مطالب مرتبط با کلیدواژه

CLV


۱.

ارائه مدلی نوین جهت محاسبه ارزش دوره عمر مشتری(مقاله علمی وزارت علوم)

کلیدواژه‌ها: اولویت‌بندی مشتریان ارزش دوره عمر مشتری CLV مدیریت دوره عمر مشتری CRM

حوزه‌های تخصصی:
تعداد بازدید : ۲۸۷۶ تعداد دانلود : ۱۴۷۴
مدیریت ارتباط با مشتری (CRM) ابزاری کارآمد برای بدست آوردن، نگهداری و افزایش رضایت¬مندی مشتریان در صنایع رقابتی می¬باشد. یکی از مهمترین ابزارها در جهت رسیدن به مدیریت ارتباط با مشتری سودآور، محاسبه ارزش دوره عمر مشتری(Customer Lifetime Value (CLV)) است که باعث می¬شود سازمان بیشترین تلاش خود را برای حفظ مشتریان با سودآوری بیشتر متمرکز کند. CLV مقدار ارزشی است که انتظار می‌رود یک مشتری در یک افق زمانی معین برای سازمان به همراه داشته باشد که بدون شک این ارزش با میزان منفعتی که از این دسته مشتریان عاید شرکت می¬شود ارتباط مستقیم دارد. در این مقاله مدلی برای محاسبه CLV ارائه شده که در آن ضمن توجه به نقاط قوت روش‌های متداول محاسبه ارزش عمر مشتری، با ترکیب دو روش RFM و ROIاحتمال عقد قرارداد مجدد مشتری در دوره¬های آینده و وفادار ماندن او به سازمان در مدل گنجانده شده است. این احتمالات پس از ترکیب شدن با میزان سوددهی مشتری برای سازمان، معیاری جهت اولویت¬بندی مشتریان خواهد بود. در پایان نیز بر اساس اطلاعات یکی از شرکت‌های صنعت بیمه، نحوه استفاده از مدل و کارایی آن ارزیابی شده و نتایج آن نشان داده شده است.
۲.

طراحی مدل هوشمند بخش بندی مشتریان حقوقی در مؤسسات مالی و بانکی با بهره گیری از معماری های چندلایه شبکه های عصبی توزیعی مبتنی بر پردازش هوشمند داده های کلان

کلیدواژه‌ها: CLV شبکه های عصبی مصنوعی خوشه بندی مشتری بانکداری

حوزه‌های تخصصی:
تعداد بازدید : ۹ تعداد دانلود : ۹
این تحقیق به ارائه رویکردی مبتنی بر ارزش طول عمر مشتری (CLV) و شبکه های عصبی مصنوعی (ANN) برای دسته بندی مشتریان حقوقی بانک می پردازد. CLV در بانک به این معناست که هر مشتری برای بانک چقدر ارزش مالی ایجاد می کند. تحقیق از نوع کاربردی و شبه تجربی و جامعه آماری شامل 127.672 شناسه حقوقی در سامانه مشتریان حقوقی بانک تجارت است. داده ها از طریق فیش برداری از پرونده های مشتریان در یک دوره شش ماهه جمع آوری می شوند. نمونه گیری به صورت تمام شماری است. از الگوریتم های کا-میانگین و شبکه های عصبی مصنوعی برای خوشه بندی مشتریان استفاده می شود. شبیه سازی ها نشان داد که الگوریتم شبکه های عصبی مصنوعی نتایج دقیق تری را نسبت به الگوریتم کا-میانگین ارائه می دهند. این رویکرد می تواند به طور مؤثری مشتریان را به سه خوشه دسته بندی کند. خوشه ها بر اساس نظرات خبرگان بانکی بررسی شدند؛ تا تحلیل عمیق تری انجام شود. با توجه به اطلاعات مشتریان حقوقی بانک تجارت، این دسته ها از نظر CLV مورد بررسی قرار گرفتند. استراتژی های بازاریابی و فروش متناسب با هر خوشه مشتری تدوین شد. رویکرد پیشنهادی در این تحقیق می تواند به بانک ها در بهبود فرآیند دسته بندی مشتریان خود و در نهایت افزایش سودآوری و حفظ مشتریان کمک کند.