پيش‌بيني تخمين ارزش طول عمر مشتريان در صنعت نرم‌افزاري

Customer Lifetime Value Estimation IT Cooperation

هدف پژوهش حاضر، ارائه مدلي جهت پيش بيني چرخه ارزش طول عمر مشتريان در صنعت نرم‌افزاري است. در پيشينه ادبيات موضوع، ارزش چرخه طول عمر مشتريان به عنوان شاخصي جهت محاسبه و اندازه گيري ارزش بالفعل و ارزش بالقوه اي است كه هر كدام از مشتريان در طول ارتباطشان براي سازمان ايجاد مي كنند. هدف از مطالعه 1CLV شناخت مشتريان و درك الگوهاي رفتاري آنان است به نوعي كه بتوان ميزان خريد آينده و طول مدت ارتباطشان با شركت را پيش بيني كرد و در نهايت سودآورترين آنها را جهت تحقق اهداف شركت برگزيد. پژوهش پيشرو شامل بررسي 3 زير گروه جهت تخمين ارزش طول عمر مشتريان است كه ابتدا به بررسي چرخه طول عمر مشتريان پرداخته مي شود و در قدم بعدي، مدل RFM جهت ارزيابي CLV هر يك از مشتريان مورد ارزيابي قرار مي گيرد و در نهايت به اقتضاي صنعت مورد استفاده، متغيرهايي كه به مدل RFM در طول زمان اضافه شده اند مورد بررسي قرار مي گيرد. مدل پيشنهادي، استفاده از روش رگرسيون لوژستيك ترتيبي است كه براي اين منظور اطلاعات فروش نزديك به 182 مشتري در يكي از شركت‌هاي نرم افزاري مورد سنجش قرار گرفت و نتايج حاصل از پژوهش نشان داد كه پيش‌بيني ارزش چرخه طول عمر مشتريان با استفاده از اين روش به نسبت روش هاي متعارف از دقت و صحت بيشتري برخوردار است.

Customer lifetime value (CLV) is an invaluable metric which plays a pivotal role in assessing the future worth of the customers and the profitability of them. To elaborate upon, CLV is an index so as to evaluate the potential as well as the practical worth of a wide variety of customers. So, it seems obvious that estimation of this metric in different cooperation, especially IT ones, can cause the organizations to identify the behaving trend of their customers so that the organizations can forecast their future purchase as well as the customers’ loyalty to their cooperation. Therefore, in this paper, we present a model in order to estimate the CLV in an IT cooperation. Hence, in the first step, we explain the concept of CLV metric, and its role in today’s customer analysis. Then, the next step has to do with presenting the RFM method and its parameters for assessing the CLV index. Our proposed case study is included 182 data of customers in an IT cooperation, which we used ordered logistic regression so as to analyze. In the experimental results section, our proposed method applying to this specific cooperation data demonstrates a better performance both in accuracy and precision in comparison with the popular methods.