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

 

کد محصول:M409

قیمت فایل ترجمه شده:  ۱۱۰۰۰  تومان

تعداد صفحه انگلیسی:۹

سال نشر: ۲۰۱۲

تعداد صفحه ترجمه فارسی:   ۲۸ صفحه word

عنوان فارسی:

مقاله 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.

ترجمه بخش ۵ مقاله

۵. بحث و نتیجه گیری

بازاریابان حرفه ای RFM را برای توانایی های مفید کشف کردند، در درجه اول بخاطر اینکه داده معمولاً در دست و روشی است که نسبتا آسان استفاده می شود. با این حال، تحقیقات مبتنی نشان می دهد که به راحتی از یک پاسخ موثرتر باد یگر الگوریتم داده کاوی بدست می آید. RFM همواره گزارش شده است که از نسبت به شکل دیگه داده های کاوی کم دقت تر باشند، اما این انتظار می رود. به عنوان مدل RFM اصلی به مشتریان و اهداکنندگان در ۱۲۵سلول بخش بندی می شود و تجویزی است به جای پیش بینی کردن.

نتایجی که انتظار می رود دراین مقاله مورد تایید قرار گرفت RFM به خوبی به ساختارهای میلیون پرونده در هر مجموعه داده کاوی ودر ۱۲۵ گروه ازمشتریان با استفاده از فقط سه متغیر کمک می کند. مدل یک شرح خوب سازمان یافته یا ازمردم رفتار گذشته هایشان ارائه می کند، مدل یک شرح خوب سازمان یافته رااز مردم رفتار گذشته هایشان ارائه می کند، که به بازاریابان به طور موثر مشخصات متریاد باارزش یااهدا کننده کمک میکند و یک استراتژ بازاریابی راتوسعه می دهد بااین حال این رویکرد توصیفی دقت کمتری در پیش بینی رفتارهای اینده به نسبت مدل های داده پیچیده تراست.

پیشنهاد بهبود یافته ای برای Rfm وجود دارد درمدل های به دنبال بهبودRFM، مطالعه علما نشان می دهد که برشی از محدوده ها منجر به بهبودی در پیش بینی دقیق می شود. بااین حال، مدل های Rfm درهر محدوده انتظاعی مشکل رقابت با مدل های انحطاطی وجود دارد. مدل های انحطاطی دارای پیش بینیبرای مجموعه داده ها است، اما هیچ سودی به سادگی که نتیجه ی آن ارتقاء روش هابرای هر مشخصه مشتری است ارائه می دهد.

متعادل کننده اندازه ی سلول ها با تنظیمات محدود برای سه متغیرRFM  صدای آماری است، اما منجر به دقت بهبود و آزمایش نمی شود. هر دو مطالعه ۲، ۱ مدل هایRFM  پایه به طور قابل توجهی تحت سایر مدل های پیش بینی اجرا میشود.  به جز مدل تابع ۷ در مطالعه ۱. این نتایج نشان می دهد که سلول های متعادل ممکن است به بهبود منا سب آن کمک کند، اما شامل داده های دستکاری شده قابل توجهی برای بهبود بسیار کمی از پیش بینی ها در مجموعه داده که مورد بررسی قرار دادیم می شود.

استفاده از نسبت ۷ یک تئوری مثبت برای بهبود با متن RFMاست، امادر آزمون هایمان نتایج مخلوط هستند. در مطالعه ۱:تکنیک دقت پیش بینی بهتری ارائه نمی دهد در مطالعه ۲ یک نرخ طبقه بندی بهبود یافته را انجام میدهد اما تحت مدل انحطاط اجرامی شود. بنابراین، این روش سزاوار پرس وجویی بیشتری می شود. به طورکلی، نتایج در بالا نشان میدهد که برخی از گزینه های پیشنهاد شده برای RFMسنتی دارای محدودیت در پیش بینی است.

نتیجه ی اصلی ازمطالعه مان همانطور که انتظار میرفت، الگوریتم داده کلاسیک کاوی برای مدل در شرایط دقت پیش بینی و سود انباشته است. نتیجه اصلی است بخاطر اینکه درخت تصمیم گیری، رگرسیون منطقی، و شبکه های عصبی اغلب معیارهای تکنیک مدل سازی«پیش بینی»هستند. تقاضای مدل سازی پیش بینی یا آنالیز تقاضای بالای در بسیاری از صنایع است، شغل بازاریابی مستقیم است. حاکی از آن است که بازاریابان می تواند تصمیمات بازاریابی مؤثری با استفاده از استقبال تکنیک های پیشرفته مدل سازی پیش بینی در کنار مدل های توصیفی محبوب بگیرند. اغلب مورد مناسبی است که درخت تصمیم گیری، رگرسیون و شبکه های عصبی در توانایی خودشان برای مجموعه ای خاص از داده ها متفاوت است. علاوه براین، پارامترهای بسیاری وجود دارد که میتواند ۱۰مدل شبکه های عصبی و درخت تصمیم گیری استفاده شود. تمامی این سه مدل قادر به استفاده از در نظر گرفتن متغیرهای خارجی علاوه بر R,F,Mدارد. اینجا ما آنها را به این داده ها این سه متغیر اعمال میکنیم. تمامی انواع این سه مدل به نسبیت از مورد منحطط شده، یا هریک از انواع دیگر که اعمال کردیم انجام شد.

بهترین پیش بینی مناسب به طور کلی با استفاده از مدل درخت تصمیم گیری بدست آورده بود. این مدل نیز سایر مدل های پیش بینی در عملکرد بهتری در هردو مطالعه انجام دارد. گرایش درخت تصمیم گیری دارای مزایای بالا از مجموعه ابعاد کم مثل افرادی که در این تحقیق مورد استفاده قرار میگیرند میباشد. این ویژگی درخت تصمیم گیری ممکن است این نتیجه را توضیح بدهد. بنابراین، ما مدعی نیستیم که درخت تصمیم گیری همیشه بهترین خواهد بود. بااین حال، ارزش نسبی بزرگ برای درخت تصمیم گیری وجود دارد که یک مدل به راحتی قابل فهمی را ارائه میکند. برای مثال، جدول ۱۰ مجموعه قانون های درخت تصمیم گیری که در مطالعه ۱ بدست آمده ارائه میکند، که مقداری برای بر شمردن دامنه R است که دارای تراکم بالایی از پاسخ است. فقط یک دامنه از M جاییکه استفاده میشد وجود دارد. (R=24490و R=24561) و به دنبال جدول ۱۰ به مناسب بهبود یافته بود اگر درخت تصمیم گیری متفاوت نباشد و به نام همه ی موارد وجود دارد. (۴ خطا کمتر از ۲۰۰۰۰ وجود خواهد داشت، بازده اساسا با تناسب یکسان صحیح از ۹۸۴/۰ انجام میشود.)

حرکت نزولی برای درخت تصمیم گیری وجود دارد که اغلب بیش از حد مناسب است. همانطور که در جدول ۱ انجام شده است و می تواند تعداد زیادی از قوانین را برای، کاربران اعمال کند، جدول ۱۵ مقایسه روش براساس استنتاج از دو مطالعات مان را ارائه میکند.

Abstract

Decision support techniques and models for marketing decisions are critical to retail success. Among different marketing domains, customer segmentation or profiling is recognized as an important area in research and industry practice. Various data mining techniques can be useful for efficient customer segmentation and targeted marketing. One such technique is the RFM method. Recency, frequency, and monetary methods provide a simple means to categorize retail customers. We identify two sets of data involving catalog sales and donor contributions. Variants of RFM-based predictive models are constructed and compared to classical data mining techniques of logistic regression, decision trees, and neural networks. The spectrum of tradeoffs is analyzed. RFM methods are simpler, but less accurate. The effect of balancing cells, of the value function, and classical data mining algorithms (decision tree, logistic regression, neural networks) are also applied to the data. Both balancing expected cell densities and compressing RFM variables into a value function were found to provide models similar in accuracy to the basic RFM model, with slight improvement obtained by increasing the cutoff rate for classification. Classical data mining algorithms were found to yield better prediction, as expected, in terms of both prediction accuracy and cumulative gains. Relative tradeoffs among these data mining algorithms in the context of customer segmentation are presented. Finally we discuss practical implications based on the empirical results.