Machine Translated by Google

Rajkumar Venkatesan & V. Kumar

Giá trị trọn đời của khách hàng

Khung chiến lược lựa chọn khách hàng và phân

bổ nguồn lực
Các tác giả đánh giá tính hữu ích của giá trị vòng đời khách hàng (CLV) như một thước đo để lựa chọn khách hàng và phân bổ nguồn
lực tiếp thị bằng cách phát triển một khuôn khổ năng động cho phép các nhà quản lý duy trì hoặc cải thiện mối quan hệ khách hàng
một cách chủ động thông qua các liên hệ tiếp thị trên nhiều kênh khác nhau và tối đa hóa CLV đồng thời. Các tác giả cho thấy rằng
các mối liên hệ tiếp thị trên nhiều kênh khác nhau sẽ ảnh hưởng phi tuyến tính đến CLV. Những khách hàng được chọn dựa trên giá
trị trọn đời của họ sẽ mang lại lợi nhuận cao hơn trong các giai đoạn tương lai so với những khách hàng được chọn dựa trên một số
số liệu dựa trên khách hàng khác. Các phân tích cho thấy có tiềm năng cải thiện lợi nhuận khi các nhà quản lý thiết kế các quy
tắc phân bổ nguồn lực nhằm tối đa hóa CLV. Các nhà quản lý có thể sử dụng khuôn khổ của tác giả để phân bổ nguồn lực tiếp thị một
cách hiệu quả trên các khách hàng và các kênh truyền thông.

Tối đa hóa CLV

được chấp nhận như một thước đo để đạt được, phát triển và duy trì
Một số nhà nghiên cứu đã khuyến nghị CLV như một thước đo để lựa chọn khách
Giá trị khách
lâu dài
hàng của
“phù khách hàngquản
hợp” trong (CLV) đang
lý quan hệ tăng
khách nhanh
hàng (CRM). Tuy
hàng và thiết kế các chương trình tiếp thị (Reinartz và Kumar 2003; Rust,
nhiên, nhiều công ty không sử dụng phép đo CLV một cách thận trọng. Hoặc là
Zeithaml và Lemon 2004). Tuy nhiên, không có bằng chứng thực nghiệm nào về
ngay từ đầu họ làm việc với những khách hàng không mong muốn hoặc họ không
tính hữu ích của CLV so với các số liệu dựa trên khách hàng khác. Bảng 1
biết cách điều chỉnh trải nghiệm của khách hàng để tạo ra giá trị cao nhất
so sánh khung CLV được đề xuất trong nghiên cứu này với tài liệu hiện có
(Thompson 2001). Thách thức mà hầu hết các nhà quản lý tiếp thị hiện phải
về CLV và tiếp thị cơ sở dữ liệu. So sánh các nghiên cứu được liệt kê
đối mặt là đạt được sự hội tụ giữa các hoạt động tiếp thị (ví dụ: liên hệ
trong Bảng 1 cho thấy hầu hết các nghiên cứu trước đây đều cung cấp hướng
trên nhiều kênh khác nhau) và CRM. Cụ thể, họ cần lấy tất cả dữ liệu đã
dẫn tính toán CLV và lợi tức đầu tư ở cấp độ tổng hợp. Một số nghiên cứu
thu thập về khách hàng và tích hợp chúng với cách công ty tương tác với
gần đây (Reinartz và Kumar 2003; Rust, Zeithaml và Lemon 2004) cung cấp
khách hàng của mình. Trong tài liệu học thuật, Berger và các đồng nghiệp
bằng chứng thực nghiệm cho sự tồn tại của mối quan hệ giữa hành động tiếp
(2002) ủng hộ việc phân bổ nguồn lực để tối đa hóa giá trị của cơ sở khách
thị và CLV ở cấp độ tổng hợp.
hàng và họ lập luận mạnh mẽ rằng cần có những mô hình phân bổ nguồn lực như

vậy.

Tuy nhiên, như Berger và các đồng nghiệp (2002) nêu rõ, chưa có nghiên cứu

nào đề xuất và thử nghiệm một khuôn khổ cung cấp các quy tắc phân bổ nguồn
lực trên các kênh truyền thông khác nhau cho từng khách hàng cá nhân và

xuyên suốt.

Rajkumar Venkatesan là Trợ lý Giáo sư về Tiếp thị (e-mail: khách hàng.

Rvenkatesan@sba.uconn.edu) và V. Kumar là Giáo sư Chủ tịch ING về Tiếp thị
Trên cơ sở so sánh trong Bảng 1, chúng tôi tóm tắt những đóng góp
và Giám đốc Điều hành, Trung tâm Dịch vụ Tài chính ING (e-mail:
quan trọng trong nghiên cứu của mình như sau: Chúng tôi cung cấp một khuôn
vk@sba.uconn .edu), Trường Kinh doanh, Đại học Connecticut.
khổ đo lường CLV nhằm liên kết ảnh hưởng của truyền thông qua các kênh khác
Nghiên cứu này được hỗ trợ một phần bởi khoản tài trợ từ Trung tâm Quản lý
nhau trên CLV. Chúng tôi cũng đánh giá tính hữu ích của CLV như một thước
quan hệ khách hàng Teradata tại Đại học Duke, Viện Khoa học Tiếp thị và Viện
đo để lựa chọn khách hàng và phát triển khuôn khổ phân bổ nguồn lực tiếp
Nghiên cứu Thị trường Kinh doanh và các tác giả đặc biệt cảm ơn họ. Nghiên
cứu này đã thu được nhiều lợi ích từ các cuộc thảo luận của khán giả tại thị nhằm tối đa hóa CLV. Với mối liên hệ giả định giữa CLV và lợi nhuận của
hội nghị của Trung tâm tiếp thị cơ sở dữ liệu quốc gia ở Philadelphia và hội công ty (Hogan và cộng sự 2002), đây là những vấn đề quan trọng.
nghị của Viện khoa học tiếp thị tại INSEAD, cũng như tại Đại học bang
Michigan, Đại học Curtin, Đại học Tilburg, Đại học bang New York–Buffalo, và
Hội nghị Khoa học Tiếp thị năm 2003. Các tác giả cảm ơn Munshi Mah-fuddin và
Trong nghiên cứu này, chúng tôi sử dụng dữ liệu khách hàng từ
Rajendra Ladda đã hỗ trợ nghiên cứu. Xin gửi lời cảm ơn đặc biệt tới Don
Lehmann, Rick Staelin, Greg Allenby và John Lynch vì những nhận xét của họ một nhà sản xuất lớn từ doanh nghiệp tới doanh nghiệp (B2B) để minh

về phiên bản đề xuất của nghiên cứu này. Các tác giả cảm ơn một công ty kinh
doanh với doanh nghiệp đã cung cấp dữ liệu cho nghiên cứu này. Họ cũng cảm
ơn những người đánh giá ẩn danh của JM đã đưa ra những gợi ý nhằm nâng cao
sự đóng góp của nghiên cứu này. Họ cảm ơn Renu và Andrew Peterson vì đã sao
chép bản thảo.
họa khuôn khổ được đề xuất theo kinh nghiệm. Cơ sở dữ liệu khách
hàng của tổ chức tập trung vào khách hàng B2B. Các phân tích của
chúng tôi cho thấy rằng truyền thông tiếp thị trên nhiều kênh khác
nhau ảnh hưởng phi tuyến tính đến CLV. Kết quả từ các phân tích của
chúng tôi cho thấy rằng khách hàng được lựa chọn trên cơ sở CLV
mang lại lợi nhuận cao hơn so với những khách hàng được lựa chọn trên cơ sở CLV.

Tạp chí Tiếp thị Tập.

106/ Tạp chí Marketing, tháng 10 năm 2004 68 (tháng 10 năm 2004), 106–125
Machine Translated by Google

BẢNG 1

So sánh Khung CLV được đề xuất với các mô hình hiện có

Trở về
Sự đầu tư Hoạt động tiếp Nguồn Nguồn So sánh
Được mô hình thị dựa trên CLV ảnh hưởng như thế nào Phân bổ cho Phân bổ của khách hàng-

Loại Nghiên cứu đại hóa và CLV Nguồn mỗi Sang Dựa trên Thống kê
Người mẫu diện Đã tính toán Phép tính CLV Phân bổ Khách hàng Kênh truyền hình Số liệu Chi tiết

CLV Berger và KHÔNG Đúng Đúng KHÔNG KHÔNG KHÔNG KHÔNG Đúng

Nasr (1998)

Berger và cộng Đúng Đúng Đúng Đúng KHÔNG Đúng KHÔNG KHÔNG

sự. (2002)

Vốn chủ sở hữu

Blattberg và Đúng Đúng KHÔNG Đúng KHÔNG KHÔNG KHÔNG Đúng

của khách hàng Deighton

(1996)

Libai, Đúng Đúng Đúng KHÔNG KHÔNG KHÔNG KHÔNG KHÔNG

Narayandas và
Humby (2002)

Tiếp thị cơ Reinartz và Đúng Đúng KHÔNG KHÔNG KHÔNG KHÔNG KHÔNG Đúng

sở dữ liệu Kumar (2000)

Bolton, Lemon và Đúng Đúng Đúng KHÔNG KHÔNG KHÔNG KHÔNG Đúng
Verhoef (2004)
Khung giá trị trọn đời của khách hàng / 107

tiền Reinartz và Đúng Đúng Đúng KHÔNG KHÔNG KHÔNG Đúng Đúng
thân CLV Kumar (2003)

Rust, Zeithaml và Đúng Đúng Đúng KHÔNG KHÔNG KHÔNG Đúng Đúng
Lemon (2004)

dựa trên CLV Berger và Đúng Đúng Đúng Đúng KHÔNG KHÔNG KHÔNG KHÔNG

phân bổ nguồn Bechwati

lực (2001)

Nghiên cứu hiện tại Đúng Đúng Đúng Đúng Đúng Đúng Đúng Đúng
Machine Translated by Google

số liệu CRM được sử dụng rộng rãi khác. Ngoài ra, còn có tiềm năng cải biên độ phân bổ từ mỗi khách hàng. Các nhà nghiên cứu trước đây đã sử dụng

thiện đáng kể lợi nhuận khi các nhà quản lý thiết kế các quy tắc phân bổ biến P(Alive), đại diện cho khả năng khách hàng còn sống (và do đó thể

nguồn lực nhằm tối đa hóa CLV. hiện hoạt động mua hàng) dựa trên hành vi mua hàng trước đó của họ (Reinartz

Trong phần tiếp theo, chúng tôi phát triển khuôn khổ đo lường và tối và Kumar 2000), để dự đoán hoạt động của khách hàng trong tương lai theo

đa hóa CLV. Sau đó, chúng tôi đề xuất các giả thuyết về ảnh hưởng của các hợp đồng. cài đặt. Tuy nhiên, biện pháp này giả định rằng khi khách hàng

yếu tố đặc thù của nhà cung cấp và đặc điểm khách hàng lên các thành phần chấm dứt mối quan hệ, họ sẽ không quay lại với nhà cung cấp. Đây còn được

CLV khác nhau. Trong phần tiếp theo, chúng tôi giải thích các mô hình và gọi là kịch bản “được thì mất” (Rust, Zeithaml, và Lemon 2004). Nếu một

dữ liệu mà chúng tôi đã sử dụng để ước tính CLV. Sau đó, chúng tôi thảo khách hàng được giành lại sau khi chấm dứt hợp đồng, công ty sẽ coi khách
luận về kết quả từ các phân tích của mình và giải thích việc so sánh CLV hàng đó như một khách hàng mới và bỏ qua lịch sử của mình với khách hàng đó.

với các số liệu khác để lựa chọn khách hàng. Cụ thể, chúng tôi so sánh lợi

nhuận tổng hợp do khách hàng có CLV cao mang lại với lợi nhuận của những

khách hàng đạt điểm cao trên một số chỉ số dựa trên khách hàng khác. Trong

phần “Chiến lược phân bổ nguồn lực”, chúng tôi cung cấp thông tin chi tiết Một phương pháp khác để dự đoán hoạt động của khách hàng trong tương
về cách phân bổ nguồn lực nhằm tối đa hóa CLV. Mục tiêu của chúng tôi là lai là dự đoán tần suất mua hàng của khách hàng dựa trên những lần mua hàng

đánh giá mức độ CLV và lợi nhuận có thể tăng lên bằng cách phân bổ nguồn trước đó của họ. Giả định cơ bản của khuôn khổ này là khách hàng có nhiều

lực tiếp thị qua các kênh liên hệ cho từng khách hàng để tối đa hóa CLV khả năng giảm tần suất mua hàng trước khi chấm dứt mối quan hệ. Giả định

tương ứng của họ. Cuối cùng, chúng tôi rút ra ý nghĩa dựa trên kết quả, này phù hợp với các lý thuyết về các giai đoạn khác nhau trong một mối

thảo luận về những hạn chế trong nghiên cứu của chúng tôi và xác định các quan hệ và vòng đời của mối quan hệ (Dwyer, Schurr, và Oh 1987; Jap 2001).

lĩnh vực để nghiên cứu thêm. Ngoài ra, phương pháp như vậy cho phép khách hàng quay lại nhà cung cấp sau

khi tạm thời không có mối quan hệ nào. Do đó, trong khuôn khổ này, chúng

tôi đo lường CLV bằng cách dự đoán mô hình mua hàng (tần suất mua hàng

hoặc thời gian mua hàng liên tục) trong một khoảng thời gian hợp lý. Đây

còn được gọi là kịch bản “luôn chia sẻ”. Cách tiếp cận mất để có lợi đang

bị nghi ngờ vì nó đánh giá thấp CLV một cách có hệ thống (Rust, Zeithaml,
Đo lường và tối đa hóa CLV Các thành phần khác
và Lemon 2004). Vì vậy, chúng tôi sử dụng phương pháp luôn luôn chia sẻ
nhau của CLV bao gồm tần trong nghiên cứu này. Đưa ra các dự đoán về tỷ lệ đóng góp, tần suất mua

suất mua hàng, tỷ suất lợi nhuận đóng góp và chi phí tiếp thị (tuy nhiên, hàng và chi phí biến đổi, hàm CLV mà chúng tôi sử dụng có thể được biểu

các thành phần CLV khác nhau có thể khác nhau tùy theo ngành). Một số tiền diễn như sau:

đề về tần suất mua hàng và tỷ lệ đóng góp (ví dụ: truyền thông tiếp thị)

nằm dưới sự kiểm soát của ban quản lý và ảnh hưởng đến chi phí biến đổi của

việc quản lý khách hàng. Chúng tôi sử dụng những tiền đề này để tối đa hóa

CLV.

×
Của N c x
tôi,m, l
=
tôi, tôi, tôi
CMi,y
2 ( ) CLV
tôi
,
Tôi
Và
( 1 + ) r
tôi 1
= =
Và ( 1 1 + r ) tần số tôi 1

Hàm mục tiêu: CLV Thông thường, CLV

Ở đâu
là hàm của tỷ lệ đóng góp dự đoán, xu hướng tiếp tục mối quan hệ của khách

hàng (giữ chân khách hàng) và các nguồn lực tiếp thị được phân bổ cho CLVi = giá trị trọn đời của khách hàng i;

khách hàng. Nói chung, CLV có thể được tính như sau: CMi,y = tỷ lệ đóng góp dự kiến từ khách hàng i (được tính từ mô
hình tỷ lệ đóng góp) trong dịp mua hàng y, tính bằng

đô la; r = tỷ lệ chiết khấu tiền (được đặt ở mức 15%

hàng năm trong nghiên cứu

N
(Biên độ đóng góp trong tương laiNó Hằng số tương lai) của chúng tôi); ci,m,l = chi phí tiếp thị đơn vị cho khách
(1 )CLV = ,
hàng i trong kênh m trong năm l
Tôi

( 1 + ) r t
t = 1
(công thức CLV không thay đổi nếu l được sử dụng để thể hiện
các khoảng thời gian khác hơn một năm); xi,m,l = số
Ở đâu
lần liên hệ với khách hàng i ở kênh m vào năm l; tần

i = chỉ số khách hàng, suất i = tần suất mua dự đoán của

t = chỉ số thời khách hàng i; n = số năm dự báo; và Ti = số lượng mua hàng dự

gian, n = khoảng thời gian dự kiến của khách hàng
báo và r = tỷ lệ chiết khấu. i tính đến cuối kỳ kế hoạch.

Trong môi trường hợp đồng, các nhà quản lý quan tâm đến việc dự đoán

khả năng giữ chân khách hàng hoặc khả năng khách hàng ở lại hoặc chấm dứt

mối quan hệ. Tuy nhiên, trong môi trường không có hợp đồng, trọng tâm

nhiều hơn là dự đoán hoạt động của khách hàng trong tương lai vì luôn có

khả năng khách hàng sẽ mua hàng trong tương lai. Do đó, các nhà quản lý

tính toán CLV trong bối cảnh không có hợp đồng quan tâm đến việc dự đoán Ngoài việc đo CLV chính xác cho từng khách hàng, mục tiêu của chúng

hoạt động của khách hàng trong tương lai và kết quả dự đoán. tôi là phân bổ nguồn lực để tối đa hóa CLV. Vì vậy, chúng tôi lập mô hình

tần suất mua hàng và

108/ Tạp chí Marketing, tháng 10 năm 2004

Machine Translated by Google

tỷ lệ đóng góp của khách hàng như là một chức năng của các biến số nguồn gan và Hunt 1994) cũng như nghiên cứu trước đây về vốn sở hữu khách hàng
lực tiếp thị chẳng hạn như kênh liên hệ. Sau đó, chúng tôi sử dụng khả năng và CLV (Bolton, Lemon, và Verhoef 2004; Bowman và Narayandas 2001; Reinartz

đáp ứng của khách hàng đối với các hành động tiếp thị, thu được từ các mô và Kumar 2003; Rust, Zeithaml, và Lemon 2004) và truyền thông kênh ( Grewal,

hình tần suất mua hàng và tỷ suất lợi nhuận đóng góp, để phát triển các Corner, và Mehta 2001; Mohr và Nevin 1990; Morgan và Hunt 1994; Rindfleisch

chiến lược phân bổ nguồn lực nhằm tối đa hóa CLV. Tóm lại, mục tiêu là xác và Heide 1997).

định các quy tắc phân bổ nguồn lực trên các kênh liên lạc khác nhau cho
từng khách hàng riêng lẻ sao cho CLV tương ứng (như được cung cấp trong

Phương trình 2) được tối đa hóa.1 Hàm mục tiêu của chúng tôi tuân theo các Khung lý thuyết tổng thể mà chúng tôi sử dụng được trình bày trong

ràng buộc sau: tần số > 0 i, t và xi,m,l ≥ 0 i, m, l. Hình 1. Chúng tôi tóm tắt các tiền đề về tần suất mua hàng, cách vận hành

của chúng, tác động dự kiến và cơ sở lý luận cho những kỳ vọng của chúng

tôi trong Bảng 2. Tiếp theo, chúng tôi cung cấp một cuộc thảo luận chi tiết

về một một số giả thuyết duy nhất cho nghiên cứu của chúng tôi.
Chiết khấu biên độ đóng góp. Đầu tiên chúng tôi tập trung vào việc

chiết khấu tỷ lệ đóng góp trong một khoảng thời gian.

Giả sử hiện tại là năm l = 1 và chúng ta cần dự báo mức đóng góp từ mỗi
Các yếu tố cụ thể của nhà cung cấp: Kênh
khách hàng trong n năm tiếp theo (tức là cho đến l + n). Có thể một khách
Truyền thông
hàng thực hiện nhiều giao dịch mua hàng trong một năm nhất định. Berger và

Nasr (1998, Phương trình 2) và Rust, Zeithaml, và Lemon (2004) đưa ra hướng Trong nghiên cứu này, chúng tôi phân loại các kênh liên lạc thành các phương

dẫn về chiết khấu tỷ lệ đóng góp từ khách hàng khi có nhiều hơn một lần mua thức liên hệ sau: phong phú (ví dụ: gặp mặt trực tiếp, gặp gỡ sự kiện giao

hàng (y) mỗi năm. Theo cách tiếp cận này, tỷ lệ chiết khấu từ khách hàng dịch), tiêu chuẩn hóa (ví dụ: thư trực tiếp, điện thoại) và dựa trên Web

được tính theo tần suất mua hàng của họ (như được hiển thị trong Công thức (Mohr và Nevin 1990). Mặc dù chúng tôi kỳ vọng mối quan hệ giữa các kênh

2). Ví dụ: hãy xem xét khi thời hạn lập kế hoạch là một năm và tần suất mua truyền thông khác nhau và hoạt động dự đoán của khách hàng là tương tự

hàng là hai lần (tần số = 2). Lần mua hàng đầu tiên (y = 1) xảy ra sau 6 nhau, nhưng chúng tôi cần phân tích phản hồi của khách hàng một cách riêng

tháng; do đó, y/tần số = 0,5 (nói cách khác, chúng tôi sử dụng căn bậc hai biệt trên các kênh khác nhau vì chi phí phục vụ khách hàng trên các kênh

của tỷ lệ chiết khấu). Lần mua hàng thứ hai (y = 2) xảy ra sau 12 tháng; do khác nhau là khác nhau và khách hàng có thể thể hiện phản ứng khác nhau

đó, y/tần số = 1. trên các kênh khác nhau. nhiều kênh khác nhau.

Chi phí liên lạc ở mỗi kênh có thể ảnh hưởng đến tần suất liên lạc của

người quản lý ở mỗi kênh.

Tần suất của các chế độ phong phú và chuẩn hóa. Giao tiếp trực tiếp và
Chiết khấu phân bổ chi phí. Việc giảm phân bổ chi phí là đơn giản nếu
các cuộc họp sự kiện giao dịch là phương thức giao tiếp trực tiếp và phong
chúng ta giả định rằng có sự phân bổ nguồn lực hàng năm (như trường hợp ở
phú nhất có thể có giữa các thành viên trong kênh (Mohr và Nevin 1990).
hầu hết các tổ chức) và việc phân bổ chi phí xảy ra vào đầu năm (giai đoạn Khách hàng quan hệ có xu hướng cam kết và tin tưởng cao với nhà cung cấp
hiện tại). Như vậy, việc phân bổ chi phí trong năm đầu tiên không cần phải
của họ, điều này dẫn đến ít sự không chắc chắn hơn, hợp tác nhiều hơn và ít
chiết khấu, việc phân bổ chi phí trong năm thứ hai cần được chiết khấu
phức tạp hơn trong mối quan hệ của họ so với các khách hàng giao dịch
trong một năm, v.v. Do đó, chúng ta nâng mẫu số trong phép tính hàm chi phí
(Morgan và Hunt 1994). Các phương thức giao tiếp phong phú được ưu tiên hơn
lên năm hiện tại – 1 (tức là l – 1).
các phương thức tiêu chuẩn hóa khi các vấn đề trong cấu trúc kênh phức tạp

và khi có mức độ không chắc chắn cao trong mối quan hệ. Các phương thức

giao tiếp phong phú cũng có hiệu quả trong việc chuyển đổi khách hàng giao

Thảo luận về các ràng buộc của mô hình. Các ràng buộc đảm bảo tính dịch thành khách hàng quan hệ (Gane-san 1994).

không âm của tần suất mua hàng và mức độ liên lạc được dự đoán cho mỗi khách

hàng i trong giai đoạn l.

Liên lạc trực tiếp qua thư và điện thoại là các phương thức liên lạc
Tiền đề của việc mua hàng
cấp độ cá nhân được tiêu chuẩn hóa và tiết kiệm chi phí nhất hiện có đối

Tần suất và tỷ lệ đóng góp với một tổ chức. Các phương thức tiêu chuẩn hóa cũng là phương pháp tiết

kiệm chi phí nhất để xác định những khách hàng quan tâm đến chương trình
Tần suất mua hàng Mục tiêu của
khuyến mãi hiện tại của tổ chức (Shepard 2001). Đối với khách hàng giao
tiếp thị mối quan hệ là đảm bảo hoạt động mua hàng trong tương lai. Tần
dịch, thư trực tiếp có thể được sử dụng kết hợp với bán hàng qua điện
suất mua hàng cũng là một thành phần trong tính toán CLV của chúng tôi. Vì
thoại để tạo ra sự quan tâm đến sản phẩm đồng thời cải thiện lợi tức đầu tư
vậy, làm cơ sở cho việc lựa chọn các tiền đề để dự đoán tần suất mua hàng,
(Nash 1993).
chúng tôi sử dụng lý thuyết cam kết – tin cậy của tiếp thị mối quan hệ (Mor-

Đối với khách hàng quan hệ, thư trực tiếp nhằm duy trì sự cam kết và tin

cậy bằng cách truyền đạt những lợi ích của mối quan hệ (Morgan và Hunt
1Trong nghiên cứu này, chúng tôi không sử dụng ràng buộc ngân sách đối với tổng
1994) và thông báo cho những khách hàng tốt nhất về các sản phẩm mới. Do
nguồn lực sẵn có để liên hệ với khách hàng. Vì vậy, chúng tôi chỉ quan tâm đến việc
đó, mặc dù mục đích của giao tiếp được tiêu chuẩn hóa có thể khác nhau đối
phân bổ nguồn lực trên các kênh cho từng khách hàng riêng lẻ (tức là trong mỗi
với khách hàng giao dịch so với khách hàng quan hệ, chúng tôi hy vọng rằng
khách hàng trên các kênh).
phản ứng biên đối với tần suất tăng lên là như nhau giữa các phân khúc.
Tuy nhiên, khuôn khổ của chúng tôi có thể được áp dụng để phân bổ nguồn lực trên
các kênh với từng khách hàng riêng lẻ và giữa các khách hàng khi có hạn chế về

ngân sách.

Khung giá trị trọn đời của khách hàng / 109

Machine Translated by Google

HÌNH 1

Khung khái niệm để đo lường và sử dụng CLV

Đặc điểm khách hàng:

Chi phí chuyển đổi

•Nâng cấp •Mua
chéo

Đặc điểm khách hàng:

Sự tham gia Giảm giá
•Giao tiếp hai chiều •Số lượng lợi Tỷ lệ
nhuận •Số lượng liên hệ
dựa trên Web

Đặc điểm khách hàng: Trước đó

Hành vi Giá trị hiện tại ròng
Dự đoán
Tổng cộng
•Danh mục sản phẩm đã mua Mua (Lợi nhuận trong tương lai)
Lợi nhuận = CLV
Tính thường xuyên

Các yếu tố cụ thể của nhà cung cấp:

Kênh truyền thông
•Mức độ phong phú của các

chế độ •Mức độ của các chế độ được tiêu Tiếp thị Tạo quy tắc
Chi phí phân bổ
chuẩn hóa •Thời gian tương tác

Đặc điểm khách hàng

•Biên độ đóng góp chậm trễ •Quy mô

Phân bổ phù hợp
thành lập •Danh mục ngành
Sự đóng góp Tài nguyên
•Tổng số lượng mua hàng
Lề

Các yếu tố cụ thể của nhà cung cấp

•Truyền thông tiếp thị tổng thể

Tuy nhiên, người ta đề xuất rằng giao tiếp quá nhiều sẽ khiến các công ty cung cấp cần tăng tốc độ liên lạc của họ
để phù hợp với nhu cầu của khách hàng. Như vậy:
mối quan hệ trở nên rối loạn chức năng (Fournier,

Dobscha và Mick 1997). Ngoài ra, biên H2 : Tồn tại mối quan hệ hình chữ U ngược giữa thời gian liên hệ và dự
đáp ứng mức độ cao hơn của các phương thức giao tiếp phong phú đoán mua hàng của khách hàng
Tính thường xuyên.
không nhất thiết phải luôn cao hơn; đôi khi, nó thậm chí có thể tiêu

cực. Mặc dù lợi ích của các mối liên hệ tiếp thị không bị nghi ngờ,
Đặc điểm khách hàng: Sự tham gia của khách hàng
nhưng việc liên hệ quá nhiều có thể khiến người mua quá tải và gây
Giao tiếp hai chiều. Nghiên cứu kênh
ra những hậu quả rối loạn chức năng (ví dụ: thư rác khắp nơi). Như vậy:
thông tin liên lạc cho thấy các cấu trúc kênh có tính quan hệ cao có
H1 : Tồn tại mối quan hệ hình chữ U ngược giữa tần suất giao tiếp
liên quan đến các thông tin liên lạc hai chiều lớn giữa các thành
phong phú và chuẩn mực
viên kênh (Mohr và Nevin 1990).
và tần suất mua hàng được dự đoán của khách hàng.
Mặc dù các liên hệ do khách hàng đề xuất chủ yếu liên quan đến
các khiếu nại trong môi trường doanh nghiệp với người tiêu dùng, nhưng
Thời gian tương tác. Theo lý thuyết dẫn đến H1 ,
điều tương tự không nhất thiết đúng với cài đặt B2B. Trong môi
chúng tôi hy vọng rằng tồn tại mức độ tương tác tối ưu
trường B2B, khách hàng có thể bắt đầu liên hệ với nhà cung cấp vì
thời gian giữa nhà cung cấp và người mua. Mức độ trao đổi thông
một số lý do, chẳng hạn như nếu họ có nhu cầu mới mà nhà cung cấp có
tin trước đó cao hơn dẫn đến sự tin tưởng với nhà cung cấp và hành động
thể đáp ứng, nếu họ muốn nhà cung cấp đáp ứng.
như chất keo gắn kết một kênh liên lạc (Mor-gan và Hunt 1994). Tuy
thực hiện các chương trình đào tạo tại cơ sở của khách hàng (Cannon
nhiên, giao tiếp quá nhiều
và Homburg 2001), hoặc nếu nhà cung cấp mời khách hàng
có thể bị rối loạn chức năng. Ngoài ra, lợi ích cận biên của một tham gia vào các buổi phát triển sản phẩm mới. TRÊN
thông tin bổ sung từ một công ty cung cấp trong một hầu hết các trường hợp, giao tiếp hai chiều trong các kênh

thời gian ngắn là thấp. Để tối đa hóa hiệu quả của mỗi lần liên hệ, củng cố mối quan hệ, cho thấy sự tham gia của khách hàng,

110/ Tạp chí Marketing, tháng 10 năm 2004

Machine Translated by Google

BAN 2
Tiền đề, đồng biến và hiệu ứng mong đợi

Hy vọng
Biến đổi Vận hành Tác dụng Cơ sở lý luận

Mô hình tần suất mua hàng

Tiền thân

Nâng cấp Số lần nâng cấp sản phẩm mua cho đến khi + Những khách hàng nâng cấp có chi phí
mua hàng được quan sát chuyển đổi cao hơn sau mỗi lần nâng
cấp, điều này có thể dẫn đến xu hướng
rời đi thấp hơn và nhu cầu thường
xuyên cao hơn (Bolton, Lemon và Verhoef 2004).

Mua chéo Số lượng danh mục sản phẩm khác nhau mà + Khách hàng mua nhiều loại sản phẩm
khách hàng đã mua có chi phí chuyển đổi và nhu cầu thường
xuyên cao hơn (Bowman và Narayandas
2001; Reinartz và Kumar 2003).

hai chiều Tỷ lệ số lượng liên hệ do khách hàng bắt đầu + Giao tiếp hai chiều giữa các bên củng cố
giao tiếp trên tổng số khách hàng mối quan hệ và đảm bảo doanh nghiệp đầu mối được
liên hệ (do khách hàng khởi xướng và thu hồi

nhà cung cấp khởi xướng) giữa hai lần mua hàng khi có nhu cầu (Morgan và Hunt 1994).
được quan sát

Trả lại Số lượng sản phẩm khách hàng trả lại giữa Việc trả lại hàng tạo cơ hội cho các công ty làm
hai lần mua hàng được quan sát hài lòng khách hàng và đảm bảo việc mua hàng lặp
lại (Reinartz và Kumar 2003), nhưng việc mua quá
nhiều có thể gây bất lợi cho mối quan hệ
và có thể cho thấy rằng công ty đã không sử dụng
các cơ hội trả lại một cách thích hợp.

Tần số của Số lần trong một tháng khách hàng liên + Những khách hàng sử dụng giao
Danh bạ dựa hệ với nhà cung cấp qua Internet giữa hai lần mua tiếp trực tuyến muốn giao dịch hiệu quả
trên web hàng được quan sát và những khách hàng muốn tạo ra hiệu quả có tính

quan hệ cao và có nhu cầu thường xuyên (Grewal,

Corner, và Mehta 2001; Rindfleisch và Heide
1997).

Lợi ích mối Biến chỉ số về việc liệu một khách hàng có + Sự thừa nhận của khách hàng với lợi ích từ
quan hệ là thành viên dịch vụ cao cấp (dựa trên mối quan hệ làm giảm xu hướng rời bỏ của
đóng góp doanh thu trong năm trước) khách hàng và tăng khả năng công ty đầu mối
bị thu hồi khi có nhu cầu

(Morgan và Hunt 1994).

Tần suất của các Số lần liên hệ với khách hàng của nhà Giao tiếp kịp thời giữa các bên làm giảm
phương thức cung cấp trong một tháng (thông qua xu hướng khách hàng từ bỏ mối quan hệ (Mohr
giao tiếp nhân viên bán hàng) giữa hai lần mua và Nevin
phong phú hàng được quan sát 1990; Morgan và Hunt 1994), nhưng giao tiếp quá
nhiều có thể gây bất lợi

Tần suất của các Số lần liên hệ với khách hàng của nhà đến mối quan hệ (Fournier, Dobscha, và
phương thức liên
cung cấp trong một tháng (qua điện thoại Mick 1997; Nash 1993); do đó, có một mức
lạc được
hoặc thư trực tiếp) giữa hai lần mua độ giao tiếp tối ưu.
tiêu chuẩn hóa
hàng được quan sát

thời gian tiếp

Thời gian trung bình giữa hai lần liên hệ với
xúc
khách hàng của nhà cung cấp trên tất cả
các kênh liên lạc giữa hai lần mua hàng được
quan sát
Khoảng thời gian dài giữa các lần tiếp xúc có
thể khiến bạn hay quên, nhưng việc tiếp xúc
quá sớm có thể gây rối loạn chức năng.

Khung giá trị trọn đời của khách hàng / 111

Machine Translated by Google

BAN 2

Tiếp theo

Hy vọng
Biến đổi Vận hành Tác dụng Cơ sở lý luận

đồng biến
Danh mục Hai biến chỉ báo: một biến biểu thị việc mua phần Mô hình mua hàng của khách hàng có thể phụ
sản phẩm cứng; cái còn lại biểu thị việc mua phần mềm thuộc vào loại sản phẩm được mua.

Mô hình ký quỹ đóng góp

Tiền thân

Biên độ Tỷ lệ đóng góp của khách hàng từ năm trước + Doanh thu trước đây là một yếu tố dự báo
đóng góp bị tốt về doanh thu hiện tại và giải thích
trễ cho bất kỳ sai sót nào về mô hình
(Niraj, Gupta và Narasimhan 2001).

Tổng nỗ lực tiếp thị Tổng số liên hệ của khách hàng trên tất cả + Truyền thông tiếp thị trước đây và độ sâu
các kênh (số lượng) mua hàng ảnh hưởng tích cực
đến tỷ lệ đóng góp (Gupta 1988; Tellis và
Tổng số lượng mua Tổng số lượng sản phẩm khách hàng đã mua trên +
Zufryden 1995).
tất cả các danh mục sản phẩm

đồng biến
Quy mô công ty Số lượng nhân viên của công ty khách hàng + Các biến kiểm soát phù hợp với tính không đồng

nhất của khách hàng (Niraj, Gupta và Narasimhan

2001).
Ngành nghề Danh mục ngành dựa trên phân loại ngành tiêu chuẩn

mà công ty khách hàng thuộc về

Lưu ý: Đối với mô hình tần suất mua hàng, biến phụ thuộc là tần suất mua hàng; đối với mô hình ký quỹ đóng góp, người phụ thuộc
biến là tỷ lệ đóng góp.

và tăng sự phụ thuộc lẫn nhau giữa các thành viên kênh (Ganesan Tỷ lệ đóng góp Các tiền
1994; Mohr và Nevin 1990). Như vậy:
đề mà chúng tôi áp dụng để dự đoán tỷ lệ đóng góp dựa trên những

H3 : Mức độ giao tiếp hai chiều càng cao thì tần suất mua hàng dự phát hiện từ nghiên cứu trước đây về tiền đề về doanh thu từ khách
đoán của khách hàng càng cao. hàng (Niraj, Gupta và Narasimhan 2001) và số lượng mua hàng (Gupta
1988; Tel-lis và Zufryden 1995). Đối với tần suất mua hàng, chúng
Tần suất liên hệ dựa trên Web. Trong nghiên cứu này, chúng tôi phân
tôi phân loại các yếu tố tiền đề của tỷ lệ đóng góp là các yếu tố
tích các liên hệ dựa trên Web một cách riêng biệt với các kênh liên lạc
khác vì liên lạc dựa trên Web là do khách hàng khởi xướng (tức là một cụ thể của nhà cung cấp (tổng nỗ lực tiếp thị) và đặc điểm của
khách hàng (biên độ đóng góp trễ và số lượng mua hàng). Chúng tôi
phương thức hoạt động thụ động của nhà cung cấp). Tuy nhiên, có một số lợi
sử dụng quy mô của cơ sở và danh mục ngành làm đồng biến số trong
ích khi theo dõi các liên hệ dựa trên Web trong cài đặt B2B. Đầu tiên, giao
mô hình của mình. Trong Bảng 2, chúng tôi cung cấp mô tả về các
tiếp dựa trên web giữa người mua và nhà cung cấp là phương pháp giao tiếp
tiền đề mà chúng tôi đề xuất ảnh hưởng đến tần suất mua hàng của
hiệu quả nhất về mặt chi phí. Thứ hai, các liên hệ trên web từ người mua
khách hàng và tỷ lệ đóng góp. Trong cơ sở dữ liệu, chúng tôi cũng
cung cấp một số tín hiệu quan trọng cho nhà cung cấp về định hướng mối
cung cấp cách vận hành các tiền đề, tác động mong đợi của chúng
quan hệ của người mua. Grewal, Corner và Mehta (2001) nhận thấy rằng các
và lý do căn bản cho những kỳ vọng của chúng tôi dựa trên nghiên
tổ chức tham gia và tham gia tích cực vào thị trường điện tử nếu động cơ
cứu trước đó. Bởi vì tất cả các tiền đề mà chúng tôi sử dụng trong
của họ là nâng cao hiệu quả trong các giao dịch. Ngoài ra, việc tham gia
mô hình tỷ lệ đóng góp đều dựa trên nghiên cứu và phát hiện trước
vào thị trường điện tử (hoặc sử dụng các sáng kiến dựa trên Web) sẽ cải
đó nên chúng tôi không thảo luận chi tiết về các giả thuyết. Trong
thiện hiệu lực và hiệu suất giao dịch (Rindfleisch và Heide 1997). Hiệu
Bảng 2, chúng tôi cung cấp mô tả về các đồng biến mà chúng tôi sử
quả của giao tiếp và giao dịch giữa các thành viên trong kênh gắn liền với
dụng làm biến kiểm soát trong mô hình tần suất mua hàng và tỷ
cấu trúc quan hệ và sự tham gia của khách hàng cao hơn (Mohr và Nevin
suất lợi nhuận đóng góp.
1990; Sheth và Parvatiyar 1995). Như vậy:

Lập mô hình CLV và dữ liệu

Phát triển mô hình

H4 : Số lượng liên hệ dựa trên Web từ khách hàng càng cao thì tần
suất mua hàng được dự đoán của khách hàng càng cao. Để dự đoán CLV, chúng ta cần mô hình ngẫu nhiên để dự đoán tần
suất mua hàng của từng khách hàng và mô hình dữ liệu bảng để dự đoán

112/ Tạp chí Marketing, tháng 10 năm 2004

Machine Translated by Google
dự đoán mức đóng góp. Trong nghiên cứu này, chúng tôi giả định rằng
số tiền khách hàng chi tiêu không phụ thuộc vào việc mua hàng
thời gian. Đây là một giả định khá hạn chế đối với thường xuyên
mua hàng tiêu dùng (Tellis và Zufryden 1995). Tuy nhiên, trong danh
mục sản phẩm của chúng tôi, chúng tôi thấy rằng mối tương quan
giữa tần suất mua hàng và tỷ lệ đóng góp không
có ý nghĩa.
Tần suất mua hàng
Chúng tôi lập mô hình tần suất mua hàng của khách hàng bằng cách sử
dụng mô hình gamma tổng quát về thời gian mua hàng mà Allenby,
Leone và Jen (1999) đã phát triển. Gamma tổng quát
mô hình cũng phù hợp với hàm mũ thường được sử dụng
phân phối cho các lần mua liên tục (Reinartz và Kumar
2003). Hàm khả năng cho tần suất mua hàng
mô hình được cho như sau:
N J K suất của một khách hàng thuộc một nhóm con cụ thể và do đó thời gian mua
Tôi
3
() L =
F k ij k tôi k
=
chỉ số thông minh
Tôi 1 j = =1 k 1
S t (| ,ij kci k,
) k al
Ở đâu
f(tij|α, λi , γ) = hàm mật độ cho hàm tổng quát
phân bố gamma (tức là xác suất
của lần mua hàng thứ j đối với khách hàng i xảy
ra tại thời điểm t, cho trước α, λi , γ);
S(tij|α, λi , γ) = hàm sinh tồn cho hàm tổng quát
phân bố gamma (tức là xác suất
của lần mua hàng thứ j đối với khách hàng thứ i
diễn ra tại một khoảng thời gian nhất định lớn hơn t,
cho rằng lần mua thứ j chưa
xảy ra cho đến thời điểm t, cho trước α, λi , γ);
cij = chỉ số kiểm duyệt, trong đó cij = 1 nếu
thời gian mua hàng thứ j của khách hàng thứ i
không được kiểm duyệt hợp lý và cij = 0 nếu
lần mua thứ j đối với khách hàng thứ i được
kiểm duyệt hợp lý;
Φijk = xác suất quan sát j của lần thứ i
khách hàng thuộc phân nhóm k; Và
α, λi , γ = các tham số của gamma tổng quát
phân bổ.
Bởi vì chúng tôi sử dụng phân phối gamma tổng quát để lập mô hình
thời gian mua hàng và hàm khả năng trong phương trình
3, thời gian dự kiến cho đến lần mua hàng tiếp theo được đưa ra như sau:
1
Φ × tôi C +
( ) 4 Một
k × λik.
k
ck
Tỉ số là 12 (vì chúng ta lấy tháng làm đơn vị của
phân tích) đến thời điểm dự kiến cho đến lần mua hàng tiếp theo (mà
chúng tôi thu được bằng cách lập mô hình phân phối gamma tổng quát trên
thời gian mua hàng lẫn nhau, như được thể hiện trong tác phẩm của Allenby,
Leone, và Jen [1999]) đưa ra tần suất mua hàng dự đoán. Các tham số
α và γ xác lập hình dạng của
phân bổ thời gian giữa các lần mua hàng và λi là tham số tỷ lệ mua
hàng cụ thể của từng cá nhân. Chúng ta giả định rằng dân số bao gồm
k nhóm con và Φik cung cấp khối lượng
điểm (tức là trọng số) cho mỗi nhóm con. Chúng tôi mô hình hóa thử nghiệm
khả năng của một khách hàng thuộc từng nhóm nhỏ Φik với tư cách là một
hàm probit của các tiền đề và hiệp phương sai của tần suất mua hàng.
Cụ thể, chúng tôi đại diện cho chức năng liên kết
là Φik = f(xijβi ), trong đó xij đại diện cho các tiền đề và
đồng biến số của tần suất mua hàng đối với khách hàng i đang mua hàng
dịp j và βi thể hiện phản hồi cụ thể của khách hàng
các hệ số.
Khung mô hình của chúng tôi, như được trình bày trong Công thức 3,
giống như công thức Bayes phân cấp của mô hình hỗn hợp liên tục đồng thời.
Để giải quyết vấn đề về
nội sinh, chúng tôi sử dụng giá trị trễ một kỳ cho tất cả các
tiền đề và hiệp phương sai trong phân tích của chúng tôi (Villas-Boas và
Người chiến thắng 1999). Tuy nhiên, để giải thích bất kỳ yếu tố ngoại
lai nào, chúng tôi cũng sử dụng nhật ký của giao dịch mua hàng bị trễ.2
đặc điểm kỹ thuật của mô hình cho phép chúng tôi ước tính từng cá nhân
các hệ số ở cấp độ khách hàng về ảnh hưởng của các đồng biến đối với xác
c
ft( | một , l,c )
ij
hàng lẫn nhau.
Ký quỹ đóng góp
c
,
( 1 )
ij
Chúng tôi lập mô hình tỷ lệ đóng góp từ khách hàng bằng cách sử dụng
phương pháp hồi quy dữ liệu bảng. Chúng tôi cần phải giải quyết
vấn đề nội sinh trong khi sử dụng tỷ lệ đóng góp có độ trễ
như một biến độc lập trong mô hình của chúng tôi. Trong các mô hình
dữ liệu bảng có các biến phụ thuộc có độ trễ, tính nội sinh trong
mô phỏng có thể được giảm bớt bằng chênh lệch một kỳ trong
biến phụ thuộc và biến phụ thuộc có độ trễ hai kỳ
biến như một biến độc lập (Baltagi 1998). Chúng tôi sử dụng
sự tăng trưởng của tỷ suất lợi nhuận đóng góp từ giai đoạn t – 1 đến giai đoạn t
biến phụ thuộc và tỷ lệ đóng góp trong
giai đoạn t – 2 là một biến độc lập. Các biến độc lập khác mà chúng
tôi sử dụng là đặc trưng cho giai đoạn t – 1 (điều này cũng
giải quyết vấn đề nội sinh). Sự độc lập
do đó các biến trong mô hình ký quỹ đóng góp bị trễ
tỷ lệ đóng góp, tổng số lượng mua bị trễ,
độ trễ của quy mô doanh nghiệp, loại ngành và các nỗ lực tiếp thị
tổng thể bị tụt lại phía sau. Vì vậy, mô hình biên đóng góp là
(5) CMi,t = β0 + β1CMi,t – 2 + β2Số lượngi,t – 1 + β3Sizei,t – 1
+ Σjβj Industryj + β4Totmarki,t – 1 + ei,t,
Ở đâu
CMi,t = chênh lệch tỷ suất đóng góp từ
kỳ t – 1 đến kỳ t đối với khách hàng i,
tính bằng đô la;
Sizei,t – 1 = quy mô doanh nghiệp cho khách hàng i trong thời kỳ t – 1,
được đo bằng số lượng nhân viên;
Ngành = biến chỉ báo cho danh mục ngành
C (Một k )
của công ty khách hàng;
Totmarki,t – 1 = tổng số liên hệ được thực hiện để cus-
tomer i trong thời kỳ t – 1;
2Chúng tôi cũng sử dụng thời gian trễ trong giao dịch mua thay vì nhật ký của
thời gian mua hàng bị trễ và chúng tôi không tìm thấy bất kỳ sự khác biệt nào
trong các kết luận thực chất. Chúng tôi đã sử dụng nhật ký về thời
gian theo đuổi mua hàng bị trễ vì thời gian mua hàng bị trễ có thể
có tác động lớn đến ảnh hưởng của thời gian mua hàng hiện tại (Allenby,
Leone và Jen 1999). Nhật ký về thời gian mua hàng bị trễ
đã đạt được mục tiêu này trong việc mở rộng phần đuôi của sự phân bổ thời gian theo
đuổi giữa các đơn hàng bị trễ.
Khung giá trị trọn đời của khách hàng / 113
Machine Translated by Google

Số lượngi,t – 1 = tổng số lượng sản phẩm được mua bởi các mối quan hệ, chúng tôi đã sử dụng phép chuyển đổi bậc hai (bao gồm cả

khách hàng i trong kỳ t – 1; thuật ngữ đồng biến bình phương trong phương trình 3) của tương ứng

ei,t = số hạng lỗi; tiền lệ. Đối với tất cả khách hàng, chúng tôi đã sử dụng giao dịch mua hàng

i = chỉ số cho khách hàng; Và lần cho đến cuối năm 2000 làm mẫu hiệu chuẩn của chúng tôi. Chúng tôi
t = chỉ số thời gian. đã sử dụng dữ liệu năm 2001 làm mẫu chắc chắn và để so sánh

chiến lược. Tất cả các tiền đề và hiệp phương sai mà chúng tôi đã sử dụng trong
Dữ liệu phân tích là các biến có độ trễ. Cụ thể, đối với quan sát

mua j, tiền đề của hiệu ứng tích lũy đại diện cho
Chúng tôi đã sử dụng dữ liệu từ một phần cứng máy tính đa quốc gia lớn
hoạt động của khách hàng kể từ khi bắt đầu mối quan hệ cho đến khi
(máy chủ, máy trạm và máy tính cá nhân) và nhà sản xuất phần mềm (tích
giao dịch mua được quan sát j – 1. Tương tự, đối với giao dịch mua được quan sát j,
hợp và ứng dụng) cho
các hiệu ứng hiện tại tiền đề và hiệp phương sai đại diện cho
ứng dụng thực nghiệm của khuôn khổ của chúng tôi. Của công ty
hoạt động của khách hàng (hoặc nhà cung cấp) giữa các lần mua hàng được
cơ sở dữ liệu tập trung vào khách hàng doanh nghiệp. Các danh mục sản
quan sát j – 2 và j – 1.
phẩm trong cơ sở dữ liệu đại diện cho các lĩnh vực sản phẩm công nghệ

cao khác nhau. Ngoài ra, đối với các loại sản phẩm này, việc phát triển Mô hình ký quỹ đóng góp. Để lập mô hình tỷ lệ đóng góp từ khách

các loại sản phẩm này là do người mua và người bán lựa chọn. hàng, chúng tôi đã sử dụng doanh thu hàng năm từ nhiều

mối quan hệ của họ và có những lợi ích đáng kể cho mua hàng của từng khách hàng. Đối với khách hàng trong Nhóm 1, chúng tôi

hai bên duy trì mối quan hệ lâu dài. Các đã sử dụng doanh thu hàng năm của mỗi khách hàng từ năm 1997 đến

Việc lựa chọn nhà cung cấp cho sản phẩm thường được thực hiện sau 2000. Với cấu trúc mô hình của chúng tôi trong Công thức 5, có

sự cân nhắc kỹ lưỡng của công ty người mua. Mặc dù công ty hai quan sát cho mỗi khách hàng trong mẫu phân tích của chúng tôi.

sản phẩm là hàng hóa lâu bền, chúng đòi hỏi phải bảo trì liên tục và Cụ thể, đối với mỗi khách hàng, đối với Quan sát 1,

nâng cấp thường xuyên, điều này mang lại sự khác biệt biến phụ thuộc là sự khác biệt trong tỷ lệ đóng góp

cần thiết trong việc mô hình hóa phản ứng của khách hàng. Đối với các phân tích của chúng tôi, giữa năm 2000 và 1999, và các biến độc lập
chúng tôi đã sử dụng hai nhóm khách hàng: Nhóm 1 và 2. Chúng tôi bao gồm sự đóng góp vào năm 1998, quy mô công ty vào năm 1999,

chỉ định khách hàng vào Nhóm 1 (Nhóm 2) nếu lần mua hàng đầu tiên của họ ngành của khách hàng, tổng số lần liên hệ với khách hàng trong năm 1999

với nhà sản xuất diễn ra trong quý đầu tiên của năm và tổng số lượng

1997 (quý I năm 1998). Trong các mẫu của chúng tôi, chúng tôi đã loại bỏ sản phẩm được mua vào năm 1999. Tương tự, đối với Quan sát 2,

những khách hàng thiếu giá trị của các phương thức giao tiếp phong phú biến phụ thuộc là sự khác biệt về tỷ suất đóng góp giữa năm 1999 và 1998,
hoặc tiêu chuẩn hóa. Chúng tôi cũng hạn chế và các biến độc lập

mẫu cho những khách hàng đã thực hiện ít nhất năm lần mua hàng. bao gồm tỷ lệ đóng góp vào năm 1997. Như chúng tôi đã trình bày trước

Nhìn chung, chúng tôi đã loại bỏ 20% nhóm khách hàng ban đầu cho các đây, chúng tôi đã sử dụng dữ liệu năm 2001 làm mẫu giữ lại và để

phân tích của mình, dẫn đến cỡ mẫu hiệu quả là 1316 và 873 quan sát cho so sánh các chiến lược Thống kê mô tả cho dữ liệu

khách hàng ở và ma trận tương quan của các tiền đề được cung cấp trong

Nhóm 1 và 2 tương ứng. Thời gian mua lẫn nhau đối với Bàn số 3.

khách hàng ở Nhóm 1 có thời gian từ 1,5 đến 23 tháng; vì

Nhóm 2, thời gian dao động từ 1 tháng đến 20 tháng.

Kết quả ước tính CLV
Mô hình tần số mua hàng Chúng tôi sử dụng từng hành vi mua hàng được

quan sát của một khách hàng làm quan sát trong mô hình tần suất mua
Mô hình tần suất mua hàng
hàng. Đối với Nhóm 1, chúng tôi đã chọn những khách hàng
Như chúng ta đã thảo luận trước đây, chúng tôi đã sử dụng một mẫu hiệu quả
thực hiện lần mua hàng đầu tiên vào quý 1 năm 1997. Đối với
kích thước của 1316 và 873 quan sát thuộc Nhóm thuần tập 1
mỗi khách hàng, chúng tôi đã bỏ qua giao dịch mua hàng được quan sát đầu tiên trong
(mua lần đầu vào năm 1997) và Nhóm 2 (mua lần đầu vào
mẫu phân tích của chúng tôi vì lần mua hàng được quan sát đầu tiên là
1998), tương ứng, cho các phân tích của chúng tôi. Chúng tôi thảo luận về kết quả
bị giới hạn trong vòng ba tháng đối với tất cả khách hàng trong
chi tiết từ Nhóm 1 trong văn bản. Kết quả từ đoàn hệ
đoàn hệ và về mặt lý thuyết là giai đoạn giữ chân khách hàng
2 khá giống với nhóm 1 và được cung cấp
bắt đầu sau lần mua đầu tiên. Các tiền đề và đồng biến mà chúng tôi sử
cùng với kết quả của Nhóm 1 trong phần tương ứng
dụng có thể được phân loại là tích lũy và hiện tại.
những cái bàn. Chúng tôi đã kiểm duyệt tập dữ liệu của mình vào năm 2000 và sử dụng dữ liệu năm 2001
các hiệu ứng. Các tác động tích lũy trước đó bao gồm mua chéo và nâng cấp,
dữ liệu làm mẫu xác thực (hoặc loại trừ) của chúng tôi trong cả hai nhóm.
và giá trị của chúng đại diện cho tổng giá trị
Chúng tôi ước tính mô hình tần suất mua hàng trong Công thức 3
số lượng sản phẩm khác nhau (để mua chéo) hoặc nâng cấp
bằng phương pháp Monte Carlo chuỗi Markov (MCMC). Các
mà khách hàng đã mua kể từ lần mua đầu tiên
kết quả từ mô hình tần suất mua hàng cho Nhóm thuần tập 1
cho đến khi mua hàng được quan sát hiện tại.
và 2 được cung cấp trong Bảng 4 (để biết chi tiết về ước tính mô hình,
Các tiền đề của hiệu ứng hiện tại bao gồm hai chiều
lựa chọn mô hình, hiệu suất mô hình và hỗ trợ
giao tiếp; trả lại; lợi ích mối quan hệ; tần số của
về các giả thuyết, xem Phụ lục A). Các hệ số của
các địa chỉ liên hệ phong phú, được tiêu chuẩn hóa và dựa trên Web; và
các tiền đề được báo cáo trong Bảng 4 là giá trị trung bình từ các mẫu
thời gian giao tiếp. Các đồng biến trong mô hình tần suất mua hàng
sau của βi và dấu của các hệ số thể hiện ảnh hưởng của chúng đến tần
(loại sản phẩm được mua) có thể được phân loại là hiện tại
suất mua hàng của khách hàng.
các hiệu ứng. Chúng tôi đã tính toán các tiền đề của hiệu ứng hiện tại và
Có một số hiểu biết sâu sắc mà chúng tôi rút ra được từ Bảng 4,
đồng biến trên cơ sở các hoạt động của khách hàng hoặc
mà chúng ta sẽ thảo luận sau đó.
nhà cung cấp (trong trường hợp truyền thông kênh)

giữa lần mua hàng được quan sát trước đó (j – 1) và lần mua hàng được Phù hợp với mô hình. Kết quả cho thấy gamma tổng quát

quan sát hiện tại (j). Để đánh giá hình chữ U ngược mô hình với hai nhóm con cung cấp sự phù hợp tốt với dữ liệu

114/ Tạp chí Marketing, tháng 10 năm 2004

Machine Translated by Google

BÀN SỐ 3

Thống kê mô tả và ma trận tương quan

Mối quan hệ

hai chiều Tần suất của Lợi ích- Tần suất

Web- Phần thưởng Tần suất giàu tiêu Thời gian
Tiêu chuẩn Mua Đi qua- Giao tiếp Dựa trên Dịch vụ có chuẩn hóa liên lạc
Biến đổi Nghĩa là Độ lệch Tính thường xuyên Nâng cấp Mua hàng Trả lại Liên lạc Mức độ Chế độ Chế độ (Ngày)

Mô hình tần suất mua hàng

Tần suất 5 8,4 1

mua hàng (4.5) (6.8)

Nâng cấp 1,32 0,89 0,62*** 1

(1.16) (.91)

Mua chéo 2,58 1.7 0,53*** 0,39* 1

(3.13) (1.5)

Giao tiếp hai .84 2,41 0,68*** 0,51* .48* 1

chiều (.62) (3,52)

Trả lại 0,91 3,7 0,36*** 0,09 0,13 .11* 1

(.86) (2,81)

Tần số của 3,88 25,81 0,40*** 0,21 0,15 0,17** 0,06 1

Danh (4.37) (24,94)
bạ dựa
trên web

Lợi ích mối 0,09 0,29 0,41*** 0,31** 0,36** 0,22 –.21* 0,25 1
quan hệ – (.12) (0,25)
mức độ
Khung giá trị trọn đời của khách hàng / 115

dịch vụ
cao cấp

Tần suất của các 1,79 5,69 0,45*** 0,15** 0,29** .32* 0,05 .34* 0,07 1
chế độ phong phú (1,52) (5,84)

Tần suất của các 20,74 47,75 .44*** .22* .34* 0,24** 0,07 .32* .19* 0,30** 1
chế độ (22.81) (45,81)
tiêu
chuẩn hóa

thời gian tiếp 15.3 13,8 0,51*** –.08 0,06 –.01 –.01 –.04 –.03 –.11 0,06 1
xúc (16.1) (14.2)
(ngày)
Machine Translated by Google

116/ Tạp chí Marketing, tháng 10 năm

BÀN SỐ 3

Tiếp theo

Tăng trưởng ở Bị trễ Tổng cộng Tổng cộng

Biến đổi Nghĩa là Độ lệch chuẩn Ký quỹ đóng góp Ký quỹ đóng góp Những nỗ lực tiếp thị Số lượngMua

Mô hình ký quỹ đóng góp

Tỷ lệ đóng góp tăng trưởng 4955 417.270 1,00***

(4827) (381.297)
Biên độ đóng góp bị trễ 31.143 323.139 –.78*** 1,00**

(32.825) (318.867)
Tổng nỗ lực tiếp thị 3,49 17,26 0,61*** 0,08** 1,00

(4.5) (16.24) 0,00

Tổng số lượng mua 1.89 13.40 0,71*** 0,05** 0,07 1

(2,01) (14.02)

*Có ý nghĩa ở mức α = 10%.

**Có ý nghĩa ở mức α = 5%.
***Có ý nghĩa ở mức α < 1%.
Lưu ý: Tần suất liên hệ phong phú, chuẩn hóa và dựa trên Web thể hiện tần suất của phương thức liên lạc tương ứng giữa hai lần mua hàng liên tiếp. Các giá trị trong ngoặc cho số liệu thống kê mô tả
đại diện cho Nhóm thuần tập 2. Ma trận tương quan cho Nhóm thuần tập 2 tương tự như ma trận tương quan của Nhóm thuần tập 1 và được cung cấp theo yêu cầu của tác giả. Chúng tôi không báo cáo
ma trận tương quan của các hiệp phương sai vì nó không có bất kỳ cách giải thích thực chất nào.
Machine Translated by Google

BẢNG 4

Các hệ số cho các mô hình tần số mua hàng Gamma tổng quát

Mẫu 2 Mẫu 3
Mẫu 1 (Gamma tổng quát có hỗn (Gamma tổng quát
(Gamma tổng quát hợp, không có với hỗn hợp và
Biến đổi Không có hỗn hợp) Sự biến đổi thời gian) Sự biến đổi thời gian)

Hợp phần 1
a1 3,05 (4,12)** 4.1 (4.2)** 42,97 3,27 (3,59)**
y1 26,18 (25,08)** (43,82)** 0,01 47,05 (48,90)**
θ1 0,007 (0,002)** (0,08)** 1,2 (1,3) 0,04 (0,02)**

c1 1,2 0,54 (0,55) 1.2 (1.5)

điểm khối lượng 0,54 (0,56)

Hợp phần 2
A'2 0,58 (1,57)** 1,48 (3,61)**
y2 38,21 (34,28)** 32.07 (49.02)**
θ2 0,008 (0,012)** 0,005 (0,001)**
c2 0,9 (0,9) .9 (.9)

điểm khối lượng 0,46 (0,45) .46 (.44)

hệ số

b01 0,89 (–1,52)** –2,05 (–2,51)*

Thời gian mua hàng trong nhật ký
bị trễ –2,09 (–2,85)**

Tiền đề: Đặc điểm khách hàng

Nâng cấp 5,01 (5,62)**

Mua chéo 6,08 (6,92)**
Giao tiếp hai chiều 1,49 (1,01)**
Trả lại 10,52 (9,98)**
(Trở về)2 –3,84 (–4,01)*
Tần suất liên hệ dựa trên Web
3,52 (2,38)**

Tiền đề: Các yếu tố cụ thể của nhà cung cấp

Lợi ích mối quan hệ 9,78 (7,65)**
Tần suất của các phương thức truyền
thông phong phú 4,50 (5,65)**
(Tần suất giao tiếp phong phú)2
–1,30 (–1,28)**
Tần suất của các phương thức liên
lạc được tiêu chuẩn hóa 6,53 (7,02)**
(Tần suất tiêu chuẩn hóa
phương thức giao tiếp)2 –.28 (–.53)**
thời gian tiếp xúc 9,64 (8,56)**
(Thời gian tương tác)2 –3,21 (–4,05)**

Khả năng đăng nhập –3298.91 (–3627.08) – –2908.66 (–3297.04) – –2237.82 (–2437.91)
AIC 6606 (–7262) –6639 5825 (–6602) –5910 –4484 (–4884)
BIC (–7295) .95 (.91) (–6687) .84 (.80) –4683 (–5083)
Sai số tuyệt đối tương đối 0,51 (0,53)

*Các giá trị mẫu sau giữa phân vị thứ 2,5 và 97,5 không chứa số 0.
**Các giá trị mẫu sau giữa phân vị thứ 0,5 và phân vị thứ 99,5 không chứa số 0.
Lưu ý: Các giá trị trong ngoặc đơn đại diện cho Nhóm thuần tập 2. Biến danh mục sản phẩm không có ý nghĩa trong phân tích của chúng tôi và do đó chúng tôi không bao gồm
nó ở đây. Sai số tuyệt đối tương đối liên quan đến mô hình trung bình động. Các mức ý nghĩa áp dụng cho các hệ số của Nhóm 1
và 2.

và tốt hơn các mô hình khác để lập mô hình tần suất mua hàng
(khả năng đăng nhập cho Mô hình 3 = –2237,82, Akaike
tiêu chí thông tin [AIC] = –4484 và tiêu chí thông tin Bayesian
[BIC] = –4683). Chúng tôi cũng đã sử dụng một mối nguy hiểm
mô hình với khung hỗn hợp hữu hạn (Kamakura và
Russell 1989) để lập mô hình tần suất mua hàng và chúng tôi đã tìm thấy
rằng mô hình đề xuất của chúng tôi phù hợp với dữ liệu tốt hơn và có kết quả tốt hơn
khả năng tiên đoán.
Thông số phân phối. 3 Số lượng mua dự kiến trung bình
tần suất của Nhóm con 1 là 4,2 lần mua hàng trong một năm và
3Các tham số ước tính của mô hình tần suất mua hàng là
dựa trên giá trị trung bình từ 50 lần lặp lại với giá trị bắt đầu ngẫu nhiên
cho mỗi lần lặp lại. Chúng tôi đã thông qua một thủ tục như vậy để đảm bảo rằng
ước tính tham số là giá trị tối ưu toàn cầu và không bị ảnh hưởng
bởi bất kỳ cực đại địa phương nào.

Khung giá trị trọn đời của khách hàng / 117

Machine Translated by Google

Tần suất mua dự kiến trung bình của Nhóm 2 là 1,01 làm mẫu giữ lại cho Nhóm 1 và 2. Các hệ số của

mua hàng trong một năm. Với sự khác biệt về tần suất mua hàng dự kiến mô hình biên lợi nhuận đóng góp được cung cấp trong Bảng 5.

trong mỗi nhóm nhỏ, chúng tôi gọi là Nhóm con 1 cái nhìn sâu sắc chính từ Bảng 5 là tỷ lệ đóng góp

“trạng thái hoạt động” và Nhóm con 2 là “trạng thái không hoạt động”. Các mô hình cung cấp R2 điều chỉnh là 0,68 và do đó có thể giải thích

khối lượng thành phần của Nhóm con 1 (ϕ1 ) và Nhóm con 2 sự thay đổi đáng kể trong tỷ lệ đóng góp từ khách hàng.

(ϕ2 ) lần lượt là 0,54 và 0,46. Điều này ngụ ý rằng chúng ta Chúng tôi rút ra một số hiểu biết sâu sắc khác từ Bảng 5 mà chúng tôi

kỳ vọng 54% khách hàng sẽ tích cực tham gia dự đoán thảo luận sau đó.

cửa sổ và 46% khách hàng không hoạt động trong cửa sổ dự đoán.
Các yếu tố đặc thù của nhà cung cấp. Tổng số nỗ lực tiếp thị bị trì hoãn

góp phần đáng kể vào việc giải thích sự khác biệt trong
Các yếu tố đặc thù của nhà cung cấp. Các phân tích của chúng tôi chỉ ra rằng một biên độ đóng góp hiện tại, ngụ ý rằng nhà cung cấp
chiến lược liên hệ của nhà cung cấp và cung cấp mối quan hệ chiến lược liên hệ ảnh hưởng đến cả tần suất mua hàng và tỷ lệ đóng
lợi ích ảnh hưởng đáng kể đến việc mua hàng dự đoán của khách hàng góp.
Tính thường xuyên. Chúng tôi thấy rằng tần suất tiếp xúc ảnh hưởng
Đặc điểm của khách hàng. Biên độ đóng góp trễ trong hai kỳ là mức
tần suất mua hàng phi tuyến tính. Cụ thể, chúng tôi tìm thấy một
đóng góp cao nhất để giải thích về biên độ đóng góp trong giai đoạn
mối quan hệ hình chữ U ngược Điều này khiến chúng tôi tin rằng
hiện tại. Ngoài ra,
có một mức độ truyền thông tiếp thị tối ưu cho
Số lượng hàng hóa trễ có ý nghĩa quan trọng trong việc giải thích sự
mỗi khách hàng. Truyền thông ngày càng tăng của một công ty vượt ra ngoài
thay đổi trong tỷ suất lợi nhuận đóng góp. Quy mô doanh nghiệp và loại ngành
một ngưỡng nhất định có thể dẫn đến lợi nhuận giảm dần trong
giải thích sự thay đổi trong tỷ lệ đóng góp trong giai đoạn hiện tại.
điều kiện về tần suất mua hàng của khách hàng. Phát hiện này cũng
Trong số các loại ngành khác nhau, các doanh nghiệp trong lĩnh vực
cung cấp lý do để xác định mức tối ưu của
dịch vụ tài chính, công nghệ, hàng tiêu dùng đóng gói và
các nguồn lực cần được phân bổ trên các kênh để tối đa hóa CLV trong Giai
Các hạng mục công nghiệp của chính phủ trung bình cung cấp một
đoạn 2.
biên độ đóng góp cao hơn so với các công ty trong ngành khác
Các hệ số của các mối liên hệ tiếp thị cho thấy sự khác biệt về
Thể loại. Tuy nhiên, các công ty trong ngành giáo dục có tỷ suất đóng
mức độ ảnh hưởng của các kênh khác nhau tới khách hàng.
góp thấp hơn so với các công ty trong ngành khác.
tần suất mua hàng. Hệ số của số hạng bậc hai các ngành nghề.
đối với các phương thức giao tiếp phong phú (–1,30 đối với Nhóm 1) là

cao hơn hệ số của số hạng bậc hai đối với các phương thức giao tiếp
tiêu chuẩn hóa (–.28 đối với Nhóm thuần tập 1).
Vì vậy, chúng ta có thể suy ra rằng tỷ suất lợi nhuận giảm dần (sau
vượt quá ngưỡng) cao hơn nhiều đối với chế độ phong phú
của truyền thông hơn so với các chế độ tiêu chuẩn hóa. Vì thế,
mặc dù phương thức giao tiếp phong phú mang tính tương tác và
hiệu quả, các doanh nghiệp nên sử dụng nó một cách thận trọng.
Chiến lược lựa chọn khách hàng
Trong phần này, chúng tôi so sánh khả năng lựa chọn khách hàng của
các yếu tố sau: CLV, thước đo được đề xuất của chúng tôi; doanh thu
của khách hàng kỳ trước (PCR), một thước đo đơn giản; giá trị khách
hàng trong quá khứ (PCV), được coi là một giá trị tốt

Đặc điểm của khách hàng. Kết quả chỉ ra rằng sự khác biệt đáng kể trong hiệu suất mô hình. Như vậy, để duy trì
đơn giản, chúng tôi đã sử dụng mô hình lợi nhuận đóng góp hàng năm
nâng cấp và mua chéo ảnh hưởng tích cực đến tần suất mua hàng của
dữ liệu.

khách hàng. Điều này phù hợp với những phát hiện
của Reinartz và Kumar (2003), những người cũng nhận thấy rằng
BẢNG 5
việc mua hàng có ảnh hưởng tích cực đến thời gian tồn tại của khách
Kết quả hồi quy từ Số tiền đóng góp
hàng trong mối quan hệ có lợi. Chúng tôi cũng nhận thấy rằng giao
Người mẫu
tiếp hai chiều giữa khách hàng và nhà cung cấp càng cao thì

tần suất mua hàng của khách hàng càng cao. Do đó trong Tham số
Ngoài việc liên lạc kịp thời từ nhà cung cấp đến Biến độc lập Ước lượng
khách hàng (Morgan và Hunt 1994), giao tiếp từ một

khách hàng có thể là một chỉ báo tốt về hoạt động của khách hàng. Chặn Đóng NS (NS)
góp trong t – 2 Tổng số 0,83*** (0,85***)
Đối với lợi nhuận từ khách hàng, phân tích của chúng tôi
lượng mua bị trễ Kích thước Hàng không vũ 0,02** (0,03**)
gợi ý rằng các nhà quản lý cần phải thận trọng. Chúng ta tìm thấy
trụ 0,02** (0,02**)
hỗ trợ cho mối quan hệ hình chữ U ngược giữa tần suất mua hàng và lợi
Dịch vụ tài NS (NS)
nhuận. Điều này cho thấy rằng khách hàng chính Công nghệ sản 0,02* (0,02**)

những người trả lại sản phẩm trong một ngưỡng nhất định là một tài sản tốt để xuất Hàng tiêu NS (NS)
hãng. Kết quả nhấn mạnh tầm quan trọng của việc công ty nhận ra những dùng đóng gói 0,03** (0,02**)
khách hàng thiết lập liên hệ thông qua Giáo dục, K–12 Du lịch Chính phủ 0,03*** (0,03***)
Tổng mức nỗ lực tiếp –.03*** (–.02***)
kênh trực tuyến trong chiến lược CRM của họ.
thị bị NS (NS)
trễ *Có ý nghĩa .02* (.02*)
Mô hình ký quỹ đóng góp
ở mức α = 0,10. 0,04*** (0,06***)
Chúng tôi ước tính mô hình lợi nhuận đóng góp hàng năm
dữ liệu từ năm 1997 (t – 4) đến năm 2000 (t) cho Nhóm thuần tập 1 và từ
**Có ý nghĩa ở mức α = 0,05.
1998 đến 2000 cho Nhóm 2.4 Doanh thu năm 2001 (t + 1) ***Có ý nghĩa ở mức α < 0,01.
Ghi chú: Các hệ số được báo cáo là ước tính chuẩn hóa; các

4Chúng tôi cũng ước tính mô hình tỷ suất lợi nhuận đóng góp ở mức các giá trị trong ngoặc đại diện cho Nhóm thuần tập 2. NS = not
có ý nghĩa.
mức hàng tháng, hàng quý và nửa năm, nhưng chúng tôi không tìm thấy bất kỳ

118/Tạp chí Marketing, tháng 10/2004

Machine Translated by Google

dự đoán giá trị khách hàng trong tương lai; và vòng đời khách hàng là các trung gian của tế bào. Sau đó chúng tôi tóm tắt kết quả

thời lượng (CLD), một thước đo hướng tới tương lai cũng được sử dụng từ sự so sánh của chúng tôi.

như một đại diện cho lòng trung thành. (Chúng tôi cũng so sánh khách hàng Nhìn chung, Bảng 6 cho thấy số liệu được đề xuất tốt hơn

khả năng lựa chọn của CLV với các khách hàng khác xác định những khách hàng có lợi nhuận hơn so với các số liệu khác mà chúng tôi

các số liệu, chẳng hạn như tỷ lệ ví và lần truy cập gần đây, tần suất và được so sánh trong nghiên cứu, chẳng hạn như PCR, PCV và CLD. Trên

giá trị tiền tệ. Kết quả tương tự như so sánh dựa trên khoảng thời gian dự đoán 18 tháng, chúng tôi kỳ vọng

với PCR, PCV và CLD.) Nói chung, các tổ chức ở Lợi nhuận ròng trung bình của khách hàng được chọn từ top 5%

các tình huống tiếp thị trực tiếp sắp xếp thứ tự khách hàng của họ trên sử dụng số liệu CLV được đề xuất là 143.295 USD (sau

dựa trên một số liệu cụ thể và ưu tiên các nguồn lực của họ hạch toán giá vốn hàng bán [70%] và chi phí biến đổi
từ những khách hàng tốt nhất đến những khách hàng tồi tệ nhất trên cơ sở của truyền thông), trong khi lợi nhuận ròng trung bình là

thứ tự xếp hạng (Roberts và Berger 1999). Mô tả của 70.929 USD, 130.785 USD và 106.389 USD cho 5% khách hàng hàng đầu được

các số liệu lựa chọn dựa trên khách hàng khác nhau được sử dụng trong các phân chọn dựa trên PCR, PCV và CLD,

tích của chúng tôi được cung cấp trong Phụ lục B. tương ứng. Những phát hiện này đúng với tất cả phần trăm

các phân nhóm. Kết quả cung cấp sự hỗ trợ đáng kể cho
Hiệu suất của các số liệu lựa chọn khách hàng
kết hợp khả năng đáp ứng của từng khách hàng trên các kênh truyền thông
khác nhau và đối với
Để so sánh hiệu suất của bốn chỉ số, chúng tôi đã xếp hạng khách hàng

theo thứ tự từ tốt nhất đến kém nhất theo từng chỉ số. tính hữu ích của CLV như một thước đo để chấm điểm khách hàng và lựa

số liệu và sau đó so sánh doanh thu, chi phí và lợi nhuận từ chọn khách hàng. Mặc dù sự khác biệt về lợi nhuận từ việc sử dụng

5%, 10% và 15% khách hàng hàng đầu. Chúng tôi đã sử dụng dữ liệu tính trung bình của PCR, PCV, CLD và CLV là xấp xỉ
từ 30 tháng đầu tiên để chấm điểm và phân loại khách hàng trên 40.000 USD cho một khách hàng trong mẫu 5% hàng đầu, sự khác biệt

từng số liệu, cũng như Reinartz và Kumar (2003). Sau đó chúng tôi trong tổng lợi nhuận từ 5% đến 15% toàn bộ cơ sở khách hàng có thể dễ

so sánh doanh thu thực tế, chi phí truyền thông biến đổi, dàng mang lại hơn 1 triệu USD.

và lợi nhuận cho 5%, 10% và 15% khách hàng hàng đầu

từ thời gian kiểm duyệt (30 tháng) cho đến khi kết thúc
khoảng thời gian quan sát (48 tháng).5 Để lựa chọn khách hàng cho
Chiến lược phân bổ nguồn lực
liên hệ, nói chung các tổ chức chọn 5% đến 15% hàng đầu Đã đánh giá được lợi ích của việc sử dụng CLV đối với khách hàng

của khách hàng, được xếp hạng dựa trên cơ sở tính điểm lựa chọn, bây giờ chúng tôi mô tả phương pháp của chúng tôi để thiết kế

Hệ mét. Việc lựa chọn thêm khách hàng để liên hệ có thể không được chiến lược phân bổ nguồn lực nhằm tối đa hóa CLV. Các

khả thi do hạn chế về thời gian và nguồn lực. Như vậy, để khuôn khổ cũng cung cấp cho các nhà quản lý một công cụ để đánh giá

phản ánh thực tiễn của ngành, chúng tôi đã so sánh hiệu suất của lợi tức đầu tư tiếp thị bằng cách xác định các con đường cho

số liệu của chúng tôi trong số 5%, 10% và 15% khách hàng hàng đầu. phân bổ nguồn lực tối ưu trên các kênh truyền thông cho từng khách

Các kết quả được cung cấp trong Bảng 6 và các giá trị được báo cáo hàng riêng lẻ (và có thể giữa các khách hàng), nhằm tối đa hóa CLV.

Văn học tiếp thị

đã cung cấp các hướng dẫn để phân bổ nguồn lực tối ưu trong

quyết định mua lại và duy trì (Blattberg và Deighton

5Chúng tôi cũng so sánh các số liệu với thời gian kiểm duyệt ở mức 18
tháng và khoảng thời gian dự đoán là 30 tháng. Thực chất 1996; Blattberg, Getz và Thomas 2001), khuyến mãi

kết quả của nghiên cứu đúng ngay cả trong khoảng thời gian dự đoán 30 tháng. chi tiêu (Berger và Bechwati 2001; Berger và Nasr
Các kết quả có sẵn theo yêu cầu từ các tác giả. 1998), và các hoạt động tiếp thị khi chuyển đổi thương hiệu trong tương lai

BẢNG 6

So sánh các số liệu CRM để lựa chọn khách hàng

Tỷ lệ phần trăm của nhóm thuần tập

(Được chọn từ trên cùng) CLV PCR PCV CLD

5%
Lợi nhuận gộp ($) 144.883 71.908 131.735 107.719
Chi phí biến đổi ($) 1.588 00.979 000.950 000.790
Lợi nhuận ròng ($) 143.295 70.929 130.785 106.389

10%
Lợi nhuận gộp ($) 78.401 27.981 72.686 55.837
Chi phí biến đổi ($) 1.245 00.943 000.794 00,610
Lợi nhuận ròng ($) 77.156 27.038 71.892 55.227

15%
Lợi nhuận gộp ($) 56.147 15.114 52.591 44.963
Chi phí biến đổi ($) 00.807 00.944 000.809 00,738
Lợi nhuận ròng ($) 55.340 14.170 51.782 44.225

Lưu ý: Tất cả số liệu được đánh giá sau 30 tháng, với khoảng thời gian dự đoán là 18 tháng. Nhóm 2 cung cấp kết quả tương tự. Các giá trị được báo cáo là
trung gian tế bào. Lợi nhuận gộp là doanh thu còn lại sau khi loại bỏ giá vốn hàng bán. Nhìn chung, đối với công ty cung cấp cơ sở dữ liệu,
giá vốn hàng bán khoảng 70%; do đó, lợi nhuận gộp = doanh thu × 0,3.

Khung giá trị trọn đời của khách hàng / 119

Machine Translated by Google

được xem xét (Rust, Zeithaml, và Lemon 2004). Những cái này Kết quả tổng hợp
hướng dẫn thể hiện một bước quan trọng hướng tới việc hợp nhất
Tổng giá trị hiện tại ròng của lợi nhuận trong tương lai từ một nguồn tài nguyên
ảnh hưởng đến lợi nhuận dài hạn của khách hàng ở cấp độ công ty
chiến lược phân bổ tối đa hóa CLV (với dự đoán
việc ra quyết định quản lý. Tuy nhiên, các mô hình cung cấp
biên độ đóng góp) là khoảng 44 triệu USD. Chúng tôi cũng
ít hiểu biết sâu sắc hơn về các quyết định về cách quản lý cá nhân
tính tổng giá trị hiện tại ròng của lợi nhuận trong tương lai khi
khách hàng theo cách giải thích được sự không đồng nhất, và
tổ chức sử dụng chiến lược phân bổ nguồn lực hiện tại của mình. Cụ
chúng không cung cấp cơ chế cập nhật động
thể, đối với mỗi khách hàng, chúng tôi duy trì
đánh giá khả năng sinh lời (Libai, Narayandas, và Humby
mức phân bổ nguồn lực cho năm gần đây nhất và CLV được tính toán
2002).
trong khoảng thời gian ba năm. Chúng tôi nhận thấy rằng, dựa
Thuật toán phân bổ tài nguyên của chúng tôi sử dụng Phương trình 2 làm
về chiến lược phân bổ nguồn lực hiện trạng này, tổng
hàm mục tiêu và mục đích của việc tối ưu hóa
giá trị hiện tại của lợi nhuận trong tương lai là khoảng 24 triệu USD.
là tìm mức độ liên hệ trên nhiều kênh khác nhau với
Vì vậy, chúng tôi thấy rằng một chiến lược phân bổ nguồn lực
mỗi khách hàng cá nhân sẽ tối đa hóa CLV. Phương trình 2 là hàm của
tối đa hóa CLV dẫn đến tăng lợi nhuận khoảng 83%. Tổng chi phí liên
tần suất mua dự đoán (dựa trên
lạc (trên 3
trên phương trình 4), biên độ đóng góp dự đoán (dựa trên
năm), dựa trên chiến lược phân bổ nguồn lực nhằm tối đa hóa CLV, là
Phương trình 5) và chi phí tiếp thị. Đầu tiên chúng tôi ước tính
khoảng 1 triệu USD. Tổng chi phí của
mức độ phản ứng của khách hàng (hệ số, βs ) đối với hoạt động tiếp thị
Truyền thông trong chiến lược hiện tại của tổ chức là
liên hệ từ mô hình tần suất mua hàng và mô hình ký quỹ đóng góp. Để
khoảng $716,188. Chúng tôi thấy rằng tổ chức
thiết kế chiến lược phân bổ tài nguyên dựa trên CLV, chúng tôi đã
cải thiện lợi nhuận bằng cách tăng chi phí phục vụ khách hàng
giữ các hệ số không đổi và xác định mức độ đồng biến (tức là mức độ
(chứ không phải chi phí liên lạc trong năm trước) bởi
liên hệ của kênh)
48%. Lợi nhuận từ hoạt động truyền thông tiếp thị mang lại cho tổ
cho mỗi khách hàng sẽ tối đa hóa CLV. Tóm tắt,
chức, dựa trên chiến lược hiện tại của tổ chức, là khoảng 34 USD.
trong Phương trình 2, các liên hệ được thực hiện với khách hàng qua nhiều
triệu ($24 triệu/$716,188). Với sự giao tiếp
kênh khác nhau đều nằm dưới sự kiểm soát của nhà cung cấp và do đó có thể
chiến lược tối đa hóa CLV, lợi nhuận từ truyền thông tiếp thị mang
được sử dụng để tối đa hóa CLV, tùy thuộc vào chi phí của mỗi
lại cho tổ chức là khoảng 44 triệu USD
phương thức giao tiếp và khả năng đáp ứng của khách hàng (về cả tần
(44 triệu USD/1 triệu USD). Vì vậy, có thể cải thiện
suất mua hàng và tỷ lệ đóng góp) đối với từng kênh giao tiếp.6 Mặt
lợi nhuận và lợi nhuận từ hoạt động truyền thông tiếp thị bằng cách
khác
xác định chính xác khách hàng cho hoạt động truyền thông mục tiêu
Nói cách khác, liên quan đến các nguồn lực tiếp thị cho một công ty,
và bằng cách kết hợp kênh liên lạc với sở thích của khách hàng. Các
mức độ liên hệ với khách hàng trên các kênh khác nhau xuất hiện trong
kết quả tổng hợp cho thấy rằng
các mặt doanh thu và chi phí của phương trình 2 và do đó tránh được
sự cải thiện khoảng 20 triệu đô la giữa một
phạm vi của các giải pháp góc.
mẫu gồm 216 khách hàng, công ty có tiềm năng
Chúng tôi đã sử dụng thuật toán di truyền để rút ra mức độ tiếp xúc
tăng doanh thu của mình ít nhất 1 tỷ USD trên toàn bộ
mong muốn cho từng khách hàng nhằm tối đa hóa
cơ sở khách hàng. Tuy nhiên, những lợi ích đó có thể không được thực hiện
CLV. Các thuật toán di truyền (Goldberg 1989) là các thuật toán tìm
ngay lập tức vì công ty cũng cần phải chịu chi phí để
kiếm song song, dựa trên mô phỏng đã được sử dụng trong hướng tới quan điểm lấy khách hàng làm trung tâm và đào tạo
kinh tế lượng (Dorsey và Mayer 1995; Liang và Wong
nhân viên quản lý khách hàng trên cơ sở CLV.
2001) để có được giải pháp tối ưu khi độ phức tạp của
chức năng tối ưu hóa có xu hướng khó hiểu và đa chiều. Trong nghiên
cứu của chúng tôi, việc hỗ trợ tần suất mua hàng Ý nghĩa, hạn chế và
phân phối với hai nhóm nhỏ khiến chúng tôi tin rằng Nghiên cứu sâu hơn
bề mặt tối ưu hóa là đa phương thức. Ngoài ra, chúng tôi
Mục tiêu nghiên cứu của chúng tôi là phân tích tính hữu ích của
nhằm phân bổ nguồn lực cho từng khách hàng trên
CLV là thước đo cho việc lựa chọn khách hàng và chiến lược phân bổ nguồn
cơ sở phản ứng của cá nhân. Những vấn đề này đã khiến chúng tôi
lực. Đầu tiên, chúng tôi phát triển và ước tính hàm mục tiêu cấp độ khách
vấn đề tối ưu hóa cực kỳ phức tạp và khó hiểu
hàng cá nhân, mục tiêu của nó là
với các phương pháp phân tích truyền thống. Vì vậy, chúng tôi đã dùng đến một
để đo CLV. Thứ hai, chúng tôi đã chứng minh được tính ưu việt
thuật toán tìm kiếm để tìm ra mức phân bổ tài nguyên tối ưu. Ngoài
lựa chọn khách hàng để liên hệ trên cơ sở CLV so với các số liệu
ra, bản chất đa phương thức của việc tối ưu hóa
thường được sử dụng như PCR, PCV và
bề mặt (được hỗ trợ phân phối hỗn hợp cho tần suất mua hàng) đã
CLD. Thứ ba, chúng tôi đã đánh giá lợi ích của việc thiết kế truyền
thúc đẩy chúng tôi sử dụng kỹ thuật tìm kiếm song song, kỹ thuật
thông tiếp thị nhằm tối đa hóa CLV. Bây giờ chúng ta thảo luận
này không bị ảnh hưởng bởi các cực tiểu cục bộ (phổ biến ở
ý nghĩa của nghiên cứu của chúng tôi và cách các nhà quản lý có thể sử dụng
phân phối đa phương thức) (Venkatesan, Krishnan, và
kiến thức này để thiết kế các chương trình tiếp thị hiệu quả. Chúng tôi
Kumar 2004). Phụ lục C giải thích cách chúng tôi sử dụng kỹ thuật
cũng cung cấp một phác thảo cho các nhà nghiên cứu trong tương lai để xây dựng trên cơ sở
tìm kiếm song song cho mục đích phân bổ nguồn lực.
khuôn khổ được đề xuất ở đây.

6Trong phương trình 2, mức độ liên lạc trong mỗi kênh cho mỗi Hàm ý
khách hàng rất đa dạng mỗi năm. Tuy nhiên, để đơn giản hóa quy trình tối
ưu hóa của chúng tôi, chúng tôi giả định rằng mức độ liên hệ bằng nhau trên Tiền đề của tần suất mua hàng và đóng góp

thời kỳ dự đoán. Giả định của chúng tôi có thể được xem là lấy lề. Ý nghĩa lý thuyết của mô hình tần suất mua hàng cũng liên quan
mức độ liên lạc trung bình trong giai đoạn dự đoán. đến khách hàng CUSAMS.

120/ Tạp chí Marketing, tháng 10 năm 2004

Machine Translated by Google
khuôn khổ quản lý tài sản (Bolton, Lemon và Verhoef
2004). Trong nghiên cứu này, chúng tôi đã thử nghiệm các phần của khung
CUSAMS và tìm thấy sự hỗ trợ thực nghiệm cho các phần mà chúng tôi đã thử nghiệm.
Cụ thể, khuôn khổ CUSAMS đề xuất các công cụ tiếp thị (ví dụ: gửi thư
trực tiếp, chương trình khen thưởng)
ảnh hưởng đến nhận thức về giá, sự hài lòng và cam kết của khách hàng.
Đổi lại, những điều này ảnh hưởng đến chiều dài, chiều sâu và chiều rộng
của một mối quan hệ, từ đó cuối cùng sẽ ảnh hưởng đến CLV. Chúng tôi
tìm sự hỗ trợ thực nghiệm cho tác động của các công cụ tiếp thị đối với
tần suất mua hàng (các phương thức giao tiếp và lợi ích mối quan hệ
phong phú và được tiêu chuẩn hóa) và tỷ suất đóng góp (tổng nỗ lực tiếp
thị), cả hai đều ảnh hưởng đến CLV. Chúng tôi cũng nhận thấy rằng mức
độ mua hàng
(mua chéo) và độ sâu mua (nâng cấp) ảnh hưởng đến tần suất mua hàng,
cuối cùng ảnh hưởng đến CLV. Ngoài ra, chúng tôi tìm thấy sự hỗ trợ
cho mối quan hệ phi tuyến tính giữa
thông tin liên lạc của nhà cung cấp và tần suất mua hàng. Điều này ủng
hộ kỳ vọng của Fournier, Dobscha và Mick (1997)
rằng quá nhiều giao tiếp giữa nhà cung cấp và khách hàng có thể gây
gián đoạn. Như vậy, kết quả của chúng tôi chỉ ra rằng
Các nhà quản lý cần thận trọng khi thiết kế hoạt động tiếp thị
chiến lược truyền thông trên các kênh khác nhau và
cần cảnh giác khi tiếp xúc với khách hàng quá nhiều lần,
đặc biệt là thông qua các phương thức giao tiếp phong phú.
Chúng tôi tìm thấy mối quan hệ hình chữ U ngược giữa
trả lại và tần suất mua hàng. Một lợi ích có thể có từ
khách hàng trả lại sản phẩm có thể là cơ hội để
hiểu nguyên nhân của sự không hài lòng. Ngoài ra, khách hàng trả lại
sản phẩm trong một khoảng thời gian nhất định có thể
vì vậy họ có niềm tin vốn có vào nhà cung cấp và
bởi vì họ mong đợi những lợi ích trong tương lai, chẳng hạn như những cải tiến
trong chất lượng của sản phẩm. Tuy nhiên, việc khách hàng quay lại quá
nhiều lần có thể cho thấy sự xói mòn lòng tin đối với
công ty hoặc mức độ hoạt động trong tương lai thấp hơn. Chúng tôi cũng thấy rằng
khách hàng thiết lập liên hệ qua kênh trực tuyến
truyền thông thể hiện tần suất mua hàng cao và
có sự tham gia cao. Vì vậy, kênh trực tuyến có thể
cung cấp một môi trường lý tưởng cho các công ty B2B để tăng cường mối
quan hệ với khách hàng của họ. Chúng tôi nhận thấy rằng ngoài việc ảnh hưởng
tần suất mua hàng, ảnh hưởng của truyền thông tiếp thị
mức đóng góp dự kiến từ khách hàng. Cũng trong
kịch bản B2B, danh mục và quy mô ngành dường như
những yếu tố quan trọng ảnh hưởng đến mức độ đóng góp của biên lợi
nhuận.
Nâng cao năng suất tiếp thị. Rust, Zeithaml,
và Lemon (2004) đề xuất rằng các chiến lược và chiến thuật vững chắc
hoạt động tiếp thị ảnh hưởng đến chuỗi năng suất tiếp thị.
Phân tích của chúng tôi về lựa chọn khách hàng điều tra cách các công ty
có thể nâng cao các chiến lược và phân tích của chúng tôi về nguồn lực tối ưu
phân bổ điều tra làm thế nào các công ty có thể cải thiện các hoạt động
tiếp thị chiến thuật.
Sự lựa chọn của khách hàng. Số liệu CLV xác định tốt hơn những
khách hàng mang lại lợi nhuận trong tương lai cao hơn so với PCR, PCV,
và CLD. Các phân tích của chúng tôi chỉ ra rằng CLV được ưu tiên hơn
kết hợp động lực của hành vi mua hàng của khách hàng
vào quá trình lựa chọn khách hàng. Các nhà quản lý có thể cải thiện
đáng kể lợi tức đầu tư vào tiếp thị bằng cách
sử dụng thước đo CLV năng động ở cấp độ khách hàng để ghi điểm
thay vì sử dụng các số liệu khác được đề xuất trong tài liệu và bằng
cách ưu tiên các chương trình liên hệ.
Chiến lược phân bổ nguồn lực. Kết quả từ nghiên cứu của chúng tôi
nhấn mạnh tầm quan trọng của việc doanh nghiệp xem xét từng cá nhân
sự đáp ứng của khách hàng đối với truyền thông tiếp thị cũng như
cũng như chi phí liên quan đến các kênh truyền thông khác nhau khi đưa ra
quyết định phân bổ nguồn lực. Của chúng tôi
phân tích cho thấy rằng có tiềm năng đáng kể
cải thiện CLV thông qua thiết kế phù hợp các mối liên hệ tiếp thị trên
nhiều kênh khác nhau. Khi doanh nghiệp thiết kế
quy tắc phân bổ nguồn lực, họ có thể nhận ra sự gia tăng trong
thu lợi nhuận bằng cách kết hợp những khác biệt trong khả năng đáp ứng
của từng khách hàng với các kênh truyền thông khác nhau
và giá trị tiềm năng mà khách hàng mang lại. Chiến lược phân bổ nguồn
lực được đề xuất có thể là cơ sở để đánh giá lợi ích tiềm năng của
việc triển khai CRM trong
tổ chức và nó cung cấp trách nhiệm giải trình cho các chiến lược
hướng tới việc quản lý tài sản của khách hàng.
Tóm lại, những kết luận chính mà chúng tôi rút ra
từ nghiên cứu của chúng tôi như sau:
•Truyền thông tiếp thị qua nhiều kênh khác nhau ảnh hưởng đến
CLV phi tuyến;
•CLV hoạt động tốt hơn các số liệu dựa trên khách hàng thường
được sử dụng khác để lựa chọn khách hàng như PCR, PCV và
CLD; Và
•Các nhà quản lý có thể cải thiện lợi nhuận bằng cách thiết kế các thông tin
tiếp thị nhằm tối đa hóa CLV.
Hạn chế và nghiên cứu sâu hơn
Nghiên cứu này có những hạn chế mà các nghiên cứu tiếp theo có thể giải quyết.
Kết quả của nghiên cứu này được lấy từ cơ sở dữ liệu khách hàng trong
ngành công nghệ cao. Các nghiên cứu sâu hơn cần điều tra xem liệu kết
quả có thể khái quát cho các ngành khác hay không
và cài đặt. Ngoài ra, cần tiếp tục nghiên cứu phát triển
các mô hình kết hợp các dự báo về năng lực cạnh tranh tổng hợp
phản ứng với các hành động tiếp thị và chuyển đổi thương hiệu của khách
hàng bằng các mô hình tiếp thị trực tiếp ở cấp độ cá nhân. Chúng tôi
cũng chỉ xem xét mức trung bình của chiến lược truyền thông tối ưu
trong một kênh. Tuy nhiên, doanh nghiệp có thể tiếp tục
nâng cao hiệu quả của chiến lược truyền thông bằng cách sắp xếp thứ tự
hợp lý các liên hệ với khách hàng của họ trên các kênh khác nhau
kênh truyền hình. Ngoài ra, trong nghiên cứu của chúng tôi, chúng tôi cung cấp một khuôn khổ
để tối đa hóa CLV bằng truyền thông tiếp thị.
Tuy nhiên, lưu ý rằng chúng tôi không so sánh đề xuất của chúng tôi
chiến lược phân bổ nguồn lực (tập trung vào việc tối đa hóa
CLV) với chiến lược tập trung vào phân bổ nguồn lực để
những khách hàng có mức tăng CLV phù hợp
thiết kế truyền thông tiếp thị là cao nhất. Ví dụ, với một chiến lược
tiếp thị được thiết kế phù hợp,
có thể những khách hàng trước đây có CLV cao tiếp tục có CLV cao trong
tương lai, bất kể
mức độ truyền thông tiếp thị, và một số
khách hàng có CLV thấp chuyển sang CLV cao
khách hàng. Nghiên cứu sâu hơn có thể điều tra xem liệu
khách hàng được lựa chọn cho hoạt động truyền thông tiếp thị ở cấp độ
cao đều giống nhau khi chiến lược phân bổ nguồn lực
tập trung vào việc tối đa hóa CLV hoặc tối đa hóa sự gia tăng
CLV. Cuối cùng, tổng CLV tối ưu cho mỗi cá nhân
nhu cầu của khách hàng không dẫn tới giá trị tài sản khách hàng tối ưu trong
Khung giá trị trọn đời của khách hàng / 121
Machine Translated by Google
trường hợp hạn chế về ngân sách. Chúng tôi đã thực hiện tối ưu
hóa với hạn chế về ngân sách và không có thay đổi nào về kết quả
thực chất của nghiên cứu. Ngoài ra, thuật toán tối ưu hóa của
chúng tôi đủ linh hoạt để cho phép đưa vào giới hạn ngân sách
mà không cần bất kỳ điều chỉnh đáng kể nào.
Các tiền đề cụ thể về khách hàng và nhà cung cấp được sử dụng
trong mô hình phản hồi của khách hàng cũng có thể ảnh hưởng trực
tiếp đến chi phí và do đó ảnh hưởng đến lợi nhuận. Tuy nhiên, vì
chúng tôi đã ước tính mô hình phản hồi của khách hàng trong một
bước duy nhất, sau đó chúng tôi đưa mô hình này vào hàm giá trị
hiện tại ròng (Phương trình 1) bao gồm cả chi phí và tỷ suất lợi
nhuận, nên chúng tôi đã đánh giá tác động gián tiếp của các biến
số đồng thời lên cả chi phí và tỷ suất lợi nhuận. . Các nghiên cứu
sâu hơn có thể phát triển và kiểm tra các giả thuyết liên quan
trực tiếp đến nỗ lực CRM với chi phí và tỷ suất lợi nhuận. Ngoài
ra, có thể dự đoán rằng tỷ suất lợi nhuận sẽ thay đổi theo thời
gian. Trong trường hợp này, giá trị mà khách hàng cung cấp cho
công ty là một hàm số của cả khung thời gian dự kiến cho đến lần
mua hàng tiếp theo và tỷ lệ đóng góp trong khoảng thời gian cụ thể
đó. Chúng tôi coi một số tiền đề được sử dụng trong khuôn khổ của
chúng tôi (ví dụ: nâng cấp, mua chéo, giao tiếp hai chiều, số lần
trả lại, số lượng liên hệ trên Web) là các biến ngoại sinh trong
phân tích của chúng tôi. Chúng tôi sử dụng các biến có độ trễ của
những biến này để giải thích tính nội sinh tiềm ẩn. Nghiên cứu sâu
hơn có thể điều tra các kỹ thuật phức tạp hơn để xử lý rõ ràng các
biến này là nội sinh. Cuối cùng, một vấn đề đáng chú ý nảy sinh
từ các phân tích của chúng tôi là liệu các đề xuất từ khung tối
ưu hóa có hiệu quả khi triển khai trên thị trường thực hay không.
Mặc dù nghiên cứu của chúng tôi là một bước đi đúng hướng để đánh
giá trách nhiệm giải trình của các hoạt động tiếp thị, nhưng một
thử nghiệm thực địa kiểm tra các khuyến nghị của khuôn khổ đó đối
với nhóm thử nghiệm đối với nhóm kiểm soát được quản lý theo các
mang lại khả năng là –2938. Nhìn chung, kết quả cho thấy mô hình
tiêu chuẩn hiện có sẽ đưa ra bằng chứng mạnh mẽ hơn cho Những nỗ lực dựa trên CRM.
gamma tổng quát với hai nhóm con cung cấp sự phù hợp tốt với dữ
Phụ lục A
Kết quả từ phân tích dữ liệu
Mô hình tần suất mua hàng
Ước lượng mô hình. Đối với Nhóm 1 và 2, kết quả dựa trên 50.000 mẫu của
thuật toán MCMC (để biết chi tiết về thuật toán, xem Allenby, Leone và Jen
1999, Phụ lục). Chúng tôi đã mô phỏng phân phối sau bằng cách sử dụng năm chuỗi
song song với các giá trị bắt đầu quá phân tán. Trong mỗi chuỗi, chúng tôi sử
dụng 40.000 lần lặp ban đầu làm bản thử nghiệm và sử dụng 10.000 lần lặp cuối
cùng để thu được số liệu thống kê sau. Chúng tôi sử dụng phương pháp “lấy mẫu
theo lát” (Neal 2000) để thu được các mẫu ngẫu nhiên. Chúng tôi đã đánh giá
sự tự tương quan của các mẫu sau để thực hiện làm mỏng. Hàm tự tương quan cho
thấy rằng mỗi mẫu thứ năm không liên quan đến mọi mẫu thứ năm khác. Do đó, số
liệu thống kê sau dựa trên 2000 mẫu (sử dụng cứ 5 mẫu từ 10.000 mẫu). Chúng tôi
đã đánh giá sự hội tụ của thuật toán từ các đồ thị đường của mẫu sau và bằng
cách đánh giá thống kê của Gelman và Rubin (1992). Giá trị R của √ gần với 1
hơn cho thấy rằng tất cả các chuỗi đã hội tụ về phân bố phía sau thực sự. Trong
các phân tích của mình, chúng tôi nhận thấy rằng giá trị của √R dao động từ
1,2 đến 0,9 (trước đây
R từng khách hàng (mẫu hiệu chuẩn) để ước tính các thông số của
122/ Tạp chí Marketing, tháng 10 năm 2004
nghiên cứu khác [Cowles và Carlin 1996], những giá trị này đã
được tìm thấy để chỉ ra sự hội tụ của chuỗi MCMC).
Cách tiếp cận của chúng tôi để điều tra các mối tương quan tự
động trong chuỗi, tính toán số liệu thống kê của Gelman và Rubin,
cũng như kiểm tra trực quan các sơ đồ lấy mẫu đã được khuyến nghị
rộng rãi cho chẩn đoán hội tụ (Cowles và Carlin 1996). Chúng tôi
đã triển khai thuật toán ước tính bằng gói phần mềm GAUSS và
chúng tôi đã thực hiện chẩn đoán hội tụ bằng CODA. Chúng tôi
cũng sử dụng nhiều giá trị trước đó để ước tính và không tìm thấy
tác động đáng kể nào đến các mẫu sau; điều này là do chúng tôi
đã sử dụng các giá trị khuếch tán trước đó và do kích thước mẫu
dữ liệu của chúng tôi lớn
bộ.
Lựa chọn mô hình. Bảng 4 cho thấy một mô hình gamma tổng
quát đơn giản không có hàm liên kết probit hoặc hiệp phương sai
thay đổi theo thời gian (Mô hình 1) cung cấp khả năng ghi nhật
ký là –3298,91 (chúng tôi đã tính khả năng ghi nhật ký bằng cách
sử dụng mật độ biên log của Newton và Raferty [1994] đo lường).
Một mô hình gamma tổng quát có chức năng liên kết probit (hai
nhóm con) nhưng không có hiệp phương sai thay đổi theo thời gian
(Mô hình 2) cung cấp khả năng ghi log là –2908,66. Cuối cùng,
khả năng ghi nhật ký cho mô hình gamma tổng quát với hàm liên
kết probit (với hai nhóm con) và các hiệp phương sai thay đổi
theo thời gian (Mô hình 3) là –2237,82. Việc tăng số lượng nhóm
phụ trong Mô hình 2 hoặc 3 không mang lại khả năng ghi nhật ký
cao hơn đáng kể. Chúng tôi cũng tính toán AIC và BIC để lựa chọn
mô hình. Đối với cả hai thước đo, giá trị cao hơn cho thấy mô
hình tốt hơn. Chúng tôi thấy rằng Mô hình 3 có giá trị cao nhất
cho cả AIC và BIC (AIC = –4484 cho Mô hình 3, –5825 cho Mô hình
2 và –6606 cho Mô hình 1; BIC = –4683 cho Mô hình 3, –5910 cho Mô
hình 2, và –6639 cho Model 1).
Ngoài ra, mô hình hỗn hợp hữu hạn lớp tiềm ẩn với hai phân đoạn
liệu.
Thông số phân phối. Các giá trị của γ trong mô hình gamma
tổng quát lần lượt là γ1 = 1,2 và γ2 = ,9 cho Nhóm con 1 và 2.
Khối lượng thành phần của Nhóm con 1 (ϕ1 ) và Nhóm con 2 (ϕ2 )
lần lượt là 0,54 và 0,46. Tất cả các tham số phân phối (αk , νk
và θk ) có hơn 99% mẫu của chúng khác 0. Thời gian mua hàng dự
kiến trung bình của Nhóm 1 là 4,2 lần mua trong một năm và tần
suất mua hàng dự kiến trung bình của Nhóm 2 là 1,01 lần mua
trong một năm. Với sự thay đổi về tần số dự kiến trong mỗi nhóm
con, chúng tôi gọi Nhóm con 1 là “trạng thái hoạt động” và Nhóm
con 2 là “trạng thái không hoạt động”.
Ảnh hưởng của tiền đề và đồng biến. Các phân tích thực nghiệm
của chúng tôi ủng hộ tất cả các tác động được đề xuất của tiền đề
đối với tần suất mua hàng.
Độ chính xác của dự báo ngoài mẫu Chúng tôi đã sử dụng sai
số tuyệt đối tương đối (RAE) để đánh giá độ chính xác dự báo của
mô hình gamma tổng quát so với mô hình trung bình động đơn giản
(mô hình trung bình động được triển khai dưới dạng trung bình
cập nhật của mỗi lần mua hàng liên tiếp của một khách hàng).
Chúng tôi đã sử dụng tất cả ngoại trừ quan sát cuối cùng đối với
từng mô hình. Sau đó, chúng tôi sử dụng các giá trị trung bình
sau để tính thời gian dự kiến cho đến lần tiếp theo
Machine Translated by Google
mua hàng từ phương trình 3. Sau đó, chúng tôi so sánh dự báo
thời gian cho đến lần mua hàng tiếp theo với mẫu giữ lại
(được hình thành từ lần quan sát cuối cùng đối với mỗi khách hàng) đến
đánh giá độ lệch tuyệt đối trung bình (MAD). RAE là
được cho bởi tỷ lệ của mô hình MAD và MAD dựa trên
thước đo trung bình động. Dựa trên thước đo RAE,
mô hình gamma tổng quát với các hiệp phương sai thay đổi theo thời gian
(Mô hình 3) có RAE là 0,51, so với RAE ngây thơ
kỹ thuật trung bình động. MAD từ Mô hình 3 là 5,21
tháng, so với 10,24 tháng đối với thước đo độ tuổi trung bình di
chuyển. Mô hình 3 cung cấp sự cải tiến tốt nhất trong
độ chính xác dự báo so với Mô hình 2 (RAE = 0,84)
và Mô hình 1(RAE = 0,95). Chúng tôi cũng đánh giá khả năng dự đoán
khả năng của mô hình tần suất mua hàng bằng cách sử dụng tỷ lệ trúng. TRONG
nói cách khác, chúng tôi đã đánh giá số lượng mua hàng trong
mẫu nắm giữ mà mô hình cũng dự đoán chính xác là
mua. Chúng tôi quan sát thấy rằng trong số những khách hàng đã mua
trong vòng 12 tháng, mô hình hiện xác định được 89%
họ và trong số những khách hàng không mua trong vòng 12
tháng, mô hình hiện xác định được 90% trong số đó.
Mô hình ký quỹ đóng góp
Ước tính và ảnh hưởng của tiền đề và hiệp phương sai.
Chúng tôi ước tính mô hình tỷ lệ đóng góp dựa trên dữ liệu hàng năm
từ 1997 (t – 4) đến 2000 (t) cho Nhóm 1 và từ 1998 đến
2000 cho Nhóm 2. Doanh thu năm 2001 (t + 1) là một khoản giữ lại
mẫu cho Nhóm 1 và 2. Các hệ số của mô hình ký quỹ đóng góp được
cung cấp trong Bảng 5. Mô hình ký quỹ đóng góp cung cấp R2 được
điều chỉnh là 0,68. Tổng thể,
kết quả phân tích hỗ trợ tất cả các giả thuyết
các mối quan hệ.
Độ chính xác của dự báo ngoài mẫu Như điển hình
mô hình chuỗi thời gian, chúng tôi đã nâng cao các biến độc lập
theo một kỳ để dự báo biến phụ thuộc trong kỳ
t + 1. Cụ thể, khi mô hình ký quỹ đóng góp là
dùng để dự đoán thời kỳ t+3, tỷ lệ đóng góp trong
Khoảng thời gian t+1 là một biến độc lập và được lấy từ
dự đoán trong giai đoạn t+1. Biên độ đóng góp
mô hình dự đoán tốc độ tăng trưởng doanh thu từ thời kỳ t đến thời kỳ t+1.
Chúng tôi thu được mức độ lớn của doanh thu trong giai đoạn t + 1 bằng cách
cộng giá trị dự đoán từ biên độ đóng góp
mô hình doanh thu cơ bản trong thời kỳ t. Chúng tôi đã đánh giá
hiệu suất của mô hình ký quỹ đóng góp trong phần nắm giữ
mẫu trên cơ sở ước tính của chúng tôi từ việc hiệu chuẩn
vật mẫu. Bảng A1 cung cấp số liệu thống kê mô tả về
biên độ đóng góp quan sát được và đóng góp dự đoán
BẢNG A1
So sánh thống kê mô tả giữa tỷ lệ đóng góp được quan sát và đóng góp dự đoán
Ký quỹ trong mẫu Holdout
Nghĩa là Độ lệch chuẩn
Được Quan sát 50.199
(49.229) (24.836)
Dự đoán 57.729
(74.283) (22.598)
Lưu ý: Tất cả các giá trị được báo cáo đều tính bằng đô la và được làm tròn đến số nguyên gần nhất. Các giá trị trong ngoặc đơn đại diện cho Nhóm thuần tập 2.
ký quỹ trong mẫu nắm giữ (giai đoạn t + 1). Trong phần nắm giữ
mẫu, tỷ lệ đóng góp dự kiến trung bình trong kỳ
t + 1 là khoảng $67.729, và mức đóng góp trung bình được quan sát
là khoảng $64.396.
Phụ lục B
Mô tả lựa chọn khách hàng
Số liệu
CLV
Chúng tôi đã nhập các dự đoán từ mô hình tần suất mua hàng (Phương
trình 3) và tỷ suất lợi nhuận đóng góp (Phương trình 4) vào
Phương trình 2 để tính giá trị hiện tại ròng của lợi nhuận trong tương lai
(giai đoạn t+1) của mỗi khách hàng. Tần suất mua hàng
mô hình dự đoán thời gian dự kiến tính bằng tháng cho đến lần mua hàng
tiếp theo của từng khách hàng. Chúng tôi đã ấn định mức ký quỹ 30% sau
hạch toán giá vốn hàng bán (những người quản lý cung cấp cơ sở dữ liệu
đã thông báo cho chúng tôi rằng 30% là giá trị danh nghĩa
lợi nhuận cho hầu hết các sản phẩm của họ) và chúng tôi đã tính toán
chi phí biến đổi sử dụng chi phí truyền thông. Đơn vị trung bình
chi phí của các phương thức giao tiếp được tiêu chuẩn hóa là khoảng 3 USD,
và chi phí đơn vị trung bình của các phương thức giao tiếp phong phú là 60
USD. Chúng tôi tính toán chi phí truyền thông đơn vị cho mỗi khách hàng
theo tỷ lệ giữa tổng số liên hệ của một khách hàng.
kênh nhất định trong một năm nhất định với tổng chi phí liên lạc cho
một chế độ nhất định trong một năm nhất định. Cuối cùng, chúng tôi sử dụng báo cáo hàng năm
Tỷ lệ chiết khấu 15% cho mỗi khách hàng, dựa trên
lãi suất cho vay phù hợp với thời điểm nghiên cứu.
PCR và PCV
Chúng tôi định nghĩa PCR là doanh thu do khách hàng cung cấp trong
lần mua hàng được quan sát gần đây nhất. Chúng tôi định nghĩa PCV là
lợi nhuận tích lũy thu được từ một khách hàng cho đến thời điểm
hiện tại. Lợi nhuận tích lũy được tính hàng năm
từ lúc bắt đầu của khách hàng cho đến giai đoạn hiện tại. Chúng tôi
dự kiến lợi nhuận mỗi năm theo thời hạn hiện tại bằng cách sử dụng một
yếu tố giảm giá. Cách tính PCV như sau:
T
1B () PCV Tôi
= ( CM MC
Nó Nó
)× +
( 1 r
T t
) ,
t = 0
trong đó CMi,t là tỷ lệ đóng góp của khách hàng i trong
kỳ t; MCi,t biểu thị chi phí tiếp thị cho khách hàng i trong
kỳ t; t là chỉ số cho khoảng thời gian (t = 0 cho khoảng thời gian
sự khởi đầu của khách hàng; ví dụ: t = 0 cho năm 1997 cho Nhóm 1
khách hàng, và t = 0 vào năm 1998 đối với khách hàng Nhóm 2); T là
tối thiểu Tối đa
23.850 –171 1.010.881
(–181) (1.420.981)
24.538 –178 1.897.257
(–159) (1.938.458)
Khung giá trị trọn đời của khách hàng / 123
Machine Translated by Google

kỳ hiện tại; và r là tỷ lệ chiết khấu mà chúng tôi đặt ở mức 15%. thay đổi mức độ liên hệ cho từng khách hàng và sau đó tính tổng CLV của

tất cả khách hàng trong mẫu. Mục tiêu của chúng tôi là tính giá trị tối đa

cho tổng CLV này. Trong trường hợp này, thuật toán tối ưu hóa của chúng tôi
CLD
đã tối đa hóa hàm mục tiêu bằng cách thay đổi 432 tham số trong Nhóm thuần

Trong phân tích của mình, chúng tôi đã đánh giá xác suất một khách hàng còn tập 1 (216 khách hàng và 2 tham số cho mỗi khách hàng [mức độ phong phú và

sống hay đã chết trong cửa sổ lập kế hoạch bằng cách sử dụng thước đo chế độ tiêu chuẩn hóa]). Sau nghiên cứu về giá trị khách hàng (Rust,

P(Alive) mà Schmittlein và Peterson (1987) và Reinartz và Kumar (2002) Zeithaml, và Lemon 2004), chúng tôi đặt khung thời gian cho khung tối ưu

khuyến nghị. Thước đo P(Alive) sử dụng mẫu mua hàng trước đó để dự đoán xác hóa của mình là ba năm. Cơ sở dữ liệu của chúng tôi cung cấp thông tin về

suất khách hàng vẫn còn sống ở mỗi giai đoạn trong cửa sổ dự đoán. Giá trị đơn vị chi phí liên lạc gần đúng thông qua các chế độ phong phú và chế độ

P(Alive) cao hơn biểu thị thời gian tồn tại lâu hơn. tiêu chuẩn hóa cho từng khách hàng. Ở mức độ trung bình, chi phí tiếp thị

đơn vị thông qua các phương thức tiêu chuẩn hóa (trung bình bán hàng qua
thư và điện thoại trực tiếp) là 3 đô la, và chi phí tiếp thị đơn vị thông

qua các phương thức phong phú (người bán hàng liên lạc) là 60 đô la. Do đó,

chi phí truyền thông qua các chế độ phong phú gấp khoảng 20 lần chi phí
Phụ lục C Thuật toán
truyền thông qua các chế độ tiêu chuẩn hóa. Chỉ số chi phí như vậy thường

di truyền để phát triển chiến lược phân bổ nguồn lực gặp. Chúng tôi đặt các tham số trong thuật toán di truyền như sau: kích

Các nhà nghiên cứu tiếp thị chỉ mới bắt đầu nhận ra thước quần thể = 200, xác suất chéo = 0,8, xác suất đột biến = 0,25 và

tiêu chí hội tụ = chênh lệch trong giải pháp trong 10.000 lần lặp cuối
những lợi ích tiềm tàng của việc sử dụng thuật toán di truyền
cùng phải nhỏ hơn 0,01%. Chúng tôi đã chạy thuật toán di truyền ít nhất 50
(Balakrishnan và Jacob 1996; Midley, Marks và Cooper 1997;
lần và sử dụng giá trị trung bình của các cấp tài nguyên tương ứng với CLV
Naik, Mantrala và Sawyer 1998; Venkatesan , Krishnan, và Kumar
tối đa từ mỗi lần chạy làm quy tắc phân bổ lại tài nguyên cho mỗi khách
2004) trong việc đưa ra các chiến lược tối ưu cho các vấn đề
hàng.
tiếp thị phức tạp. Thuật toán di truyền tiến hành bằng cách
tìm kiếm mức độ liên hệ tối ưu cho từng khách hàng nhằm tối
đa hóa CLV. Tổng CLV tối ưu từ mỗi khách hàng riêng lẻ cung
cấp giá trị tài sản khách hàng tối ưu của mẫu phân tích.7 Cụ
thể, chúng tôi

mà chúng tôi cần các biến tiếp thị vào năm 2002, nhưng chúng tôi không có. Để

dự báo tỷ lệ đóng góp trong năm 2003, chúng tôi đã sử dụng giá trị trung bình

của các biến số marketing-mix từ năm 1997 đến năm 2001 để đưa ra các giá trị
7Khi dự báo mức đóng góp cho ba năm tới, hãy lưu ý rằng chúng ta có dữ liệu trong năm 2002. Tuy nhiên, đối với giai đoạn tối ưu hóa, các biến số marketing-
về hoạt động tiếp thị từ năm 1997 đến năm 2001. mix được tối ưu hóa được thay thế cho các giá trị năm 2002. Chúng tôi cảm ơn
Dự đoán cuối cùng của chúng tôi cho phân tích dài hạn là vào giai đoạn 2003, vì người đánh giá đã chú ý đến vấn đề này.

TÀI LIỆU THAM KHẢO Allenby,

Greg M., Robert P. Leone, và Lichung Jen (1999), “Mô hình động về thời điểm mua ———, Gary Getz, và Jacquelyn S. Thomas (2001), Vốn chủ sở hữu của khách hàng:

hàng với ứng dụng vào tiếp thị trực tiếp,” Tạp chí của Hiệp hội Thống kê Xây dựng và quản lý các mối quan hệ như tài sản.

Hoa Kỳ, 94 (tháng 6), 365–74. Boston: Nhà xuất bản Trường Kinh doanh Harvard.

——— và Edward Malthouse (2003), “Đánh giá tính chính xác trong dự đoán của các

Balakrishnan, PV và Varghese A. Jacob (1996), “Thuật toán di truyền của thiết kế mô hình giá trị dài hạn cho chiến lược quản lý quan hệ khách hàng,” tài

sản phẩm,” Khoa học quản lý, 42 (8), 1105–1118. liệu nghiên cứu, Khoa Tiếp thị, Đại học Northwestern.

Baltagi, Badi H. (1998), Phân tích kinh tế lượng dữ liệu bảng. Bolton, Ruth và Katherine N. Lemon (1999), “Mô hình năng động về việc sử dụng

New York: John Wiley & Các con trai. dịch vụ của khách hàng: Việc sử dụng như một tiền đề và hậu quả của sự hài

Bell, David, John Deighton, Werner J. Reinartz, Roland T. Rust và Gordon Swartz lòng,” Tạp chí Nghiên cứu Tiếp thị, 36 (tháng 5), 171–86. và Peter C.
(2002), “Bảy rào cản đối với quản lý vốn chủ sở hữu của khách hàng,” Tạp Verhoef (2004), “Nền

chí nghiên cứu dịch vụ, 5 (1), 77–85. ———, ———, tảng lý thuyết về quản lý tài sản khách hàng: Khung và đề

xuất cho nghiên cứu trong tương lai,” Tạp chí của Viện Khoa học Tiếp thị,

Berger, Paul D. và Nada Nasr Bechwati (2001), “Việc phân bổ ngân sách khuyến 32 (3), 271–92.

mãi để tối đa hóa vốn sở hữu của khách hàng,” OMEGA, 29 (1), 49–61.

Bowman, Douglas và Das Narayandas (2001), “Quản lý các mối liên hệ do khách hàng
———, Ruth N. Bolton, Douglas Bowman, Elten Briggs, V . khởi xướng với nhà sản xuất: Tác động lên tỷ lệ yêu cầu về danh mục và hành

Kumar, A. Parasuraman, và Creed Terry (2002), “Các hoạt động tiếp thị và giá vi truyền miệng,” Tạp chí Nghiên cứu Tiếp thị, 38 (tháng 8), 281–97.
trị tài sản của khách hàng: Khuôn khổ quản lý tài sản của khách hàng,” Tạp chí

nghiên cứu dịch vụ, 5 (1), 39–54.

Cannon, Joseph P. và Christian Homburg (2001), “Mối quan hệ giữa người mua-người
——— và Nada I. Nasr (1998), “Giá trị trọn đời của khách hàng: Các mô hình và bán và chi phí của công ty khách hàng,” Tạp chí Tiếp thị, 65 (Tháng 1), 29–

ứng dụng tiếp thị,” Tạp chí Tiếp thị tương tác, 12 (Mùa đông), 17–30. 43.

Cowles, Mary K. và Bradley P. Carlin (1996), “Chẩn đoán hội tụ Monte Carlo của

Blattberg, Robert C. và John Deighton (1996), “Quản lý tiếp thị bằng kiểm tra chuỗi Markov: Đánh giá so sánh,” Tạp chí của Hiệp hội Thống kê Hoa Kỳ, 91

giá trị công bằng của khách hàng,” Harvard Business Review, 74 (Tháng 7– (tháng 6), 883–904.

Tháng 8), 136–44.

124/ Tạp chí Marketing, tháng 10 năm 2004

Machine Translated by Google
Del Moral, P. và L. Miclo (2001), “Kết quả tiệm cận cho thuật toán di
truyền với các ứng dụng cho ước lượng phi tuyến tính,” trong Các
khía cạnh lý thuyết của tính toán tiến hóa, L.
Kallel, B. Naudts, và A. Rogers, biên tập. Berlin: Springer-Verlag,
439–94.
Dhar, Ravi và Rashi Glazer (2003), “Bảo hiểm rủi ro cho khách hàng,”
Har-vard Business Review, 81 (tháng 5), 3–8.
Dorsey, Robert E. và Walter J. Mayer (1995), “Thuật toán di truyền cho
các vấn đề ước tính với nhiều Optima,” Tạp chí Thống kê Kinh tế và
Kinh doanh, 13 (1), 53–67.
Dwyer, Robert F., Paul H. Schurr, và Sejo Oh (1987), “Phát triển mối
quan hệ người mua-người bán,” Tạp chí Tiếp thị, 51 (tháng 4), 11–27.
Fournier, Susan, Susan Dobscha và David Glen Mick (1997), “Ngăn chặn sự
chết sớm của tiếp thị mối quan hệ,”
Harvard Business Review, 75 (tháng 1–tháng 2), 2–8.
Ganesan, Shankar (1994), “Các yếu tố quyết định định hướng dài hạn
trong mối quan hệ người mua-người bán,” Tạp chí Tiếp thị, 58 (Tháng
4), 1–19.
Gelman, A. và DB Rubin (1992), “Suy luận từ mô phỏng lặp lại bằng cách sử dụng
nhiều chuỗi,” Khoa học thống kê, 7 (3), 457–511.
Goldberg, David E. (1989), “Thuật toán di truyền đơn giản,” trong Thuật
toán di truyền trong tối ưu hóa tìm kiếm và học máy. Boston: Addison-
Wesley Longman, 10–14.
Grewal, Rajdeep, James M. Corner, và Raj Mehta (2001), “Một cuộc điều
tra về tiền đề của sự tham gia của tổ chức vào thị trường điện tử
giữa doanh nghiệp với doanh nghiệp,” Tạp chí Tiếp thị, 65 (tháng 7),
17–34.
Gupta, Sunil (1988), “Tác động của khuyến mãi bán hàng đến việc mua khi
nào, cái gì và bao nhiêu,” Tạp chí Nghiên cứu Tiếp thị, 25 (tháng
11), 342–55.
Hogan, John E., Donald R. Lehmann, Mario Merino, Rajendra K.
Srivastava, Jacquelyn S. Thomas, và Peter C. Verhoef (2002), “Liên
kết tài sản của khách hàng với hiệu quả tài chính,” Tạp chí nghiên
cứu dịch vụ, 5 (tháng 8), 26–38.
Jap, Sandy D. (2001), “Vai trò chiến lược của lực lượng bán hàng trong việc phát
triển sự hài lòng của khách hàng trong suốt vòng đời mối quan hệ,” Tạp chí
Bán hàng Cá nhân & Quản lý Bán hàng, 21 (2), 95–108.
Kamakura, Wagner và Gary Russell (1989), “Mô hình lựa chọn xác suất cho
phân khúc thị trường và cấu trúc co giãn,” Tạp chí Nghiên cứu Tiếp
thị, 26 (Tháng 11), 379–90.
Liang, Faming và Wing Hung Wong (2001), “Monte Carlo tiến hóa tham số
thực với ứng dụng cho các mô hình hỗn hợp Bayesian,” Tạp chí của
Hiệp hội Thống kê Hoa Kỳ, 96 (454), 653–66.
Libai, Barak, Das Narayandas và Clive Humby (2002), “Hướng tới mô hình
sinh lời của khách hàng cá nhân: Phương pháp tiếp cận dựa trên phân
khúc,” Tạp chí nghiên cứu dịch vụ, 5 (1), 69–76.
Midley, David F., Robert E. Marks, và Lee G. Cooper (1997), “Chiến lược
cạnh tranh nhân giống,” Khoa học quản lý, 43 (3), 257–75.
Mohr, Jakki và John R. Nevin (1990), “Chiến lược truyền thông trong các
kênh tiếp thị: Một quan điểm lý thuyết,” Tạp chí tiếp thị, 54 (tháng
10), 36–51.
Morgan, Robert M. và Shelby D. Hunt (1994), “Lý thuyết về sự cam kết-tin
cậy của tiếp thị mối quan hệ,” Tạp chí tiếp thị, 58 (tháng 7), 20–
38.
In lại với sự cho phép của Tạp chí Tiếp thị, do Hiệp hội Tiếp thị Hoa Kỳ xuất bản.
Naik, Prasad A., Murali K. Mantrala, và Alan G. Sawyer (1998), “Lập lịch
trình truyền thông với sự hiện diện của chất lượng quảng cáo năng
động,” Khoa học tiếp thị, 17 (3), 214–35.
Nash, Edward L. (1993), Tiếp thị cơ sở dữ liệu: Công cụ tiếp thị tối
ưu. New York: McGraw-Hill.
Neal, Radford M. (2000), “Lấy mẫu theo lát,” Báo cáo kỹ thuật số.
2005, Khoa Thống kê, Đại học Toronto.
Newton, MA và AE Raferty (1994), “Suy luận Bayes gần đúng với Bootstrap
khả năng có trọng số,” Tạp chí của Hiệp hội Thống kê Hoàng gia, (Loạt
B, 56), 3–48.
Niraj, Rakesh, Mahendra Gupta, và Chakravarthi Narasimhan (2001), “Khả
năng sinh lời của khách hàng trong chuỗi cung ứng,” Tạp chí Tiếp
thị, 65 (tháng 7), 1–16.
Reinartz, Werner J. và V. Kumar (2000), “Về lợi nhuận của những khách
hàng lâu năm trong môi trường không có hợp đồng: Một cuộc điều tra
thực nghiệm và những tác động đối với hoạt động tiếp thị,” Tạp chí
Tiếp thị, 64 (Tháng 10), 17–35 .
——— và ——— (2002), “Quản lý sai lầm lòng trung thành của khách hàng,”
Harvard Business Review, 80 (7), 86–94. ——— và ———
(2003), “Tác động của các đặc điểm quan hệ khách hàng đến thời gian tồn
tại có lợi nhuận,” Tạp chí Tiếp thị, 67 (Tháng 1), 77–99.
Rindfleisch, Aric và Jan B. Heide (1997), “Phân tích chi phí giao dịch:
Ứng dụng trong quá khứ, hiện tại và tương lai,” Tạp chí Tiếp thị, 61
(Tháng 10), 30–55.
Roberts, Mary Lou và Paul Berger (1999), Quản lý tiếp thị trực tiếp,
tái bản lần thứ 2. Thượng Saddle River, NJ: Hội trường Prentice.
Rust, Roland T., Valarie A. Zeithaml, và Katherine N. Lemon (2004), “Lợi
nhuận từ tiếp thị: Sử dụng giá trị tài sản của khách hàng để tập
trung vào chiến lược tiếp thị,” Tạp chí tiếp thị, 68 (tháng 1), 23–
53.
Sawhney, Mohanbir (2001), “Đừng đồng nhất hóa, hãy đồng bộ hóa,”
Harvard Business Review, 81 (tháng 7–tháng 8), 101–108.
Schmittlein, David và Donald G. Morrison (1985), “Khách hàng có còn
sống không?” Nhà thống kê Mỹ, 39 (4), 291–95. ——— và Robert A.
Peterson (1994), “Phân tích cơ sở khách hàng: Ứng dụng quy trình mua
hàng công nghiệp,” Khoa học tiếp thị, 13 (1), 41–67.
Shepard, David (2001), Tiếp thị trực tiếp mới: Cách xây dựng chiến lược tiếp
thị cơ sở dữ liệu hướng tới lợi nhuận, 3d ed. New York: McGraw-Hill.
Sheth, Jagdish N. và Atul Parvatiyar (1995), “Mối quan hệ trong thị
trường tiêu dùng: Tiền đề và hậu quả,” Tạp chí của Viện Khoa học
Tiếp thị, 23 (4), 255–71.
Tellis, Gerard và Fred Zufryden (1995), “Giải quyết mê cung quyết định
của nhà bán lẻ: Giảm giá thương hiệu nào, bao nhiêu, khi nào và tại
sao?” Khoa học Tiếp thị, 14 (3), 271–300.
Thompson, Bob (2001), “CRM và Internet: Các chiến lược tiên tiến hàng
đầu cho thế giới đa kênh,” (truy cập ngày 19 tháng 5 năm 2004), [có
sẵn tại http://www.businessweek.com/adsections/care/crm /crm_index.htm].
Venkatesan, Rajkumar, Trichy V. Krishnan và V. Kumar (2004), “Ước tính
tiến hóa của các mô hình khuếch tán cấp vĩ mô,”
Khoa học tiếp thị, sắp xuất bản.
Villas-Boas, Miguel J. và Russell S. Winer (1999), “Tính nội sinh trong
các mô hình lựa chọn thương hiệu,” Khoa học quản lý, 45 (10), 1324–
38.
Khung giá trị trọn đời của khách hàng / 125