Documentos de Académico
Documentos de Profesional
Documentos de Cultura
en Es
en Es
com
hindú
Problemas Matemáticos en Ingeniería
Volumen 2020, Artículo ID 8884227, 7 páginas
https://doi.org/10.1155/2020/8884227
Artículo de investigación
Recibido el 31 de agosto de 2020; Revisado el 27 de octubre de 2020; Aceptado el 3 de noviembre de 2020; Publicado 19 noviembre 2020
Derechos de autor © 2020 JunWu et al. /is es un artículo de acceso abierto distribuido bajo la licencia Creative Commons Attribution License, que
permite el uso, la distribución y la reproducción sin restricciones en cualquier medio, siempre que se cite correctamente la obra original.
En este artículo, basamos nuestra investigación en el tratamiento de un problema del mundo real en una empresa. Un modelo RFM (recencia,
frecuencia y monetario) yk-El algoritmo de agrupación de medios se utiliza para realizar la segmentación de clientes y el análisis de valor mediante el
uso de datos de ventas en línea. Los clientes se clasifican en cuatro grupos en función de sus comportamientos de compra. Sobre esta base, se
plantean diferentes estrategias de CRM (gestión de relaciones con el cliente) para obtener un alto nivel de satisfacción del cliente. La eficacia de nuestro
método propuesto en este documento está respaldada por los resultados de mejora de algunos índices clave de rendimiento, como el crecimiento de
clientes activos, el volumen total de compras y la cantidad total de consumo.
un conjunto de datos estandarizados para su posterior análisis. teoría para establecer reglas de clasificación de clientes [14]. Chiang
Sobre esta base, utilizamos un modelo RFM yk-Algoritmo de medios propuso un modelo RFMDR (basado en un modelo RFM/RFMD), una
para realizar segmentación de clientes y análisis de valor. Luego se versión extendida del análisis RFM, para identificar clientes de compras
utiliza un método PCA para determinar el peso de los indicadores en línea valiosos para la industria y generar reglas de asociación difusa
RFM. Los clientes se clasifican en cuatro grupos en función de sus [17]. Kolarovski et al. han propuesto un método de modelado novedoso
comportamientos de compra. Sobre esta base, se plantean para los servicios postales utilizando la segmentación multidimensional.
diferentes estrategias de CRM para obtener un alto nivel de Este diseño de CRM resulta útil en las empresas de servicios postales
satisfacción del cliente. Se dan los cambios de algunos índices clave [18]. Canción et al. propuso un enfoque basado en estadísticas para
de rendimiento como resultado de la adopción del método evaluar a los usuarios potenciales a través de series temporales. Con este
propuesto en este documento, incluido el aumento en el volumen enfoque, es posible segmentar intervalos de tiempo de RFM en un
total de compra y la cantidad total de consumo, mostrando así la conjunto de datos a gran escala [19]. En vista del hecho de que la
eficacia obvia de este método. mayoría de los modelos RFM se desarrollan desde la perspectiva del
El resto del documento está organizado de la siguiente manera. Los cliente en lugar de la perspectiva del producto, Heldt et al. propuso un
estudios de investigación relevantes se revisan en la Sección 2. En la modelo RFM por producto (RFM/P). En este modelo, los valores para el
Sección 3, se describen la metodología y el modelo empleados para la cliente de todos los productos se estiman primero por separado y luego
presente investigación. Los resultados de los experimentos empíricos se se suman para obtener un valor total para el cliente. El análisis empírico
dan en la Sección 4. La Sección 5 concluye nuestra investigación con de las empresas financieras y los supermercados se puede realizar sobre
algunas estrategias de marketing recomendadas. esta base [6]. Adnan Amin et al. estudió la predicción de la rotación de
clientes en la industria de las telecomunicaciones en diferentes
Normalización
3. Metodología del modelo RFM Paso 2
índices Precisión
Datos
Esta sección explica el proceso propuesto de análisis del valor del limpieza conjunto de datos
marketing
estrategia
cliente. /e proceso consta de los siguientes cuatro pasos que se muestran Índice de peso
Paso 3
análisis
en la Figura 1: (1) preprocesamiento de datos o preparación y
preprocesamiento de datos; (2) normalización de los índices del modelo
Cliente
RFM; (3) análisis de peso índice; y (4) agrupamiento de clientes pork clasificación
Etapa 4
dóndeXes el objeto de datos,Cies eli-ésimo centro del grupo, Mesa1: Algunas entradas de datos en el conjunto de datos inicial.
SSE
la agrupación.
10
Mesa2: Datos extraídos de valores atípicos individuales. formado ciertos hábitos de consumo en la plataforma. En
particular, todavía hay mucho espacio para mejorar el monto
ID de empleado Precio total Ultima vez libre
total de la compra y la frecuencia de compra, lo que significa
YH170317000002 3167.5 2019/3/26 14 : 33 86
que deben ser tratados como clientes de alto potencial. Los
YH171201000030 2394.5 2019/1/21 14 : 01 108
objetivos de marketing de la plataforma para ellos deben
YH180212000003 2251.5 2019/1/21 11 : 22 44
YH171116000009 1513 2019/1/26 22 : 54 37 centrarse en llevarlos del Grupo 4 al Grupo 2 con una frecuencia
de compra más alta y un monto de compra más alto.
Estos clientes también pueden convertirse gradualmente en [5] A. Machauer y S. Morgner, "Segmentación de clientes bancarios
clientes de mayor valor, lo que genera ganancias más por beneficios y actitudes esperados",Revista Internacional de
considerables para la empresa. Marketing Bancario, vol. 19, núm. 1, págs. 6 a 18, 2001.
[6] R. Heldt, CS Silveira y FB Luce, "Predicción del valor del cliente
por producto: de RFM a RFM/P"Revista de investigación
5. Conclusiones
empresarial, vol. 3, 2019.
En este artículo, los comportamientos de compra de los clientes se [7] A. Griva, C. Bardaki, K. Pramatari y D. Papakiriakopoulos, "Análisis de
analizan sistemáticamente en función de los datos de transacciones negocios minoristas: segmentación de visitas de clientes utilizando datos
de la cesta de la compra"Sistemas Expertos con Aplicaciones, vol. 100,
en línea de una empresa utilizando RFM yk-significa algoritmo de
págs. 1 a 16, 2018.
agrupamiento. Los clientes se clasifican en cuatro grupos según su
[8] K. Khalili-Damghani, F. Abdi y S. Abolmakarem, "Enfoque híbrido de
comportamiento de compra. En consecuencia, se proponen
computación blanda basado en agrupamiento, minería de reglas y
diferentes estrategias de CRM para obtener un alto nivel de
análisis de árboles de decisión para el problema de segmentación de
satisfacción del cliente. La eficacia evidente del método de análisis
clientes: caso real de industrias centradas en el cliente"Computación
propuesto en este documento se demuestra mediante la mejora de
blanda aplicada, vol. 73, págs. 816–828, 2018.
los índices clave de rendimiento de la empresa. Los resultados de [9] A. Amin, S. Anwar, A. Adnan et al., "Predicción de abandono de clientes en
mejora de algunos índices clave de desempeño se dan brevemente el sector de las telecomunicaciones utilizando un enfoque de conjunto
a continuación. /e número de clientes activos ha crecido en 529. /e aproximado"neurocomputación, vol. 237, págs. 242–254, 2017.
volumen total de compra ha aumentado en un 279%, y la cantidad [10] A. Amin, B. Shah, AM Khattak et al., "Predicción de abandono de
total de consumo ha aumentado en un 101,97%. clientes entre empresas en telecomunicaciones: una
En el futuro, hay dos direcciones para futuras investigaciones. comparación de métodos de transformación de datos"Revista
Uno es en la teoría y el otro en la práctica. Con la actualización de Internacional de Gestión de la Información, vol. 46, págs. 304–
datos cada día, se necesitan algoritmos más adecuados para hacer 319, 2019.
coincidir el nuevo conjunto de datos para el análisis teórico. En la [11] A. Amin, F. Al-Obeidat, B. Shah, A. Adnan, J. Loo y
práctica, cómo integrar un algoritmo en el sistema CRM para S. Anwar, "Predicción de abandono de clientes en la industria de las
respaldar la toma de decisiones de los gerentes es una buena telecomunicaciones utilizando la certeza de los datos"Revista de investigación
manera de ayudar a mejorar el desempeño. empresarial, vol. 94, págs. 290–301, 2019.
[12] A. Amin, F. Al-Obeidat, B. Shah et al., “Predicción de abandono de clientes
justo a tiempo en el sector de las telecomunicaciones”,<e Revista de
Disponibilidad de datos
supercomputación, vol. 76, núm. 6, págs. 3924–3948, 2020.
[13] AM Hughes,Marketing estratégico de bases de datos, Probus
Los datos utilizados para respaldar los hallazgos de este estudio
Publishing Company, Chicago, EE. UU., 1994.
se incluyen en el artículo.
[14] C.-H. Cheng y Y.-S. Chen, "Clasificación de la segmentación del valor
del cliente a través del modelo RFM y la teoría RS",Sistemas
Conflictos de interés Expertos con Aplicaciones, vol. 36, núm. 3, págs. 4176–4184, 2009.
[15] D. Chen, SL Sain y K. Guo, "Extracción de datos para la industria minorista
Los autores declaran no tener conflictos de intereses.
en línea: un estudio de caso de segmentación de clientes basada en el
modelo RFM mediante la extracción de datos"Revista de marketing de
Referencias bases de datos y gestión de estrategias de clientes, vol. 19, núm. 3, págs.
197 y 208, 2012.
[1] MS Chen, J. Han y PS Yu, "Minería de datos: una descripción general desde
[16] DR Liu y Y.-Y. Shih, "Integración de AHP y minería de datos para
la perspectiva de una base de datos".Transacciones IEEE sobre
la recomendación de productos basada en el valor de por vida
conocimiento e ingeniería de datos, vol. 8, núm. 6, págs. 866–883, 1996.
[2] MJ Shaw, C. Subramaniam, GW Tan y ME Welge, "Gestión del
del cliente"Gestión de la información, vol. 42, núm. 3, págs.
conocimiento y extracción de datos para marketing" Sistemas de 340–387, 2005.
[17] W.-Y. Chiang, "Para extraer reglas de asociación de valores del cliente a través de
Soporte a la Decisión, vol. 31, núm. 1, págs. 127 y 137, 2001.
[3] Y.-L. Chen, C.-L. Hsu y S.-C. Chou, "Construyendo un árbol de decisiones de un procedimiento de minería de datos con un modelo mejorado: un estudio de
múltiples valores y etiquetas múltiples",Sistemas Expertos con caso empírico"Sistemas Expertos con Aplicaciones, vol. 38, núm. 3, págs. 1716–
Aplicaciones, vol. 25, núm. 2, págs. 199 y 209, 2003. 1722, 2011.
[4] EWT Ngai, L. Xiu y DCK Chau, "Aplicación de técnicas de minería [18] P. Kolarovszki, J. Tengler y M. Majerčáková, “/e nuevo modelo de
de datos en la gestión de relaciones con los clientes: una segmentación de clientes en empresas postales,” Procedia-Ciencias
relación y clasificación bibliográficas"Sistemas Expertos con Sociales y del Comportamiento, vol. 230, págs. 121 a 127, 2016.
Aplicaciones, vol. 36, págs. 2529–2602, 2009.
Problemas Matemáticos en Ingeniería 7