Evaluating user segments for predicting Customer Lifetime Value

• Victória C. S. Rodrigues UFV
• João M. Ramos UFV / Manna Team
• Fabrício A. Silva UFV / Manna Team
• Linnyer B. R. Aylon UEM / Manna Team

DOI: https://doi.org/10.5753/eniac.2024.245073

Resumo

O Customer Lifetime Value (CLV) é fundamental para as operações comerciais, oferecendo uma compreensão abrangente do valor do cliente ao longo do tempo. Este estudo busca avaliar o impacto da segmentação dos clientes na previsão do CLV, utilizando modelos de aprendizado de máquina estabelecidos na literatura para estimar o número de transações e o valor monetário médio em três conjuntos de dados distintos. Foi feita uma análise comparativa dos valores relativos ao número de transações e ao valor médio monetário em dois cenários distintos: um em que o modelo é treinado exclusivamente com as características de cada segmento e outro em que é treinado com todos os dados. Os resultados obtidos revelam que a segmentação de clientes pode melhorar a precisão das previsões, e que a escolha entre segmentar os clientes e treinamento com todos os dados deve ser baseada nas características específicas do conjunto de dados e na natureza dos mesmos.

Palavras-chave: CLV, LTV, Aprendizado de Máquina

Referências

Online Retail. UCI Machine Learning Repository, 2015. DOI: 10.24432/C5BW33.

AutoresOmitidosparaRevisão. Título Omitido para Revisão. In Local de Publicação Omitido para Revisão.

Daqing Chen. Online Retail II. UCI Machine Learning Repository, 2019. DOI: 10.24432/C5CG6D.

Xinqian Dai. Customer lifetime value analysis based on machine learning. In Proceedings of the 6th International Conference on Information System and Data Mining, ICISDM ’22, page 13–17, New York, NY, USA, 2022. Association for Computing Machinery. ISBN 9781450396257. DOI: 10.1145/3546157.3546160.

Peter S Fader, Bruce GS Hardie, and Ka Lok Lee. Rfm and clv: Using iso-value curves for customer base analysis. Journal of marketing research, 42(4):415–430, 2005.

Philip Hans Franses. A note on the mean absolute scaled error. International Journal of Forecasting, 32(1):20–22, 2016. ISSN 0169-2070. DOI: 10.1016/j.ijforecast.2015.03.008. URL [link].

Ankit Kumar, K. Singh, Gaurav Kumar, Tanupriya Choudhury, and K. Kotecha. Customer lifetime value prediction: Using machine learning to forecast clv and enhance customer relationship management. 2023 7th International Symposium on Multidisciplinary Studies and Innovative Technologies (ISMSIT), pages 1–7, 2023. DOI: 10.1109/ISMSIT58785.2023.10304958.

Edward Malthouse and Frank Mulhern. Understanding and using customer loyalty and customer value. Journal of Relationship Marketing, 6(3-4):59–86, 2008.

Ina Maryani and Dwiza Riana. Clustering and profiling of customers using rfm for customer relationship management recommendations. In 2017 5th International Conference on Cyber and IT Service Management (CITSM), pages 1–6. IEEE, 2017.

Roland T Rust, Valarie Zeithaml, and Katherine N Lemon. O valor do cliente: o modelo que está reformulando a estratégia corporativa. Bookman, 2001.

Adrian Sargeant. Using donor lifetime value to inform fundraising strategy. Nonprofit Management and Leadership, 12(1):25–38, 2001.

Arun Sharma. The metrics of relationships: measuring satisfaction, loyalty and profitability of relational customers. Journal of Relationship Marketing, 6(2):33–50, 2007.

Raphael Albuquerque Xavier SILVA. Estudo de caso sobre aplicações de modelos clássicos de previsão de demanda para uma empresa de delivery de alimentos. B.S. thesis, 2023.

Yuechi Sun, Haiyan Liu, and Yu Gao. Research on customer lifetime value based on machine learning algorithms and customer relationship management analysis model. Heliyon, 9(2), 2023.

B V Vishwas and Ashish Patel. Hands-on Time Series Analysis with Python: From Basics to Bleeding Edge Techniques. Apress, 2020.