مقاله انگلیسی مدیریت ترجمه شده پشتیبانی تصمیم گیری بازاریابی مستقیم از طریق مدل سازی پیش بینی پاسخ مشتری

دسته بندی:

قیمت: 110,000 ریال

تعداد نمایش: 332 نمایش

ارسال توسط:

خرید این محصول:

پس از پرداخت لینک دانلود برای شما نمایش داده می شود.

سال نشر: ۲۰۱۲

تعداد صفحه انگلیسی

تعداد صفحه ترجمه فارسی: ۲۸  صفحه word

(دانلود رایگان مقاله انگلیسی)

کد محصول:M409

عنوان فارسی:

مقاله انگلیسی مدیریت ترجمه شده پشتیبانی تصمیم گیری بازاریابی مستقیم از طریق مدل سازی پیش بینی پاسخ مشتری

عنوان انگلیسی:

Direct marketing decision support through predictive customer response modeling

چکیده فارسی:

مدل ها و تکنیک های پشتیبانی تصمیم گیری در تصمیمات بازاریابی برای موفقیت های جزئی حیاتی هستند. در میان حوزه های بازاریابی مختلف، تقسیم بندی یا پروفایل مشتریان به عنوان یک منطقه ی مهم در عملیات صنعت و تحقیقات به رسمیت شناخته شده است. تکنیک های داده کاوی های مختلف می توانند برای تقسیم بندی مشتریان کارآمد و بازاریابی هدفمند مفید باشند. یکی از این تکنیک ها، روش RFM است. روش تأخیر، فرکانس و مالی یک معنای ساده برای دسته بندی مشتریان جزئی ارائه می کند. ما دو قسمت داده را شناسایی می کنیم که درگیر فروش های کاتالوگی و مشارکت های اهدایی می باشد. انواع دیگری از مدل های پیش بینی براساس RFM ساخته شده و با تکنیک های داده کاوی کلاسیک از رگرسیون منطقی، درخت های تصمیم گیری و شبکه های عصبی مقایسه شده است. طیفی از مبادلات تجزیه و تحلیل می شود. روش های RFM ساده تر هستند اما صحت کمتر دارند. اثر سلول های تعادلی از تابع ارزش و الگوریتم های داده کاوی کلاسیک (درخت تصمیم گیری، رگرسیون منطقی، شبکه های عصبی) نیز در داده ها اعمال شده اند. هر دو تراکم سلولی مورد انتظار تعادلی و متغیرهای RFM فشرده به یک تابع ارزش، در ارائه مدل های مشابه دقیق برای مدل RFM پایه با بهبود اندک بدست آمده ازطریق افزایش نرخ برشی برای طبقه بندی یافت شدند. الگوریتم های داده کاوی کلاسیک برای پیش بینی عملکرد بهتر، همانطور که انتظار می رفت، در شرایط هم صحت پیش بینی و هم سود انباشته یافت شدند. مبادلات نسبی در میان این الگوریتم های داده کاوی در زمینه تقسیم بندی مشتریان ارائه شده است. در نهایت ما مفاهیم عملی مبتنی بر نتایج تجربی را مورد بحث قرار می دهیم.

کلمات کلیدی:مدل پیش بینی پاسخ مشتری، بازاریابی بر اساس دانش،RFM،شبکه های عصبی مدل های درخت تصمیم گیری،رگرسیون منطقی.

  1. ۱. معرفی

نقش تکنیک های پشتیبانی تصمیم گیری و مدل های تصمیم گیری برای بازاریابی از زمان آغاز به کار پشتیبانی تصمیم گیری مهم بوده است (DSSs). تکنیک ها و مدل های متنوع (مثل بهینه سازی، سیستم های مبتنی بردانش، شبیه سازی) بیش از ۵ دهه است که آمده اند، بسیاری از حوزه های بازاریابی، از جمله قیمت گذاری، توسعه محصول جدید و تبلیغات، از این تکنیک ها و مدل ها بهره برده اند. در میان این حوزه های بازاریابی، تقسیم بندی مشتریان یا پروفایل سازی به عنوان یک منطقه مهم به رسمیت شناخته شده است. حداقل دو دلیل برای این کار وجود دارد. اول، الگوی بازاریابی درحال تبدیل شدن به مشتری محور است وهدف بازاریابی وخدمات مناسب هستند. دوم، بازاریابی ناخواسته پرهزینه و بی اثر است (مثل نرخ پاسخگویی پایین) . در کنار این دلایل، تلاش بالایی درجمع آوری وتجزیه و تحلیل داده های مشتری برای تصمیمات بازاریابی بهتر وجود دارد. پیشرفت فن آوری های خرید آنلاین وسیستم های پایگاه دراین روند سرعت گرفته اند.

داده کاوی ابزار ارزشمندی دراین زمینه بوده است. فن آوری داده های کاوی مختلف شامل تجزیه وتحلیل آماری و الگوریتم یادگیری ماشینی است که میتواند برای تقسیم بندی مشتریان کارآمد و بازاریابی هدفمند مهم باشد. یکی ازااین روش ها، روش RFMاست، تاخیر ایستاده، فرکانس و مالی و تجزیه و تحلیل RFM برای تصمیم گیری بازاریابی به مدت طولانی استفاده شده است و به عنوان یک تکنیک داده کاوی مفید برای تقسیم بندی مشتریان و پاسخ های مدل به رسمیت شناخته شده است. این بررسی نیز نشان می دهد که RFMدرمیان محبوبترین تقسیم بندی و تکنیک های مدل سازی پیش بینی شده توسط بازاریان استفاده شده است.

RFM متکی بر ۳ متغیر رفتاری برای پیدا کردن مشتریان با ارزش یا اهداکننده توسط فعالیت های بازاریابی مستقیم در آینده است (چه مدت از زمان خرید مشتری، هرچند وقت یکبار خرید مشتری، چه مقدار مشتری خریداری کرده است) . داشتن یک یک مشتری قابل اعتماد و دقیق پاسخ مدلی حیاطی برای موفقیت در بازاریابی است زیرا افزایش یا کاهش در وقت ۱%درصد توانسته تاثیر قابل توجهی درسود خوشان داشته باشد. درحالی که می تواند بسیاری از عوامل دیگر مرتبط با مشتری وجود داشته باشد، مطالعات قبلی نشان داد که RFM تنهایی راه قدرتمند پیش بینی شده از خرید آینده مشتریان ارائه می کند.

تحقیقات ما مدل های پاسخ مشتریان با استفاده از متغیر های RFMو مقادیر شراط دقیق از سود مشتری و وقت پیش بینی شده ایجاد کند. هدف این مقاله افزایش درک چگونگی یافت دانش پنهان شده در پایگاه داده های مشتری و معاملاتی با استفاده از تکنیک های داده ی کاوی می باشد. این منطقه بارزیابی مبتنی بردانش نامیده میشود. بخش بعدی به طور خلاصه تکنیک های داده های کاوی مختلف را برای ساختن پاسخ مشتری یا پیش بینی مدل ها بررسی می کند. بخش ۳انواع روش هارا توصیف می کند همه ی مدل های پاسخ شده براساس ۳ متغیر ساخته شده است، درحالیکه روش های مختلف کاوی استفاده شده اند. سپس، ما یک تحقیق طراحی شده، شمال دو مجموعه داده ی بازاریابی مستقیم و یا بیش از ۱۰۰٫ ۰۰۰ مشاهدات، روند ساختمان مدل پیش بینی شده و روشی برای اندازه گیری عملکرد مدل ارائه می کنیم. بخش ۴ شامل تجزیه و تحلیل و نتیجه می باشد. مس تواند روش های مختلفی برای افزایش عملکرد پیش بینی شده مبتنی بر RFM و تکنیک داده کاوی باشد. از درخت تصمیم گیری، رگرسیون منطقی وشبکه های عصبی) RFM سنتی بیشتری به نظر می رسد. این یافته ها بیشتر در بخش۵، مقاله نتایج با مطالعات قبلی از پاسخگویی مدل مشتری در زمینه ای گسترده از بازاریابی مبتنی بردانش بحث میکند. ما نیز کاربردهای عملی ازبحث یافته ها و نتیجه گیری و پیشنهادات رامورد بحث قرار می دهیم.

پاسخ دهید