Document Type : Research Paper
Author
Abstract
Nowadays, customers are the most important sources of income for financial institutions and banks. According to the privatization process in the country and financial restrictions of banks, it is necessary to maintain and attract more profitable customers. Though, one of the most important methods to identify profitable customers is the concept of customer lifetime value (CLV) but it is more important to estimate customers’ future conditions because a bank`s future profitability highly depends on the customers situation.
In this research, the issues about CLV, the necessity and different classification methods are presented. Then, considering weighting variables using Recency, Frequency, and Monetary (RFM) model, AHP technique, and experts opinion, customers are classified. Using Markov chain and probability matrix, the displacement of customers in different groups and their future status are predicted.
One of the major outcomes of this research is the calculation of profitability matrix to predict customers’ displacement in different groups. The probability matrix can also show the reluctance of large number of customers to move to the specified groups (the highest percentage of customers in the main diameter of the probability matrix). In this research, we observed that account balance (M) has the greatest impact on customers grouping and that the number of transactions (F) and recency variable (R) are ranked as the second and third impact factors. Also, the determination coefficient (C) is another result of the research. Finally, the presented research used financial information and proposed a mathematical model (Markov chain) to calculate the probability of customers’ displacement (switching from one group to another). The proposed model can be helpful to facilitate customer relationship management process in the banking system.
Keywords
، رتبه بندی اعتباری مشتریان حقوقی بانک ها. مجله تحقیقات اقتصاد . ی شماره 64 ، پاییز 1346
- . صفحات 41 1
امیری پریان، شهلا؛ نمامیان، فرشید. دسته بندی مشتریان بر اساس ارزش طول عمر مشتری در
زمینه انواع خدمات سپرده بانکی. کنفرانس بین المللی اقتصاد، حسابداری، مدیریت و علوم
. اجتماعی، مشهد، 1365
بیورانی، حسین؛ عظیمی، محرم. طبقه بندی مشتریان بانک صادرات بر اساس ارزش مشتری با
- . 1365 . صفحات 135 116 ، استفاده از درخت تصمیم. مدیریت بهره وری، سال نهم، شماره 33
خانلری، امیر؛ غروری، بهروز. دسته بندی و برآورد ارزش مشتریان بانک از طریق ارزش
طول عمر مشتری و مدل احتمالی. چهارمین کنفرانس بین المللی بازاریابی خدمات بانکی، تهران،
مرکز همایش های بین المللی صداوسیما. 1361
رستگار، نگار، ارائه مدل توسعه یافته RFM برای بخش بندی مشتریان در ارائه خدمات
. بانکی، اولین کنفرانس بین المللی بازاریابی خدمات بانکی،تهران، 1344
سهرابی، بابک، خانلری، امیر، آجرلو، نصیبه، استفاده از مدل RFM برای بخش بندی
. مشتریان بانک ها، اولین کنفرانس بازاریابی خدمات بانکی،تهران، 1344
صحرایی، رضوان، عباس پور، عباس پیش بینی عرضه داخلی نیروی انسانی سازمان ها با
استفاده از مدل زنجیره مارکوف فصلنامه مدیریت منابع انسانی در صنعت نفت، موسسه مطالعات
4116 ، بین المللی انرژی شماره 5
کوپایی، مجتبی، مینایی بیدگلی، بهروز، روشی برای پیش بینی ارزش طول عمر مشتریان
فروشگاه های زنجیره ای، پنجمین کنفرانس بین المللی مدیریت فن آوری اطلاعات و
ارتباطات،تهران، 1344
مصلحی، سیده نیره؛ کفاش پور، آذر؛ ناجی عظیمی، زهرا؛ استفاده از مدل LRFM برای
بخش بندی مشتریان بر اساس ارزش چرخه عمر آن ها. پژوهش های مدیریت عمومی، سال هفتم،
- . شماره 44 ، پاییز 1363 ، صفحات 151 116
دسته بندی مشتریان حقوقی و پیش بینی توانایی سوددهی آنان با استفاده از ارزش طول عمر... 45
نبوی چاشمی، سیدعلی ؛ احمدی،محمد؛ شرافتی، مریم. رتبه بندی اعتباری مشتریان حقوقی
بانک سامان با استفاده از تکنیک AHP . نهمین کنفرانس بین المللی مدیریت، دانشگاه صنعتی
. شریف، تهران، 1361
نکویی، آرزو؛ خوشه بندی مشتریان با تمرکز بر ارزش طول عمر مشتری. پایان نامه کارشناسی
ارشد، رشته مهندسی فناوری اطلاعات، دانشگاه خواجه نصیرالدین طوسی، دانشکده مهندسی
. صنایع، 1364
Cermak P., (2015). Customer Profitability Analysis and Customer Life Time Value Models: Portfolio Analysis. Procedia Economics and Finance. 25.pp 14 – 25
Cheng C.J., Chiu S.W., Cheng C., Wu J., (2012). Customer life time value prediction by a Markov chain based data mining model: Application to an auto repair and maintenance company in Taiwan. Scientia Iranica, 19, 3. pp 849–855
Ekinci, Ulengin F., Uray N., Ulengin B,. (2014). Analysis of customer lifetime value and marketing expenditure decisions through a Markovian-based model. European Journal of Operational Research 237.pp 278–288
Etzion, Fisher and Wasserkrug, A Modeling Approach for Customer Lifetime Evaluation in e-Commerce Domains, with an Application and Case Study for Online Auction, Information Systems Frontiers, Springer Science & Business Media, Inc, p(44), 2005.
Glady N., Baesens B., and Croux C., A Modified Pareto/NBD Approach for Predicting Customer Lifetime Value, submitted for publication P (44).
Haenlein, Michael, Andreas M. Kaplan, and Anemone J. Beeser. A Model to Determine Customer Lifetime Value in a Retail Banking context, European Management Journal, Vol. 25, No .3, pp 221-234, 2007.
Khajvand M., Zolfaghar K., Ashoori S., Alizadeh S. (2011). Estimating customer lifetime value based on RFM analysis of customer purchase behavior: case study. Procedia Computer Science. 3.pp 57–63.
Paauwe, Putten, Wezel, “An Actionable e-Customer Lifetime Value Model Based on Markov Chains and Decision Trees”, H.4.m: Miscellaneous; I.2.6, p(45), 2007.
Pfeifer, Phillip E. and Carraway, Robert L. (2000) “Modeling customer relationships as Markov chains”, Journal of Interactive Marketing 14(2), pp 43–55, p(35), 2000.
Safari Kahreh M,. Tive M,. Babaniac A,. Hesand M,. (2014). Analyzing the applications of customer lifetime value (CLV) based on benefit segmentation for the banking sector. Procedia - Social and Behavioral Sciences, 109.pp 590 – 594
)