployment of these strategies in the company is our future work.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.