محاسبه ارزش عمر مشتريان با در نظر گرفتن پويايي رفتار آنها با استفاده از زنجيره ماركف (مورد مطالعه: شركت ايساكو)

Calculating Customer Lifetime Value Considering Dynamic Behavior of Them Using Markov Chain Approach (Case study: Isaco

در دنياي كسب و كار رقابتي امروزه توانايي شناسايي مشتري هاي سودآور و به دست آوردن وفاداري بلندمدت آن ها از اهميت ويژه ايي برخوردار است. محاسبه ارزش طول عمر مشتريان يك سازمان يكي از مباحث كليدي در مطالعات مديريت ارتباط با مشتري بوده و تخصيص بودجه هاي بازاريابي با استفاده از اين شاخص صورت مي گيرد. يكي از چالش هاي مهم در اين حوزه تخمين ارزش طول عمر مشتريان سازمان به گونه ايي است كه اين تخمين از دقت بالايي برخوردار باشد و امكان تغيير رفتار مشتريان در طول زمان را نيز در محاسبات مربوطه لحاظ نمايد. مدل هاي زنجيره ماركف اين امكان را فراهم مي سازند، اما كاستي هايي نيز در مدل هاي استفاده شده ديده مي شود.مدل هاي زنجيره ماركف پيشنهادي در ادبيات موضوع، ماتريس احتمال انتقال وضعيت را با استفاده از كل داده هاي بازه زماني مورد بررسي تخمين مي زنند كه با اين روش احتمال تغيير رفتار مشتري ناديده گرفته مي شود كه ممكن است در برش هاي زماني كوچك تر رخ دهد. مقاله سعي در نشان دادن اين خلا تحقيقاتي با استفاده از داده هاي شركت ايساكو است. نتايج نشان مي دهد كه استفاده از يك ماتريس احتمال گذار زنجيره ماركف كه از مجموع داده هاي بازه زماني مورد بررسي حاصل مي شود، به خوبي بيانگر شرايط دنياي واقعي نبوده و منجر به خطا در انجام محاسبات مي شود. به علاوه تجميع تمام داده ها در تخمين اين ماتريس امكان بررسي تغييرات رخ داده در طول بازه زماني مورد بررسي و امكان تحقيق در شناسايي دلايل بالقوه رخ دادن اين تغييرات رفتاري مشتريان را از محقق خواهد گرفت.

Calculating Customer Lifetime Value (CLV) is a key measure in Customer Relationship Management (CRM) studies. Using this measurement, marketing budget can allocate perfectly. An important issue in this area is to increase the accuracy of calculations and considering the possibility of changing customers’ behavior. In this paper, we tried to show possibility of changing the behavior of customers. For this purpose, we used Isaco (Iran Khodro Spare parts and After Sales Service Corporation) four years transaction dataset. The customer lifetime value is calculated using Markove chain approach. Results show that considering all time period data to estimate only one transition matrix with fixed arrays don’t reflect the real world situation properly. In addition, aggregating all data to estimate the transition matrix will prevent detecting and studying possible changes of customers’ behavior and its potential reasons.