پیش‌بینی ارزش عمر مشتری توسط مدل RFM توسعه‌یافته (مطالعه موردی شرکت بیمه)

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استادیار گروه مهندسی صنایع، دانشکده فنی و مهندسی گلپایگان، گلپایگان، اصفهان، ایران

2 دانشجوی کارشناسی مهندسی صنایع، دانشکده فنی و مهندسی گلپایگان، گلپایگان، اصفهان، ایران

چکیده

در شرایط رقابتی امروز، مشتریان مهم‌ترین منبع درآمد شرکت‌های صنعتی، تجاری و موسسات خدماتی به حساب می‌آیند. این درحالی است که پیش‌بینی ارزش طول عمر مشتری و تخصیص بودجه و منابع محدود به سودآورترین مشتریان، کمک شایانی به مدیران در جهت کسب بازار و افزایش سودآوری خواهد نمود. در این پژوهش، ابتدا به تعیین ارزش عمر فعلی مشتریان براساس مدل RFM توسعه‌یافته و با استفاده از وزن‌دهی سلسله مراتبی پرداخته و سپس، احتمال ریزش مشتریان را برپایه توزیع هندسی زمان انتظار مدل‌سازی می‌کنیم. در ادامه با استفاده از مدل زنجیره مارکوف به تحلیل تغییر وضعیت رفتار مشتریان پرداخته و در انتها، ارزش طول عمر هر مشتری که شامل ارزش عمر فعلی و آینده مشتری می‌باشد تعیین می‌شود. همچنین، به منظورکاربرد این پژوهش، رویکرد معرفی‌شده، در قالب یک مطالعه موردی در خصوص شرکت بیمه به کار گرفته شده است.

کلیدواژه‌ها


[1]Kupaii, M., & Bidgoli, B. (2007). A method for predicting customer lifetime value chains. International Information and Communication Technology Management, 1-6.

[2]Cuadros, A.J., & Dominguez, V.E. (2014) Customer segmentation model based on value generation for marketing Strategies. Estudios Gerenciales, 30, 25-30 .

[3] Bahrami, SH., & Bazdar, A. (2017).  The Development of RFM Model to analyze and describe the behavior of customers and the value of its properties. 13th Int. International Conference on Industrial Engineering,1-9.

[4] Chenga, C. J., Chiub, S.W., Chengc, C. B., & Wuc, J. Y. (2012). Customer lifetime value prediction by a Markov chain based data-mining model: Application to an auto repair and maintenance company in Taiwan. Scientia Iranica, 19, 849-855.

[5] Khajvand, M., & Tarokh, M. J. (2011). Estimating customer future value of different customer segments based on adapted RFM model in retail banking context. Procedia Computer Science, 3, 1327–1332.

[6] Yeh, I.C., Yang, K.J., & Ting, T.M. (2009). Knowledge discovery on RFM model using Bernoulli sequence.  Expert Systems with Applications, 36, 5866–5871.

[7] Carrasco, R., Blasco, M.F., & Viedma, E.H. (2015). A 2-tuple Fuzzy Linguistic RFM Model and Its Implementation. Procedia Computer Science, 55, 1340 – 1347

[8] Chalaki, k., & Bazdar, A.(2018). An alternative to the BG/NBD model for predicting the customer lifetime value. Int. J. of Engineering Research, 5, 150-162.

[9] Bazdar, A., & Chalaki, k.(2017). Stream of Variation Testing in order to Fault Diagnosis of Multistage Manufacturing Processes. Int. J. of Industrial Engineering Research in Production Systems, 5(10),.69-81 .

[10] Chiang, L., & Yang, CH. (2018) .Does country-of-origin brand personality generate retail customer lifetime value? A Big Data analytics approach.Int. J. of Technological Forecasting & Social Change, 130, 177-187.

[11] Caigny, A., Coussement, k., & Bock, w. (2018). A New Hybrid Classification Algorithm for Customer Churn Prediction Based on Logistic Regression and Decision Trees. Int. J. of European Journal of Operational Research, 18, 1-33.

[12] Çavdar, A., & Ferhatosmanoğlu, N. (2018). Airline customer lifetime value estimation using data analytics supported by social network information. Int. J. of Air Transport Management, 67, 19-33.

[13] Yan, ch., Sun, H.,Liu,w., & Chen , j. (2018). An integrated method based on hesitant fuzzy theory and RFM model to insurance customers’ segmentation and lifetime value determination. Journal of Intelligent & Fuzzy Systems, 1-11.

[14] Personnel Insurance Research Group, Insurance Institute. Computational methods study and risks assessment in accident insurance.NO.19, Customized research projects of Central Insurance of Iran (2016).

[15] Khajvand, M., & Tarokh, M. J. (2011). Analyzing Customer Segmentation Based on Customer Value Components: A Private Bank. Int. J. of Industrial Engineering, University of Tehran, Special Issue, 79-93.

[16] Dunn, J.C. (1974). Well-separated clusters and optimal fuzzy partitions.  Int. J.  of cybernetics,4, 95-104 .

[17] Davies, D. L., & Bouldin, D. W. A cluster separation measure. IEEE Trans. Pattern Anal, Machine Intell, 4, 224-22.