دانلود مقاله ISI انگلیسی شماره 2603 + ترجمه فارسی
عنوان فارسی مقاله

تقسیم بندی مشتریان مخابرات بر اساس ارزش مشتری با استفاده از مدل درخت تصمیم گیری

کد مقاله سال انتشار مقاله انگلیسی ترجمه فارسی
2603 2012 10 صفحه PDF 22 صفحه WORD
خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
عنوان انگلیسی
Segmentation of telecom customers based on customer value by decision tree model
منبع

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

Journal : Expert Systems with Applications, Volume 39, Issue 4, March 2012, Pages 3964–3973

فهرست مطالب ترجمه فارسی
چکیده
مقدمه
پژوهش های مربوط
محاسبه ی ارزش مستقیم
محاسبه ی ارزش مشتری براساس درخت تصمیم گیری
چارچوب عمومی محاسبه ی ارزش مشتری
ارزش جاری مشتری
ارزش بلندمدت مشتری
چارچوب عمومی برای محاسبه ی ارزش مشتری
محاسبه ی وفاداری
محاسبه ی ارزش غیرمستقیم
یافته های تجربی
نتیجه ی مدل CART.
روابط سلسله مراتبی و وزن (اعتبار).
 نتایج
کلمات کلیدی
- ارزش مشتری - چرخه عمر مشتری - وفاداری - اعتبار - مدل درخت تصمیم گیری
ترجمه چکیده
با تکامل هرچه بیشتر پارادایم بازاریابی خدمات تلکام، اهمیت آن برای حفظ مشتریان با ارزش بالا بیشتر می شود. شیوه های سنتی قطعه بندی مشتری براساس تجربه یا ARPU (سود متوسط هر کاربر) درآمد آینده ی مشتری یا هزینه ی خدمات مشتریان متفاوت را در نظر نمی گیرد؛ بنابراین شناسایی مشتریان با ارزش بالا بسیار دشوار است. در این مقاله شیوه ی نوین قطعه بندی مشتری براساس چرخه ی حیات مشتری را مطرح می کنیم که شامل پنج مدل تصمیم گیری یعنی ارزش جاری، ارزش تاریخی، پیش بینی ارزش بلندمدت، اعتبار و وفاداری است. از آنجا که محاسبه ی کمّی ارزش بلندمدت، اعتبار و وفاداری امری دشوار است، برای کسب پارامترهای مهم مربوط به ارزش بلندمدت، اعتبار و وفاداری از شیوه ی درخت تصمیم گیری استفاده می کنیم. سپس ماتریس قضاوت ها که برمبنای ویژگی های داده ها و تجربه ی متخصصان تجارت شکل گرفت ارائه شد. در آخر، سیستم ارزیابی ساده و قابل استفاده ی ارزش مشتری ساخته شد. این مدل برای اپراتورهای تلکام در استانی در چین به کار رفت و صحت مناسب به دست آمد.
ترجمه مقدمه
صنعت تلکام در چین در سال 2008 هنگام اعطای گواهی نامه های 3G به سه اپراتور موبایل تجدید سازمان شد. از آن زمان به بعد رقابت بیشتری شکل گرفته است. درنتیجه، اپراتورهای تلکام به مشتریان با ارزش بالا توجه بسیار بیشتری می کنند. قانون 20/80 حاکی از این است که 80% سودها از 20% مشتریان سودآور صدر نشین به دست می آیند و 80% هزینه ها در 20% مشتریان بدون سود صدرنشین رخ می دهند. درهرصورت، یافتن 20% مشتریان صدرنشین مسئله ای مهم برای اپراتورهاست. آنها باور دارند شرکت هایی که می توانند 20% مشتریان صدرنشین را ثبت کنند، در مبارزه ی بازار پیروز خواهند شد.
پیش نمایش مقاله
پیش نمایش مقاله تقسیم بندی مشتریان مخابرات بر اساس ارزش مشتری با استفاده از مدل درخت تصمیم گیری

چکیده انگلیسی

The more the telecom services marketing paradigm evolves, the more important it becomes to retain high value customers. Traditional customer segmentation methods based on experience or ARPU (Average Revenue per User) consider neither customers’ future revenue nor the cost of servicing customers of different types. Therefore, it is very difficult to effectively identify high-value customers. In this paper, we propose a novel customer segmentation method based on customer lifecycle, which includes five decision models, i.e. current value, historic value, prediction of long-term value, credit and loyalty. Due to the difficulty of quantitative computation of long-term value, credit and loyalty, a decision tree method is used to extract important parameters related to long-term value, credit and loyalty. Then a judgments matrix formulated on the basis of characteristics of data and the experience of business experts is presented. Finally a simple and practical customer value evaluation system is built. This model is applied to telecom operators in a province in China and good accuracy is achieved.

مقدمه انگلیسی

The telecom industry in China was restructured in 2008 when 3G licenses were finally granted to three mobile operators. Since then, competition has been intensified further. As a result, telecom operators are paying much more attention to high-value customers. The 80/20 rule points out that 80% of the profits come from the top 20% of profitable customers and 80% of the costs are incurred on the top 20% of unprofitable customers (Duboff, 1992 and Gloy et al., 1997). However, finding the top 20% customers is the crucial issue for the operators. It is believed that companies who can capture the top 20% customers will win the battle for the market. Traditionally, experience-based or ARPU (Average Revenue per User) method is widely-used to find the top 20% customers in China’s telecom industry. In general, customers whose ARPU is ranked in top 20% are customers whose usage value is in the top 20% bracket. However, such a method considers only the current and the historic profit, but not future revenue and customer lifecycle. So this method cannot effectively discover the real high-value customers. For instance, customer A and customer B have different ARPUs (A is 200, B is 150), and their indirect values (e.g., loyalty, credit, etc.) may also be significantly different (A is 0, B is 50), however they may have the same contribution to the company’s profit, i.e., 200 (Fig. 1). On the other hand, a pair of customer A and B may have the same ARPUs, but their costs to the company may be significantly different. Nevertheless, it can be noted that they may have different contribution to the company (A is 200, B is 80) (Fig. 2).

نتیجه گیری انگلیسی

With the development of customer relationship management, customer value becomes more and more important for business decisions. Ways to evaluate a customer’s value are demanded by many enterprises. As far as we know, there is no practical customer value evaluation system. Therefore, it is needed to develop a customer value evaluation system. Here we develop a simple and practical customer value evaluation system for the telecom industry. The model can be used to predict customer lifecycle when only demographic information is available in the company’s data. The customer’s contribution is evaluated and quantified to support decision-making of the enterprise. To compute loyalty and credit, we use the AHP method. Different from other models, the score of weights from AHP is given not only by experts’ experience but also the characteristics data. It overcomes the subjectiveness of the experts’ scoring to some degree. Due to conditional constraints, there are still some limitations in our research. We do not pay much attention to the advantage of our model compared with others. When computing the long-term value, we have used a relatively simple way to compute the monthly average long-term value, which needs some further analysis and discussion.

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