Integrating AHP and data mining for product recommendation based on customer lifetime value

ABSTRACT

Product recommendation is a business activity that is critical in attracting customers. Accordingly, improving the quality of a recommendation to fulfill customers’ needs is important in fiercely competitive environments. Although various recommender systems have been proposed, few have addressed the lifetime value of a customer to a firm. Generally, customer lifetime value (CLV) is evaluated in terms of recency, frequency, monetary (RFM) variables. However, the relative importance among them varies with the characteristics of the product and industry. We developed a novel product recommendation methodology that combined group decision-making and data mining techniques. The analytic hierarchy process (AHP) was applied to determine the relative weights of RFM variables in evaluating customer lifetime value or loyalty. Clustering techniques were then employed to group customers according to the weighted RFM value. Finally, an association rule mining approach was implemented to provide product recommendations to each customer group. The experimental results demonstrated that the approach outperformed one with equally weighted RFM and a typical collaborative filtering (CF) method.

INTRODUCTION

Intense competition is forcing companies to develop innovative marketing activities to capture customer needs and improve customer satisfaction and retention. The use of the Internet and the explosive growth of e-commerce have expanded marketing activities and made large volumes of customer data available for analysis. Businesses can benefit significantly from analyzing customer data to determine their preferences and thus improve marketing decision support. Providing adequate support to meet customer needs can boost the success of on-line e-stores and web site success depends on enhancing information and service quality to serve customers better . Recently, IT has been utilized to help companies maintain competitive advantage . Data mining techniques are a widely used information technology for extracting marketing knowledge and further supporting marketing decisions . The applications include market basket analysis, retail sales analysis, and market segmentation analysis. Lin et al. applied data mining techniques to extract inter-organizational retailing knowledge from POS information in retail store chains. Moreover, Hui and Jha employed it to provide customer service support. The knowledge can support marketing decisions and customer relationship management.

چکیده

توصیه های محصول فعالیت تجاری است که در جذب مشتریان حیاتی است. بر این اساس، بهبود کیفیت توصیه برای برآوردن نیازهای مشتری در محیط های رقابتی بسیار مهم است. اگر چه سیستم پیشنهاد دهنده های مختلف پیشنهاد شده است، اما تعداد کمی از مشتریان به یک شرکت در طول عمر ارزش پرداختند. به طور کلی، ارزش عمر مشتری (CLV) با توجه به متغیرهای پیش بینی، فرکانس، پولی (RFM) ارزیابی می شود. با این حال، اهمیت نسبی در میان آنها با مشخصات محصول و صنعت متفاوت است. ما یک روش توصیف محصول جدید ارائه دادیم که ترکیب تصمیم گیری گروهی و تکنیک های داده کاوی را در بر می گیرد. فرآیند سلسله مراتب تحلیلی (AHP) برای تعیین وزن نسبی متغیرهای RFM در ارزیابی ارزش عمر مشتری یا وفاداری استفاده شد. سپس روشهای خوشه بندی به گروه مشتریان با توجه به ارزش RFM محاسبه شد. در نهایت، یک رویه استخراج قواعد ارتباطی برای ارائه توصیه های محصول به هر گروه مشتری اجرا شد. نتایج تجربی نشان داد که این رویکرد با یک روش RFM به همان اندازه و یک روش فیلترینگ متداول (CF) برتر است.

مقدمه

رقابت شدید باعث شده است شرکت ها برای توسعه فعالیت های بازاریابی نوآورانه برای رفع نیازهای مشتری و بهبود رضایت مشتری و حفظ آن، اقدام کنند. استفاده از اینترنت و رشد انفجاری تجارت الکترونیک فعالیت های بازاریابی را گسترش داده و حجم زیادی از اطلاعات مشتری را برای تجزیه و تحلیل داده است. بنگاه ها می توانند از تجزیه و تحلیل داده های مشتری برای تعیین اولویت های خود و به تبع آن، حمایت از تصمیم گیری بازاریابی را بهبود بخشند. ارائه پشتیبانی کافی برای پاسخگویی به نیازهای مشتری می تواند موفقیت فروشگاه آنلاین آنلاین را افزایش دهد و موفقیت وب سایت بستگی به افزایش اطلاعات و کیفیت خدمات برای خدمت به مشتریان دارد. اخیرا فناوری اطلاعات برای کمک به شرکت ها در حفظ مزیت رقابتی استفاده شده است. تکنیک های داده کاوی فناوری اطلاعات به طور گسترده ای مورد استفاده برای استخراج دانش بازاریابی و حمایت بیشتر از تصمیمات بازاریابی است. برنامه های کاربردی شامل تجزیه و تحلیل بازار سبد، تجزیه و تحلیل خرده فروشی، و تجزیه و تحلیل تقسیم بازار است. لین و همکاران تکنیک های داده کاوی برای استخراج دانش خرده فروشی بین سازمان از اطلاعات POS در فروشگاه های خرده فروشی. علاوه بر این، Hui و Jha آن را برای ارائه خدمات پشتیبانی مشتری استفاده می کنند. دانش می تواند تصمیمات بازاریابی و مدیریت ارتباط با مشتری را پشتیبانی کند.

Year: 2005

Publisher: ELSEVIER

By : Duen-Ren Liu , Ya-Yueh Shih