Çok kategorili e-ticaret şirketleri için makine öğrenimi kullanarak 360° müşteri yaşam boyu değer tahmini

E-ticaret şirketleri tarafından kullanılan mevcut Müşteri Yaşam Boyu Değer (CLV) tahmin yöntemleri, yalnızca birden fazla işlem verisine sahip mevcut müşteriler olan belirli bir müşteri grubuna odaklanmakta ve bu nedenle tek seferlik satın alan yeni müşterilerin değerlerini hesaplayamamaktadır. Bu sebeple, bu şirketlerin yönetim kadroları, tüm müşterilerini ve şirketin değerlemesini yaparken yetersiz kalmaktadır. Bu soruna bir çözüm olarak, bu çalışmada, çok kategorili perakende e-ticaret şirketlerinin pazarlama yönetiminde CLV modellerinin öngörülmesi ve uygulanması için yeni bir 360° bütünsel yöntem geliştirmeyi amaçladık. Buna ek olarak gelecekte hangi müşterilerin en yüksek geliri getireceğini belirlemek için CLV'ye ek olarak iki yeni faktör (farklı ürün kategorisi (DPC) ve harcanan miktarın trendi (TAS)) ekleyerek mevcut kullanıcılar için CLV'yi tahmin etmek için kullanılan bu yöntemleri genişlettik. Bu iki yeni faktörü, pazarlama ilişki teorisini genişleterek oluşturduk. CLV, DPC ve TAS'ı birlikte tahmin ederken önerilen yapıyı test etmek için ilgili literatürde ilk kez CLV tahmini için çoklu tahminli bir derin sinir ağı (DNN) modelini kullandık. Bu sonucu gerçek hayatta uygulanabilir kılmak için, çok kategorili e-ticaret şirketlerinin son kullanıcıları üç değişkene göre gruplara ayırmasına olanak tanıyan müşteri kümeleri oluşturduk. Önerilen modelin çok kategorili e-ticaret firmalarının yöneticilerinin, kaynaklarını belirli müşteri türlerinin kârlılıklarına göre farklı şekilde dağıtarak operasyonlarını daha verimli bir şekilde planlamasına yardımcı sonuçlarına vardık.