Machine Translated by Google

Đẩy nhanh nghiên cứu của thế giới.

Phương pháp phân nhóm hai pha cho

Phân khúc khách hàng thông minh
Sahand Khakabimamaghani

Trích dẫn bài báo này Tải xuống từ Academia.edu

Nhận trích dẫn theo phong cách MLA, APA hoặc Chicago

Giấy tờ liên quan Tải xuống gói PDF trong số các giấy tờ liên quan tốt nhất

Một cách tiếp cận để phân khúc và lập hồ sơ khách hàng được tối ưu hóa bằng cách sử dụng RFM, LTV và demogra…

Morteza Namvar

Giá trị lâu dài của khách hàng bằng cách sử dụng mô hình RFM trong ngành ngân hàng: một nghiên cứu điển hình

Esmaeil Nikumanesh

Phân đoạn Chiến lược Thị trường Ngân hàng sree kzzz
Machine Translated by Google

Hội nghị Quốc tế 2010 về Hệ thống Thông minh, Mô hình hóa và Mô phỏng

Phương pháp phân nhóm hai giai đoạn để phân khúc khách hàng thông minh

Morteza Namvar Khoa

Kỹ thuật Công nghiệp Đại học Khoa học và

Công nghệ Iran Tehran, Iran info@mortezanamvar.com Mohammad R. Gholamian

gholamian@iust.ac.ir

Sahand KhakAbi

sahand_khakabi@ind.iust.ac.ir

Tóm tắt — Phân khúc khách hàng là một vấn đề ngày càng quan trọng phân loại, phân đoạn này được đặt trong bước đầu tiên của CRM, xác

trong lĩnh vực thương mại cạnh tranh ngày nay. Nhiều tài liệu đã định khách hàng. Trong khi, đối với các nghiên cứu tiếp thị, phân
khúc khách hàng có những đóng góp cao cho các bước khác của CRM và
xem xét việc áp dụng công nghệ khai thác dữ liệu trong phân khúc
bản thân nó không nên là mục đích cuối cùng mà là một phương tiện
khách hàng và đạt được hiệu quả rõ ràng. Nhưng trong hầu hết các
dẫn đến mục đích cuối cùng [6]. Có thể hình thành một số phân khúc
trường hợp, nó được thực hiện bằng cách sử dụng dữ liệu khách hàng
bằng cách sử dụng lợi nhuận của khách hàng. Ví dụ: chương trình
theo quan điểm đặc biệt, thay vì từ phương pháp có hệ thống xem
khách hàng thân thiết có thể được áp dụng cho các phân khúc có lợi
xét tất cả các giai đoạn của CRM. Bài báo này, với sự hỗ trợ của
nhất bao gồm những khách hàng có lợi nhuận cao nhất để giữ chân họ.
các công cụ khai thác dữ liệu, xây dựng một phương pháp phân khúc
Một chiến lược khả thi khác là giảm lượng tài nguyên dành riêng cho
khách hàng mới dựa trên dữ liệu RFM, nhân khẩu học và LTV. Phương
các nhóm khách hàng không sinh lời, những người tạo ra nhiều chi phí
pháp phân khúc khách hàng mới bao gồm hai giai đoạn. Thứ nhất,
hơn.
với K-means clustering, khách hàng được nhóm lại thành các phân
“Phân khúc này có thể gây tranh cãi vì những khách hàng không có lợi
khúc khác nhau liên quan đến RFM của họ. Thứ hai, sử dụng dữ liệu
nhuận dường như không xứng đáng với những nỗ lực tiếp thị” [7].
nhân khẩu học, mỗi cụm lại được phân vùng thành các cụm mới. Cuối
Các biến đầu vào được sử dụng trong quá trình phân đoạn xác định
cùng, sử dụng LTV, một hồ sơ cho khách hàng được tạo. Phương pháp
bước của CRM mà chúng ta đang xử lý.
này đã được áp dụng cho tập dữ liệu từ ngân hàng Iran, dẫn đến
Các biến nhân khẩu học, RFM và LTV là biến đầu vào phổ biến nhất
một số biện pháp và đề xuất quản lý hữu ích. được sử dụng trong tài liệu để phân nhóm khách hàng. Tuy nhiên, các
biến nhân khẩu học liên quan đến tất cả các giai đoạn của CRM, vai
trò của chúng trong việc thu hút khách hàng là đáng kể hơn. Mặt
Từ khóa-quản lý quan hệ khách hàng; sự phân khúc; khai thác dữ
khác, RFM và LTV chủ yếu được sử dụng trong việc duy trì và phát
liệu; phân cụm; Iran
triển khách hàng. Trong nghiên cứu này, chúng tôi hướng tới việc kết

I. GIỚI THIỆU hợp ba biến đầu vào này trong một cách tiếp cận sáng tạo để phân
khúc khách hàng bằng cách sử dụng kỹ thuật phân cụm khai thác dữ
Trong thập kỷ vừa qua, quản lý quan hệ khách hàng đã được nhiều
liệu nổi tiếng, K-mean.
tác giả quan tâm và nó đóng một vai trò quan trọng trong nền kinh
Phần còn lại của bài viết này được tổ chức như sau.
tế kinh doanh mới. Một số lợi ích tiềm năng của CRM như sau: (1)
Phần 2 xem xét các nghiên cứu trước đây liên quan đến phân khúc
Tăng khả năng giữ chân khách hàng và lòng trung thành, (2) Khả năng
khách hàng. Phần này trình bày những hạn chế của các nghiên cứu hiện
sinh lời của khách hàng cao hơn, (3) Tạo giá trị cho khách hàng, (4)
có và giải thích lý do cơ bản của nghiên cứu này.
Tùy chỉnh sản phẩm và dịch vụ, (5) Quy trình thấp hơn, cao hơn sản
Phần 3 đề xuất mô hình phân cụm để phân khúc khách hàng. Do đó, kết
phẩm và dịch vụ chất lượng [1], [2].
quả của việc áp dụng mô hình trong trường hợp ngành ngân hàng sẽ
được trình bày.
Do đó, phân khúc khách hàng, với tư cách là giai đoạn chính của
Cuối cùng, phần 4 kết thúc bài báo với một số thảo luận chung và
CRM, là một vấn đề ngày càng cấp bách trong lĩnh vực thương mại cạnh
một chương trình làm việc để nghiên cứu thêm.
tranh quá mức hiện nay. “Ngày càng có nhiều nền văn học nghiên cứu
việc áp dụng công nghệ khai thác dữ liệu trong phân khúc khách hàng II. ĐÁNH GIÁ TÌNH HÌNH
và đạt được hiệu quả tốt” [2], nhưng hầu hết trong số họ chỉ phân
Mặc dù phân khúc khách hàng và phân khúc thị trường đã được xem
khúc khách hàng theo quan điểm duy nhất, thay vì từ khuôn khổ có hệ
xét tương tự trong tài liệu, nhưng có một số khác biệt quan trọng
thống.
liên quan đến tính khả dụng của dữ liệu cho các cơ chế phân nhóm của
chúng. Phân khúc thị trường thường nhằm mục đích thu hút khách hàng
Theo [3], [4], và [5], CRM bao gồm bốn khía cạnh: Nhận dạng khách
mới và giải quyết bước đầu tiên của CRM, thu hút khách hàng,
hàng, thu hút khách hàng, duy trì khách hàng và phát triển khách

hàng. Dựa trên

978-0-7695-3973-7 / 10 $ 26,00 © 2010 IEEE 215

DOI 10.1109 / ISMS.2010.48
Machine Translated by Google
sử dụng dữ liệu nhân khẩu học xã hội. Trong khi phân khúc khách
hàng hoạt động ở tất cả các bước của CRM bằng cách sử dụng cả dữ
liệu nhân khẩu học xã hội và giao dịch. “Chúng ta có thể tưởng
tượng rằng việc nuôi dưỡng và giữ chân khách hàng quan trọng hơn
việc thu hút khách hàng, bởi vì thiếu thông tin về khách hàng mới
khiến việc lựa chọn khách hàng mục tiêu trở nên khó khăn và điều
này sẽ gây ra các nỗ lực tiếp thị không hiệu quả” [8].
Chai & Chan [9] đã phân loại các phương pháp phân khúc khách
hàng hiện tại thành các phương pháp tiếp cận theo định hướng
phương pháp luận và định hướng ứng dụng. Hầu hết các nghiên cứu
theo hướng phương pháp luận đều sửa đổi một số kỹ thuật phân cụm
dữ liệu như SOM, hoặc sử dụng kết hợp hai hoặc nhiều kỹ thuật
khai thác dữ liệu để đạt được các cụm hoặc phân đoạn chính xác
hơn (chẳng hạn như [10], [6], [11] và [12 ]). “Mặt khác, các
nghiên cứu định hướng ứng dụng phải tìm kiếm phương pháp tối ưu
để giải các bài toán phân đoạn trong các ứng dụng cụ thể” [9]. Họ
thường xác định và tạo biến mới cho thủ tục phân cụm hoặc sử dụng
các biến khác nhau trong các bước phân nhóm tuần tự (Chẳng hạn
như [8], [7], [13], [14], [9], [15], [16], [ 2], [17], [18], và
[5]).
Trong tài liệu phân khúc khách hàng hiện nay, LTV có một vai
trò quan trọng. Ví dụ, trong [8] mô hình LTV xem xét đóng góp lợi
nhuận trong quá khứ, lợi ích tiềm năng và xác suất đào tẩu của
một khách hàng để phân khúc khách hàng viễn thông không dây được
đề xuất. Trong [7] một khuôn khổ để phân tích giá trị khách hàng
và phân khúc khách hàng dựa trên giá trị của họ được đề xuất. Sau
đó, các chiến lược đưa ra theo phân khúc khách hàng được minh họa
thông qua một nghiên cứu điển hình về một công ty viễn thông
không dây.
Một đầu vào chính khác để phân khúc khách hàng là RFM.
Trong [13], một mạng lưới thần kinh bản đồ tự tổ chức được sử
dụng để xác định các nhóm khách hàng dựa trên hành vi trả nợ và
các yếu tố dự đoán cho điểm hành vi tiền tệ, tần suất và lần truy
cập gần đây. Nó cũng phân loại khách hàng của ngân hàng thành ba
nhóm khách hàng sinh lời chính. Các nhóm khách hàng kết quả sau
đó được lập hồ sơ theo các thuộc tính của khách hàng được xác
định bằng cách sử dụng bộ cảm ứng quy tắc kết hợp Apriori.
Gần đây, trong [16] RFM, CHAID và hồi quy logistic được nghiên
cứu như các phương pháp phân tích để phân đoạn tiếp thị trực
tiếp, sử dụng hai bộ dữ liệu khác nhau. Cuối cùng, trong [18] một
thủ tục mới, kết hợp giá trị định lượng của các thuộc tính RFM
và thuật toán K-mean vào lý thuyết tập hợp thô (lý thuyết RS),
được đề xuất để trích xuất các quy tắc ý nghĩa.
Bên cạnh đó, sự kết hợp của các biến đầu vào đã đề cập ở trên
cũng đã được các nhà nghiên cứu sử dụng. Ví dụ, trong [9] một
cách tiếp cận mới kết hợp nhắm mục tiêu khách hàng và phân khúc
khách hàng cho các chiến lược chiến dịch được trình bày. Cuộc
điều tra này đã xác định hành vi của khách hàng bằng cách sử dụng
mô hình RFM và sau đó sử dụng mô hình LTV để đánh giá các khách
hàng được phân khúc được đề xuất.
Một số tác giả đã sử dụng kết hợp các biến và thước đo khác
nhau để phân cụm khách hàng. Ví dụ: [17] nhằm cung cấp một cách
tiếp cận thay thế dễ dàng, hiệu quả và thiết thực hơn dựa trên
khảo sát mức độ hài lòng của khách hàng đối với những khách hàng
có lợi nhuận
216
sự phân đoạn. Các tác giả đã trình bày một hệ thống dựa trên đa
phương thức, được gọi là hệ thống phân khúc khách hàng sinh lời
dựa trên khảo sát, thực hiện khảo sát mức độ hài lòng của khách
hàng và tiến hành khai thác khảo sát mức độ hài lòng của khách
hàng, cơ sở dữ liệu nhân khẩu học xã hội và kế toán thông qua
việc sử dụng tích hợp các công cụ thông minh kinh doanh như DEA
(Phân tích phong bì dữ liệu), mạng nơ-ron Bản đồ tự tổ chức (SOM)
và C4.5 dành cho phân khúc khách hàng có lợi nhuận. Trong [14]
một mô hình dự đoán khách hàng tiềm năng trong hành vi mua hàng
được đề xuất.
Mô hình của họ được suy ra từ hành vi mua hàng trước đây của
khách hàng trung thành và tệp nhật ký máy chủ web của khách hàng
trung thành và tiềm năng bằng phương pháp phân tích nhóm và phân
tích quy tắc liên kết. Trong cùng năm, trong [2] tác giả
đã tập trung vào việc đề xuất khung phân khúc khách hàng dựa trên
khai thác dữ liệu và xây dựng một phương pháp phân khúc khách
hàng mới dựa trên tính cách tồn tại.
Phương pháp phân khúc khách hàng mới của họ bao gồm hai bước. Thứ
nhất, với số học phân cụm K-mean, khách hàng được nhóm thành các
phân khúc khác nhau bởi các nhân vật sống sót tương tự (tức là
xu hướng churn). Thứ hai, chức năng tồn tại / nguy hiểm của từng
cụm được dự đoán bằng cách phân tích tồn tại, sau đó, tính hợp
lệ của phân nhóm được kiểm tra và xác định xu hướng churn của
khách hàng.
Trong [15] tích hợp khai thác dữ liệu và tiếp thị theo trải
nghiệm để phân khúc khách hàng trò chơi trực tuyến được điều tra.
Kết quả có thể giúp các công ty dự đoán và hiểu được hành vi mua
hàng mới của người tiêu dùng.
Theo các tác giả, các nhà sản xuất trò chơi trực tuyến có thể đưa
ra các chiến lược thị trường khác nhau để tăng lượng mua cho
những người tiêu dùng thuộc các thuộc tính mới.
Trong [5] nhóm khách hàng bán lẻ, dựa trên nhận thức của họ
về cam kết với nhà bán lẻ và mức độ sử dụng thiết bị công nghệ
của họ, được xác định và đặc trưng.
Ngoài ra, như đã đề cập trước đây, một số tác giả đã tập
trung vào quy trình phân đoạn theo quan điểm kỹ thuật. Ví dụ,
trong [10] một phương pháp luận mới để phân khúc thị trường xuyên
quốc gia được phát triển. Các tác giả đã đề xuất phương pháp tiếp
cận hai giai đoạn (TPA) tích hợp các phương pháp thống kê và khai
thác dữ liệu. Giai đoạn đầu được tiến hành bằng phương pháp thống
kê (MCFA: phân tích nhân tố khẳng định đa nhóm) để kiểm tra sự
khác biệt giữa các nhân tố phân cụm quốc gia. Giai đoạn thứ hai
được tiến hành bằng phương pháp khai thác dữ liệu (một SOM hai
cấp) để phát triển các cụm thực tế trong mỗi quốc gia. Trong [11]
hỗ trợ phân cụm vectơ (SVC) để phân đoạn tiếp thị được sử dụng.
Ngoài ra, trong [12] cũng đề xuất một thuật toán phân cụm mới dựa
trên thuật toán di truyền (GA) để phân đoạn thị trường mua sắm
trực tuyến một cách hiệu quả. Đồng thời, trong [19] một cách tiếp
cận phân khúc thị trường mới, cụ thể là mô hình phân khúc tự tổ
chức theo cấp bậc (HSOS), để phân khúc thị trường của đa phương
tiện thế giới thực theo yêu cầu ở Đài Loan được đề xuất.
Bảng I phân loại các mô hình phân đoạn được đề xuất bởi
các tác giả khác nhau tùy theo các biến đầu vào của họ.
Machine Translated by Google

BẢNG I. TÓM TẮT CÁC BIẾN TẦN ĐẦU VÀO ĐƯỢC SỬ DỤNG TRONG CÁC MÔ HÌNH PHÂN ĐOẠN
hầu hết các biến ảnh hưởng và được chọn để sử dụng trong giai đoạn
thứ hai của phân nhóm.
Trong bước tiếp theo, các giá trị RFM đã được xác định và tính
Các biến đầu vào được sử dụng Tài liệu tham
toán cho toàn bộ khách hàng theo các giao dịch của họ. Cửa sổ
Nhân khẩu học khảo [19], [1], [17]
RFM thời gian cho phép tính RFM đã được đặt thành sáu lần sớm hơn so
[18] [7] [13], [16]
LTV [8] [9] với giao dịch hiện có cuối cùng trong cơ sở dữ liệu.
Nhân khẩu học + RFM
Nhân khẩu học + LTV
LTV + RFM
B. Phân nhóm khách hàng sử dụng RFM và các biến nhân khẩu học
-
Nhân khẩu học + RFM + LTV
Khác [14], [10], [15], [2],
[11], [12], [21] Phân cụm hai pha đã được sử dụng để phân khúc khách hàng. Đầu
tiên, khách hàng được phân nhóm theo điểm RFM của họ. Kết quả là,
III. KHUNG NGHIÊN CỨU
ba cụm được phát hiện gồm 190, 111 và 190 khách hàng.
Chúng tôi đề xuất một khuôn khổ nghiên cứu để phân khúc khách
hàng, xem xét bốn giai đoạn của CRM. Khuôn khổ được thực hiện Thứ hai, mỗi cụm được phân nhóm nội bộ theo ba biến nhân khẩu
trong một trường hợp của ngành ngân hàng. Để phân khúc khách hàng học; trình độ học vấn, trình độ nghề nghiệp và độ tuổi. Do đó,
của ngân hàng và phát triển các chiến lược tiếp thị, phương pháp kết quả là chín cụm bao gồm 104, 52, 34, 118, 23, 49, 32, 42 và
nghiên cứu của chúng tôi được phân thành hai giai đoạn. Đầu tiên, 37 khách hàng.
chúng tôi thực hiện phương pháp hai giai đoạn để phân khúc khách
hàng ngân hàng bằng cách sử dụng RFM và các biến nhân khẩu học.
RFM được sử dụng trong giai đoạn đầu tiên như là các giá trị đầu
vào của phân cụm K-mean. Sau đó, dữ liệu nhân khẩu học, dựa trên
Của khách hàng Của khách hàng
độ tuổi, giáo dục và nghề nghiệp, được sử dụng để phân nhóm từng
giao dịch Hồ sơ
phân đoạn thu được từ giai đoạn một. Ba thông số nhân khẩu học
này được chọn sau một quy trình lựa chọn thay đổi bằng cách sử
dụng SOM (xem Hình 1).
Cuối cùng, LTV được sử dụng để so sánh giá trị khách hàng
trong từng cụm. Trong hầu hết các nghiên cứu trước đây, chất lượng Biến đổi
của phương pháp luận phân đoạn được đo lường dựa trên tính không RFM sự lựa chọn

đồng nhất trong phân đoạn và giữa các phân đoạn [20]. Trong khi sử dụng

đó, các nhà tiếp thị quan tâm và quan tâm đến việc tối đa hóa giá BẰNG

trị ròng của khách hàng mục tiêu, thay vì quan tâm đến tính đồng
nhất trong phân khúc hoặc tỷ lệ nhắm mục tiêu [8, 9]. Để giải Mạng nơron K-có nghĩa là

quyết vấn đề cốt lõi mà các nhà tiếp thị phải đối mặt, mô hình phân loại nhóm lại

LTV có thể được áp dụng để đánh giá sự phù hợp giữa các nhóm khách
hàng mục tiêu và chiến lược tiếp thị, thay vì đo lường sự đồng
nhất trong phân khúc [9]. Do đó, chúng tôi đã sử dụng mạng nơ-ron
để tính toán giá trị tiềm năng của mỗi cụm và do đó là LTV của
chúng và cuối cùng là hồ sơ của chúng. Mô hình dự đoán K-có nghĩa là

LTV nhóm lại

IV. KẾT QUẢ LTV Phân cụm

ước lượng hai pha

A. Dữ liệu và đo lường Các

công ty ngân hàng Iran hướng tới việc đưa ra các quyết định để
làm hài lòng khách hàng và tránh sự gián đoạn của họ. Trong nghiên
cứu điển hình của chúng tôi, khi cộng tác với họ, họ đã cung cấp
Cluster's
một phần dữ liệu của mình để dự đoán khách hàng tăng / giảm cơ hội
bán hàng và các chương trình khách hàng thân thiết. Thứ nhất, dữ hồ sơ
liệu khách hàng đã được chọn và lọc và một số bản ghi không quan
trọng (chẳng hạn như sổ đăng ký không có hồ sơ giao dịch) đã bị
loại bỏ. Kết quả là chúng tôi đã tiếp cận 38254 hồ sơ về 491 khách

hàng từ kho dữ liệu; mỗi bản ghi bao gồm 25 thuộc tính.
Chiến lược tiếp thị
Bên cạnh đó, sau khi thực hiện phân cụm SOM trên toàn bộ các
biến, tầm quan trọng của các biến nhân khẩu học trong quy trình
Hình 1. Khung nghiên cứu
phân nhóm đã được xếp hạng. Kết quả là, "trình độ học vấn", "trình
độ nghề nghiệp" và "tuổi" được xác định là C. Phân tích các cụm sử dụng LTV

217
Machine Translated by Google
Trong [8] một mô hình LTV mới xem xét tỷ lệ churn của một
khách hàng được đề xuất. Mô hình này được hiển thị trong Eq. 1.
Shiͳsha
ͳ Cấp bậc nghề nghiệp
ͳ
Đóng góp lợi nhuận trong quá khứ Dòng tiền dự kiến trong tương lai
chỉ số thời gian phục vụ của khách hàng i
Ni tổng thời gian phục vụ của lãi suất id
khách hàng
E (i) thời gian phục vụ dự kiến của khách hàng i ʌp
(ti) đóng góp lợi nhuận trước đây của khách hàng i tại thời điểm ti
ʌf (ti) đóng góp lợi nhuận trong tương lai của khách hàng i tại thời điểm
B (ti) lợi ích tiềm năng từ khách hàng i tại thời điểm ti
Thứ nhất, theo các tác giả, để tính LTV của khách hàng, giá trị hiện
tại và giá trị tiềm năng của khách hàng nên được tính toán riêng lẻ. Do
đó, bằng cách sử dụng bảng cân đối kế toán của từng khách hàng trong sáu
tháng qua, chúng tôi đã tính toán giá trị hiện tại của họ. Hơn nữa, theo
các tác giả, giá trị tiềm năng của khách hàng được dự đoán bằng cách sử
dụng Eq. 2.
Trong đó Probij là xác suất mà khách hàng tôi sẽ sử dụng dịch vụ j
trong số n-dịch vụ tùy chọn và Profitij có nghĩa là lợi nhuận mà một
công ty có thể nhận được từ khách hàng tôi sử dụng dịch vụ tùy chọn j.
Để đánh giá giá trị tiềm năng, trước tiên, bằng cách phỏng vấn với
các nhà quản lý, chúng tôi đã tìm ra loại dịch vụ mới có thể được đề
xuất cho khách hàng của họ trong tương lai và lợi nhuận trên mỗi dịch
vụ. Ví dụ, trong ATM, các dịch vụ mới như chuyển tiền giữa các tài khoản
và thanh toán hóa đơn đã được các nhà quản lý khuyến nghị. Sau đó, họ dự
đoán lợi nhuận trung bình sẽ thu được từ các dịch vụ mới này. Thứ hai,
xác suất xuất hiện của các dịch vụ mới này đã được dự đoán bằng cách sử
dụng mạng nơ-ron. Một mô hình dự đoán sử dụng chức năng phân loại mạng
nơ-ron đã được sử dụng để dự đoán hành vi của khách hàng mới về các dịch
vụ được đề xuất mới.
Mạng nơ-ron có thể minh họa sự tự tin của mô hình trong việc dự đoán “có”
hoặc “không” trong phản ứng của khách hàng trong việc sử dụng dịch vụ
mới. Chúng tôi đã sử dụng sự tự tin này để tính toán Probij. Do đó, hai
mặt hàng cần thiết để dự đoán giá trị tiềm năng của khách hàng, Probij
và Profitij đã được chuẩn bị.
Cuối cùng, LTV dự đoán cho mỗi khách hàng, được sử dụng để tính giá
trị trung bình của LTV trong mỗi cụm. Có chín cụm khác nhau là kết quả
của sự phân đoạn hai pha, và kết quả là chín LTV trung bình khác nhau đã
thu được (Xem bảng II).
218
BẢNG II. SO SÁNH CỤM ĐỐI VỚI CÁC PHÂN PHỐI KHÁC NHAU
Số cụm 1 2 3 4 5 6 7 8 9 6 4 8 7 5 9 3 2 1 2 3 8 1
Xếp hạng RFM 4 9 6 5 7 1 4 7 2 3 9 5 6 8 7 4 8 3 2 5 9 6
Cấp bậc học vấn 1 7 3 9 5 2 8 6 4 1 1 3 7 2 4 9 5 6 8
Thứ hạng tuổi
Xếp hạng LTV
Xếp hạng độ lớn
D. Ứng dụng quản lý
Cuối cùng, bằng cách phân tích tất cả các loại tính năng được mô tả,
hồ sơ của mỗi cụm có thể được xây dựng. Hồ sơ này được thể hiện trong
Bảng II. Thứ hạng của mỗi thuộc tính cho mỗi cụm được minh họa so với
các thuộc tính khác. Ví dụ, người dùng trong cụm 1 được đặt ở vị trí thứ
sáu liên quan đến RFM. Có nghĩa là 5 cụm chiếm ưu thế về RFM đối với cụm
này. Mức độ nghề nghiệp trong cụm này là tốt nhất; do đó, mức độ nghề
nghiệp trung bình của khách hàng trong cụm này sẽ tốt hơn các nhóm khác.
Trong khi đó, người dùng trong cụm này có vị trí tốt về trình độ học vấn
(hạng 2). Cụm này cũng là cụm lớn nhất so với các cụm khác vì lượng khách
hàng đông. (Xem bảng II)
Dựa trên bảng chỉ ra cấu hình các cụm, các nhà tiếp thị sẽ có thể đưa ra
quyết định tốt hơn để cải thiện các chiến lược tiếp thị trong tổ chức
của họ. Ví dụ: cụm 1 có những người dùng trẻ tuổi nhất với LTV cao nhất,
vì vậy nó rất xứng đáng để điều tra.
ĐÃ NHÌN THẤY. PHẦN KẾT LUẬN
Một trong những mục đích chính của tiếp thị là xác định danh mục
khách hàng mục tiêu và phân tích danh mục đó theo phân khúc, sau đó
thiết lập các chiến lược tiếp thị cho từng phân khúc để giảm nguy cơ
khách hàng bỏ trốn đáng kể. Để đạt được yêu cầu này, bài báo này đề xuất
một phương pháp phân đoạn mới dựa trên khai thác dữ liệu và các mô hình
CRM được sử dụng phổ biến nhất; RFM, LTV và các biến nhân khẩu học.
Phương pháp này được phát triển trên mô hình phân cụm hai pha dựa
trên kỹ thuật k-means. Khi áp dụng phương pháp trong nghiên cứu điển hình
của chúng tôi (trong ngành ngân hàng), các khách hàng hiện tại được chia
thành chín nhóm khách hàng theo hành vi và đặc điểm giao dịch chung của
họ. Các nhà tiếp thị có thể phân tích hồ sơ của khách hàng trong mỗi
nhóm để đưa ra chiến lược cho từng nhóm.
Ngoài việc hiểu đơn giản về giá trị của khách hàng trong từng nhóm,
ngân hàng sẽ có cơ hội thiết lập các chiến lược quản lý quan hệ khách
hàng tốt hơn, cải thiện lòng trung thành và doanh thu của khách hàng
cũng như tìm cơ hội tăng trưởng và bán chéo. Các nghiên cứu sâu hơn có
thể nhằm mục đích sử dụng cơ sở dữ liệu lớn hơn với nhiều trường hơn để
thu được kết quả chính xác hơn từ mô hình. Bên cạnh đó, biểu đồ thang
máy có thể được sử dụng như một công cụ đánh giá tốt về hiệu suất của mô
hình phân cụm hai pha so với các mô hình phân nhóm khác.
Cuối cùng, các phương pháp dự đoán khác có thể được sử dụng thay cho mạng
nơ-ron được mô tả và hiệu suất của chúng có thể được so sánh để đạt được
lựa chọn tốt nhất.
Machine Translated by Google

NGƯỜI GIỚI THIỆU [11] Jih-Jeng Huang, Gwo-Hshiung Tzeng, Chorng-Shyong Ong, “Phân đoạn tiếp thị
bằng cách sử dụng phân cụm vectơ hỗ trợ”, Hệ thống chuyên gia với các ứng
[1] Jutla, D., Craig, J., & Bodorik, P., “Kích hoạt và đo lường mức độ sẵn
dụng, Vol. 32, trang 313–317, 2007.
sàng quản lý mối quan hệ khách hàng điện tử”, thủ tục số 34
[12] Kyoung-jae Kim, Hyunchul Ahn, “Hệ thống tư vấn sử dụng phân nhóm GA K-
hội nghị quốc tế hawaii hàng năm về hệ thống tổ chức khoa học hệ thống và theo
mean trong thị trường mua sắm trực tuyến”, Hệ thống chuyên gia với các ứng
dõi công nghệ (trang 1–10), 2001.
dụng, Vol. 34, trang 1200–1209, 2008.
[2] Stone, M., Woodcock, N., & Wilson, M., “Quản lý sự thay đổi từ lập kế
[13] Nan-Chen Hsieh, “Mô hình chấm điểm hành vi và khai thác dữ liệu tích hợp
hoạch tiếp thị sang quản lý quan hệ khách hàng”, Lập kế hoạch tầm xa, 29, 675–
để phân tích khách hàng ngân hàng”, Hệ thống chuyên gia với các ứng dụng, Vol.
683, 2006.
27, trang 623-633, 2004.
[3] Swift, RS “Tăng cường mối quan hệ với khách hàng: Sử dụng công nghệ quan
[14] Horng-Jinh Chang, Lun-Ping Hung, *, Chia-Ling Ho, “Mô hình dự đoán về hành
hệ và CRM”, Dòng sông trên yên ngựa NJ: Prentice Hall PTR, 2001.
vi mua hàng của khách hàng tiềm năng dựa trên phân tích phân nhóm và phân tích
quy tắc kết hợp” Hệ thống chuyên gia với các ứng dụng, Vol. 32, trang 753-764,
[4] Parvatiyar, A., & Sheth, JN, “Quản lý quan hệ khách hàng: Thực hành, quy
2007.
trình và kỷ luật mới nổi”, Tạp chí Nghiên cứu Kinh tế & Xã hội, Tập 3, trang 1–
[15] Jyh-Jian Sheu, Yan-Hua Su, Ko-Tsung Chu, “Phân khúc khách hàng trò chơi
34, 2001.
trực tuyến - Quan điểm của tiếp thị trải nghiệm”, Hệ thống chuyên gia với các
[5] Kim, Yong Seog, Street, W. Nick, Russell, Gary J., & Menczer, Filippo,
ứng dụng, Vol. 36, trang 8487–8495, 2009.
“Nhắm mục tiêu theo khách hàng: Phương pháp tiếp cận mạng thần kinh được hướng
[16] John A. McCarty, Manoj Hastak, “Phương pháp phân đoạn trong khai thác
dẫn bởi thuật toán di truyền”, Khoa học quản lý, 51 (2), 264–276 , 2005.
dữ liệu: So sánh RFM, CHAID và hồi quy logistic”, Tạp chí Nghiên cứu Kinh
[6] Jonker, Jedid-Jah, Piersma, Nanda, & Poel, Dirk Van den, “Cùng tối ưu hóa
doanh, Vol. 60, trang 656–662, 2007.
chính sách tiếp thị và phân khúc khách hàng để tối đa hóa lợi nhuận dài hạn”,
[17] Jang Hee Lee, Sang Chan Park “Hệ thống phân khúc khách hàng sinh lời
Hệ thống chuyên gia với ứng dụng, 27, 159–168, 2004.
thông minh dựa trên các công cụ kinh doanh thông minh”, Hệ thống chuyên gia
với các ứng dụng, Vol. 29, trang 1 [2] –152, 2005.
[7] Su-Yeon Kim, Tae-Soo Jung, Eui-Ho Suh, Hyun-Seok Hwang, “Phân khúc khách
[18] Ching-Hsue Cheng, You-Shyang Chen, “Phân loại phân khúc giá trị khách
hàng và phát triển chiến lược dựa trên giá trị trọn đời của khách hàng: Nghiên
hàng thông qua mô hình RFM và lý thuyết RS”, Hệ thống chuyên gia với các ứng
cứu điển hình” Hệ thống chuyên gia với các ứng dụng, Vol. 31, trang 101-107,
dụng, Vol. 36, trang 4176–4184, 2009.
2006.
[19] Chihli Hung, Chih-Fong Tsai, “Phân khúc thị trường dựa trên bản đồ tự tổ
, và phân khúc khách
[8] Hyunseok Hwang, Taesoo Jung, Euiho Suh “Mô hình LTV
chức phân cấp cho các thị trường đa phương tiện theo yêu cầu”, Hệ thống chuyên
hàng dựa trên giá trị khách hàng: một nghiên cứu điển hình về ngành viễn thông
gia với các ứng dụng, Vol. 34, trang 780-787, 2008.
không dây” Hệ thống chuyên gia với các ứng dụng, Vol. 26, trang 181-188, 2004.
[20] Wedel, M., & Kamakura, WA, “Phân khúc thị trường: Cơ sở khái niệm và
phương pháp luận” (xuất bản lần thứ 2). Dordrecht: Kluwer, 2000.
[9] Chu Chai Henry Chan, “Phương pháp phân khúc khách hàng dựa trên giá trị
thông minh để quản lý chiến dịch: Nghiên cứu điển hình về nhà bán lẻ ô tô”, Hệ [21] Irene Gil-Saura và Maria-Eugenia Ruiz-Molina, “Phân khúc khách hàng dựa
thống chuyên gia với các ứng dụng, Vol. 34, trang 2754-2762, 2008. trên cam kết và sử dụng ICT”, Hệ thống dữ liệu & quản lý công nghiệp, Vol. 109
Số 2 trang 206-223, 2009.
[10] Sang Chul Lee, Yung Ho Suh, Jae Kyeong Kim, Kyoung Jun Lee, “Phân khúc
thị trường xuyên quốc gia của ngành trò chơi trực tuyến sử dụng SOM”, Hệ thống
chuyên gia với các ứng dụng, Vol. 27, trang 599-570, 2004.

219