دانلود مقاله ISI انگلیسی شماره 2417 + ترجمه فارسی
عنوان فارسی مقاله

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

کد مقاله سال انتشار مقاله انگلیسی ترجمه فارسی
2417 2012 9 صفحه PDF 28 صفحه WORD
خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
عنوان انگلیسی
Direct marketing decision support through predictive customer response modeling
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Decision Support Systems, Volume 54, Issue 1, December 2012, Pages 443–451

فهرست مطالب ترجمه فارسی
خلاصه
 معرفی
مدل های پاسخ مشتری با استفاده از تکنیک های داده کاوی
مدل های پاسخ مشتری و بازاریابی DSS
تکنیک های داده کاوی برای مدل های پاسخ مشتری
ابزار داده کاوی کلاسیک
روش شناسی شرح شکل و مجموعه داده ها
2RFMبا سلول های متعادل
RFM با توابع ارزش یانگ
مدل های پیش بینی شده
شبکه های عصبی
درخت تصمیم گیری
رگرسیون منطقی (LR)
تجزیه و تحلیل و نتایج
اقدامات ارزیابی عملکرد
کلمات کلیدی
- مدل پیش بینی پاسخ مشتریان - بازاریابی مبتنی بر دانش - شبکه های عصبی - مدل درخت تصمیم گیری - رگرسیون لجستیک
ترجمه چکیده
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
ترجمه مقدمه
نقش تکنیک های پشتیبانی تصمیم گیری و مدل های تصمیم گیری برای بازاریابی از زمان آغاز به کار پشتیبانی تصمیم گیری مهم بوده است (DSSs). تکنیک ها و مدل های متنوع (مثل بهینه سازی، سیستم های مبتنی بردانش، شبیه سازی) بیش از 5 دهه است که آمده اند، بسیاری از حوزه های بازاریابی، از جمله قیمت گذاری، توسعه محصول جدید و تبلیغات، از این تکنیک ها و مدل ها بهره برده اند. در میان این حوزه های بازاریابی، تقسیم بندی مشتریان یا پروفایل سازی به عنوان یک منطقه مهم به رسمیت شناخته شده است. حداقل دو دلیل برای این کار وجود دارد. اول، الگوی بازاریابی درحال تبدیل شدن به مشتری محور است وهدف بازاریابی وخدمات مناسب هستند.
پیش نمایش مقاله
پیش نمایش مقاله پشتیبانی تصمیم گیری بازاریابی مستقیم از طریق مدل سازی پیش بینی پاسخ مشتری

چکیده انگلیسی

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.

خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.