Danh mục DANH MỤC LÀ GÌ? Một catalogue đôi khi lên tới 800 trang được một công ty gửi đi hoặc được các đại lý địa phương của công ty giao tận tay. Theo định nghĩa, hoạt động theo danh mục là một giải pháp thay thế cho chuỗi cửa hàng bán lẻ. (Đặt hàng qua thư ngoài việc bán hàng thông qua các cửa hàng bán lẻ.) Việc sản xuất một catalogue không hề rẻ. Khách hàng thoải mái lựa chọn sản phẩm, đặt hàng qua đại lý hoặc qua đường bưu điện, điện thoại, fax hoặc email. Mục đích của catalog là để bán hàng. Phần lớn các danh mục dành cho người tiêu dùng thuộc về các dòng sản phẩm quần áo. Những người chơi chính, để duy trì tính cạnh tranh, đang cung cấp các dòng sản phẩm độc quyền (của các nhà thiết kế chuyên nghiệp). Danh mục sản phẩm kinh doanh cũng tồn tại để bán các sản phẩm công nghiệp và an toàn. Nhiều công ty hiện cung cấp những gì có thể được gọi là catalogue, nhưng thực chất là một tập tài liệu quảng cáo về các loại sản phẩm của họ, như một cách đặt hàng qua thư thay thế cho việc ghé thăm một cửa hàng hoặc cửa hàng thương mại. Thông thường, tập tài liệu đặt hàng qua thư bao gồm tuyển tập các mặt hàng có sẵn trong cửa hàng hoặc cửa hàng thương mại. Danh mục điện tử có sẵn trên Internet. Việc tải xuống ban đầu của danh mục cơ bản được thực hiện. Khi khách hàng mở trang Web thì thông tin bổ sung và giá cả sẽ được thêm vào danh mục cơ bản. Đơn đặt hàng và thanh toán được thực hiện bằng điện tử. Các danh mục hiện được sản xuất dưới dạng điện tử ở định dạng CD ROM cũng như trên Internet. Một số công ty cung cấp trợ giúp thiết kế danh mục trên Internet hoặc chia sẻ danh mục đặc biệt là tiếp thị toàn châu Âu cho các cửa hàng bán lẻ.
Trang 1Machine Translated by Google
Tạp chí Nghiên cứu Hoạt động Châu Âu 195 (2009) 1–16
Danh sách nội dung có sẵn tại ScienceDirect
Tạp chí nghiên cứu hoạt động châu Âu trang chủ tạp chí: www.elsevier.com/locate/ejor
Đánh giá được mời
Các mô hình định lượng cho tiếp thị trực tiếp: Đánh giá từ góc độ hệ thống Indranil Bose
Một Trường Kinh doanh, Đại học Hồng Kông, Đường Pokfulam, Hồng Kông, Trung Quốc b
Trường Quản lý, Đại học Chiết Giang, Hàng Châu, Trung Quốc
Lịch sử bài viết: Nhận ngày 9 tháng 9 năm 2006 Được chấp nhận ngày 1 tháng 4 năm 2008Có sẵn trực tuyến ngày 9 tháng 4 năm 2008 Đánh giá hiệu suất
Trong bài viết này, các mô hình định lượng cho các mô hình tiếp thị trực tiếp được xem xét từ góc độ hệ thống Quan điểm hệ thống bao gồm đầu vào, xử lý, đầu ra và sáu hoạt động chính của tiếp thị trực tiếp diễn ra trong các bộ phận cấu thành này Cuộc thảo luận về đầu vào cho các mô hình tiếp thị trực tiếp được cung
cấp bằng cách mô tả các loại dữ liệu khác nhau được sử dụng, bằng cách xác định tầm quan trọng của dữ liệu và bằng cách giải quyết vấn đề lựa chọn dữ liệu thích hợp Hai loại mô hình, dựa trên thống kê và học máy, được sử dụng phổ
biến để tiến hành các hoạt động tiếp thị trực tiếp Những ưu điểm và nhược điểm của hai phương pháp này sẽ được thảo luận cùng với những cải tiến của các mô hình này Đánh giá
đầu ra cho các mô hình tiếp thị trực tiếp được thực hiện trên cơ sở tính chính xác và lợi nhuận Một số thách thức khi tiến hành nghiên cứu trong lĩnh vực các mô hình tiếp thị trực tiếp định lượng được liệt kê và một số
câu hỏi nghiên cứu được đề xuất.
2008 Elsevier BV Mọi quyền được bảo lưu.
1 Giới thiệu
Đối với quảng cáo và khuyến mãi sản phẩm, chủ yếu có hai
phương pháp tiếp cận được sử dụng trong thực tế: tiếp thị đại chúng và tiếp thị trực tiếp tiếp thị Tiếp thị đại chúng sử dụng các phương tiện thông tin đại chúng để phát sóng thông tin liên quan đến sản phẩm cho khách hàng hiện tại cũng như khách hàng tiềm năng Các
phương tiện truyền thông đại chúng được các nhà tiếp thị sử dụng bao gồm truyền hình, đài phát thanh, tạp chí, báo Tiếp thị đại chúng nhắm vào các nhóm lớn
của khách hàng Không phân biệt đối xử giữa các khách hàng trong
một nhóm và thông tin cung cấp cho khách hàng là thống nhất Tiếp thị trực tiếp khác với tiếp thị đại chúng ở chỗ nó nhắm tới
cá nhân hoặc hộ gia đình Những khách hàng khác nhau phải chịu những thông tin tiếp thị khác nhau Hiệp hội tiếp thị trực tiếp
(DMA) định nghĩa tiếp thị trực tiếp là '' truyền thông trong đó
dữ liệu được sử dụng một cách có hệ thống để đạt được hoạt động tiếp thị có thể định lượng mục tiêu và nơi liên hệ trực tiếp được thực hiện hoặc được mời giữa
một công ty và các khách hàng cũng như khách hàng tiềm năng của nó” Roddy (2002) định nghĩa tiếp thị trực tiếp là “việc cung cấp một thông tin tiếp thị thông điệp hoặc đề xuất tới khách hàng mục tiêu hoặc khách hàng tiềm năng, theo hình thức có lợi cho khách hàng, được cung cấp cho khách hàng từ người bán hoặc đại lý của người bán (kể cả tổng đài) mà không có người trung gian hoặc phương tiện truyền thông gián tiếp tham gia” Từ hai
định nghĩa, rõ ràng là tiếp thị trực tiếp phân loại khách hàng để quảng cáo và khuyến mại được cá nhân hóa hoạt động có thể hướng tới các nhóm khách hàng cụ thể Trực tiếp
marketing ngày càng trở nên quan trọng hiện nay Barwise và Far-ley (2005) báo cáo rằng ở một số nước châu Âu, chi tiêu
* Đồng tác giả ĐT: +86 571 88206858; fax: +852 2858 5614.
Địa chỉ email: bose@business.hku.hk (I Bose), tigychen@gmail.com (X.Chen).
về tiếp thị trực tiếp đã tăng từ năm 2001 đến năm 2004 Ví dụ, tốc độ tăng là 14,6% ở Đức, 73,6% ở Anh, và 5,5% ở Pháp tương ứng Chi phí tiếp thị trực tiếp trong Mỹ cũng khá đáng kể Theo
một báo cáo được đưa ra
bởi Hiệp hội Tiếp thị Trực tiếp ( Johnson và Frankel, 2005), tổng chi phí quảng cáo tiếp thị trực tiếp năm 2005 là khoảng
161,3 tỷ USD Điều này dự kiến sẽ mang lại doanh thu tăng thêm 1,85 nghìn tỷ USD trong năm 2005, chiếm 7% trong tổng số 26 nghìn tỷ USD.
bán hàng ở Mỹ Hoạt động tiếp thị trực tiếp chiếm 10,3%
GDP của Mỹ năm 2005 Tiếp thị trực tiếp được đánh dấu bằng hiệu quả cao Nó
ước tính rằng vào năm 2005, tỷ suất lợi nhuận trung bình của khoản đầu tư 1 đô la vào quảng cáo tiếp thị trực tiếp là khoảng 11,49 đô la trên toàn quốc.
tất cả các ngành công nghiệp Khi so sánh với tỷ suất lợi nhuận là 10,99 USD trong 2003 và 10 USD vào năm 1999, có thể nói rằng khả năng sinh lời của
quảng cáo tiếp thị đang phát triển với tốc độ nhanh chóng Tiếp thị trực tiếp là đặc biệt mang lại lợi nhuận cho việc tiếp thị trực tiếp của người tiêu dùng Đối với năm 2005, đó là
kỳ vọng rằng, trung bình, 1 USD chi tiêu cho tiếp thị trực tiếp cho người tiêu dùng sẽ mang lại 12,66 USD so với 10,10 USD cho tiếp thị trực tiếp B2B Việc sử dụng Internet đã làm giảm chi phí hoạt động cho
các nhà tiếp thị trực tiếp và do đó thậm chí tỷ lệ phản hồi thấp từ khách hàng thường đủ để đảm bảo sự thành công của một chiến dịch tiếp thị Gopal và cộng sự (2001) báo cáo rằng thương mại không được yêu cầu
email trở nên hiệu quả về mặt chi phí với tỷ lệ phản hồi thấp 0,5% Do sự phổ biến ngày càng tăng của tiếp thị trực tiếp trong ngành,
mối quan tâm học thuật và nghiên cứu về tiếp thị trực tiếp đang phát triển mạnh mẽ Các mô hình tiếp thị trực tiếp tinh vi có thể giúp các nhà tiếp thị
thực hiện các chiến dịch tiếp thị trực tiếp một cách hiệu quả Elsner và cộng sự (2003) đã báo cáo trường hợp của Rhenania, một công ty tiếp thị trực tiếp,
liên tục tăng giá trên thị trường sau khi áp dụng Phương pháp tiếp cận mô hình đa cấp động Theo Nash
0377-2217/$ - xem mặt trước 2008 Elsevier BV Mọi quyền được bảo lưu doi:10.1016/j.ejor.2008.04.006
Trang 2(1984), sự thành công của chiến dịch gửi thư trực tiếp phụ thuộc vào lời đề nghị, các yếu tố giao tiếp, thời gian và lựa chọn khách hàng Bốn vấn đề do Nash đề xuất là động lực chính
các yếu tố nghiên cứu trong lĩnh vực mô hình định lượng cho trực tiếp tiếp thị Trong khi Nash (1984) chỉ nói về một đầu của cơ chế trực tiếp
tiếp thị, các nhà tiếp thị Rao và Steckel (1995) đã đề xuất một khuôn khổ khái niệm về tiếp thị trực tiếp cũng bao gồm đầu kia của tiếp thị trực tiếp, khách hàng Trong khuôn khổ của họ, các hoạt động chính mà khách
hàng tham gia là nhận lời mời chào
và quyết định có nên mua hay không Những hoạt động đó của khách hàng cập nhật thông tin của các nhà tiếp thị và ảnh hưởng đến các quyết định
của các nhà tiếp thị Nói chung, các mô hình định lượng dành cho tiếp thị trực tiếp tận dụng các đặc điểm và phản ứng của khách hàng.
để giúp các nhà tiếp thị đưa ra quyết định liên quan đến tiếp thị trực tiếp các hoạt động.
Bài viết này xem xét nghiên cứu trong lĩnh vực mô hình định lượng để tiếp thị trực tiếp Trong bối cảnh của bài viết, chúng tôi đã định nghĩa các
khách hàng bắt đầu khi các nhà tiếp thị trực tiếp gửi lời chào mời tới khách hàng nhằm mục đích bán sản phẩm hoặc dịch vụ Sau khi nhận được lời chào hàng, khách hàng cần quyết định có nên mua hay không
sản phẩm được đề xuất hay không Bằng cách quan sát phản hồi từ
khách hàng (tức là mua hay không mua), các nhà tiếp thị trực tiếp điều chỉnh chiến lược của họ và thực hiện các vòng hoạt động tiếp thị trực tiếp mới.
Trong tiếp thị trực tiếp, các hoạt động sau đây diễn ra tuần tự Các Hoạt động đầu tiên là thu thập dữ liệu khách hàng Vì doanh thu của tiếp thị trực tiếp phụ thuộc vào số lượng khách hàng phản hồi với
chào mời, lựa chọn khách hàng mục tiêu là hoạt động quan trọng tiếp theo của marketing trực tiếp Trước khi lựa chọn mục tiêu, thường
việc lập hồ sơ khách hàng phức tạp được tiến hành để giúp việc lựa chọn hiệu quả hơn Việc lựa chọn cần phải được tối ưu hóa để đáp ứng các yêu cầu kinh doanh khác nhau và tối đa hóa lợi nhuận được tạo ra.
doanh thu Hoạt động cuối cùng là đánh giá hiệu quả hoạt động tiếp thị trực tiếp.
pháp khai thác dữ liệu dựa trên học tập cho tiếp thị trực tiếp Chúng tôi lần đầu tiên xác định một loạt các hoạt động được thực hiện trong tiếp thị trực tiếp.
Sau đó, chúng tôi nhóm các hoạt động đó thành đầu vào, xử lý và đầu ra; ba cấu trúc cơ bản của một hệ thống (Wasson, 2006) Nó đơn giản
mô tả nhưng có tính khái quát cao Để bổ sung cho
tính chất trừu tượng của mô hình đầu vào-xử lý-đầu ra, việc xem xét được thực hiện bằng cách trả lời một cách có hệ thống một số nghiên cứu
những câu hỏi mà các nhà tiếp thị trực tiếp sẽ phải đối mặt khi thực hiện thực hiện các chiến dịch tiếp thị trực tiếp thực tế như trong Hình 1.
2 Hoạt động tiếp thị trực tiếp
Tiếp thị trực tiếp phát triển sự tương tác giữa một công ty và khách hàng của nó Một sự tương tác điển hình giữa các nhà tiếp thị trực tiếp và
Các nhà tiếp thị trực tiếp quan tâm đến loại dữ liệu nào cần thu thập về khách hàng mà có thể tiết lộ thông tin có ý nghĩa về
sở thích của khách hàng Vì dữ liệu có sẵn dễ dàng nên chúng không lo lắng về phương pháp thu thập dữ liệu nhưng đồng thời
họ muốn đảm bảo rằng dữ liệu được thu thập là sạch sẽ, có ý nghĩa, và đủ Các câu hỏi nghiên cứu chính liên quan đến vấn đề này
hoạt động là Loại dữ liệu nào được sử dụng? Ý nghĩa của các loại dữ liệu khác nhau là gì? Nhà tiếp thị có thể lựa chọn như thế nào
số liệu phù hợp nhất?
Lựa chọn khách hàng mục tiêu là hoạt động cốt lõi của tiếp thị trực tiếp.
Mục tiêu có thể là một cá nhân Cũng có thể là một hộ gia đình (Bult, 1993; Bult và
Những câu hỏi cần được trả lời bằng các mô hình định lượng trong tiếp thị trực tiếp: Ai nên được chọn làm mục tiêu cho tiếp thị trực tiếp? Những kỹ thuật nào nên được sử dụng để lựa chọn mục tiêu?
Thông thường, điểm số được tạo ra cho một khách hàng cá nhân bởi
các kỹ thuật chọn lọc Điểm số có thể lấy một giá trị nhị phân như một hoặc 0 cho biết khách hàng có phản hồi hay không Nó
cũng có thể lấy một giá trị số nguyên đại diện cho số lượng hoặc loại của sản phẩm mà khách hàng sẽ mua Điểm số cũng có thể mất một
giá trị liên tục giữa 0 và 1 do đó đại diện cho
xác suất khách hàng sẽ hoàn tất việc mua hàng hoặc một giá trị đại diện cho doanh thu mà khách hàng có thể tạo ra Ở đó
là ba loại doanh thu do khách hàng tạo ra trực tiếp mô hình tiếp thị cố gắng ước tính Đầu tiên là số tiền
một khách hàng có thể chi tiêu để đáp lại lời mời chào Thư hai là giá trị tiền tệ dự kiến của chi tiêu của khách hàng
được đo bằng cách nhân xác suất phản hồi với doanh thu.
Thước đo doanh thu thứ ba là giá trị vòng đời (LTV) của khách hàng, thước đo này chủ yếu được sử dụng trong các vấn đề gửi nhiều thư LTV được tính bằng tổng số tiền mà khách hàng có thể
chi tiêu để đáp lại tất cả những lời mời chào hiện tại và tương lai Tuy nhiên, Ngoài doanh thu do khách hàng tạo ra, nó còn là
quan trọng là phải xem xét chi phí của việc chào mời Chi phí chào mời quá cao có thể bù đắp doanh thu do khách hàng tạo ra,
dẫn đến đóng góp tiêu cực cho khách hàng.
Hình 1 Quan điểm hệ thống của các mô hình tiếp thị trực tiếp.
Câu hỏi nghiên cứu chính liên quan đến chủ đề này: Làm thế nào
Các nhà tiếp thị có nên lập hồ sơ khách hàng để lựa chọn mục tiêu hiệu quả? Lập hồ sơ khách hàng bao gồm phân nhóm khách hàng và nhận dạng mẫu khách hàng Nhóm khách hàng nhóm các khách hàng tương tự lại với nhau và tách biệt những khách hàng khác nhau Phân nhóm khách hàng cho phép
Đầu vào
Loại dữ liệu nào được sử dụng? Thu thập dữ liệu Tầm quan trọng của các loại dữ liệu khác nhau là gì? Làm thế nào các nhà tiếp thị có thể chọn dữ liệu phù hợp?
Xử lý
chọn khách hàng mục tiêu Chọn ai và chọn như thế nào?
Những sản phẩm hoặc dịch vụ nào nên được Bán chéo và bán thêmcung cấp cho khách hàng?
Lập kế hoạch chiến lược tiếp
thị trực tiếp
Làm thế nào các hoạt động tiếp thị trực tiếp có thể đáp ứng được
yêu cầu kinh doanh? Gửi thư một lần có đủ không?
đầu ra
hình có chính xác không? Đánh giá hiệu suất
Mô hình có mang lại lợi nhuận không?
Trang 3Machine Translated by Google
phân tích sâu hơn về nhóm khách hàng hoặc phân khúc nhỏ hơn đại diện cho các thị trường phụ khác nhau cho sản phẩm Các mô hình lựa chọn khác nhau có thể được xây dựng cho các phân khúc khác nhau Nhận dạng mẫu khách hàng xác định mối quan hệ giữa các đặc điểm khác nhau của khách hàng Phân tích giỏ thị trường xác định những gì khách hàng mua cùng lúc và thiết lập mối quan hệ giữa các mặt hàng đó.
Đây là một loại phương pháp nhận dạng mẫu khách hàng thể hiện sở thích của khách hàng và tốt hơn việc kiểm tra hồ sơ mua hàng của khách hàng đối với một mặt hàng.
Từ hồ sơ giao dịch của khách hàng, người làm tiếp thị có thể biết trước đây họ đã mua những gì Đây là một cách trực tiếp và dễ dàng để quyết định những gì sẽ được cung cấp cho khách hàng trong một cuộc chào mời Tuy nhiên, chỉ tiếp thị
những sản phẩm đã có trong hồ sơ giao dịch của khách hàng tới khách hàng là chưa đủ Các nhà tiếp thị cần khám phá nhu cầu thay đổi của khách hàng và sau đó quyết định nên cung cấp sản phẩm hoặc dịch vụ nào cho khách hàng mục tiêu Hai trong số các chiến lược tiếp thị được sử dụng phổ biến nhất là bán kèm và bán thêm Bán chéo là hoạt động gợi ý các sản phẩm hoặc dịch vụ tương tự cho khách hàng có khả năng mua thứ gì đó Điều này có thể bao gồm việc hiển thị danh sách sách trên một trang Web tương tự với danh sách được mua bởi những khách hàng khác có cùng sở thích với khách hàng Trên thực tế, Amazon.com giới thiệu sách cho khách hàng theo
cách này Bán thêm là hoạt động đề xuất sản phẩm hoặc dịch vụ (với giá cao hơn, nhiều tính năng hơn và chất lượng tốt hơn) cho khách hàng đang cân nhắc mua hàng,
chẳng hạn như tư cách thành viên phòng tập thể dục với nhiều đặc quyền hơn hoặc máy tính nhanh hơn Cả hoạt động bán chéo và bán thêm đều liên quan đến việc ước tính hành vi mua tiềm năng của khách hàng dựa trên hồ sơ tinh vi như phân tích giỏ hàng thị trường để khám phá các mô hình sở thích hiện có của khách hàng.
2.5 Lập kế hoạch chiến lược tiếp thị trực tiếp
các đặc điểm đồ họa, lối sống và xã hội học (Bult, 1993; Bult và Wittink, 1996) Dữ liệu nhân khẩu học bao gồm độ tuổi, giới tính, quy mô gia đình của khách hàng,
v.v Dữ liệu về lối sống bao gồm thói quen của khách hàng, đặt tạp chí nhất định,
sở thích giải trí, v.v Dữ liệu địa lý bao gồm vị trí nhà, văn phòng và cơ sở kinh doanh của khách hàng Ba loại dữ liệu này được gọi là dữ liệu bên ngoài (Van der Sheer, 1998).
Loại dữ liệu thứ hai bao gồm hành vi tương tác của khách hàng với các nhà tiếp thị Dữ liệu về hành vi của khách hàng bao gồm các tùy
chỉnh-hồ sơ giao dịch của người dùng, phản chỉnh-hồi từ khách hàng và chỉnh-hồ sơ duyệt Web Các
biến RFM thường được sử dụng thường được trích từ hồ sơ giao dịch của khách hàng (Baumgartner và Hruschka, 2005; Bhattacharyya, 2000; Bitran và Mondschein, 1996; Bult và Wansbeek, 1995; Colombo và Jiang, 1999; Cui và cộng sự, 2006 ; Gonul và Shi, 1998; Jonker và cộng sự, 2004; Malthouse, 1999; Piersma và Jonker, 2004; Suh và cộng sự, 1999;
cùng của khách hàng hoặc số lần chào mời liên tiếp mà không có phản hồi từ khách hàng sau lần mua hàng cuối cùng F là viết tắt của 'tần suất' hoặc số lượng sản phẩm được khách hàng
mua trong một khoảng thời gian M là viết tắt của “tiền tệ” thể hiện giá trị bằng tiền của hoạt động mua hàng của khách hàng trong một thời gian nhất định hoặc trong giao dịch mua hàng gần đây nhất Thông tin RFM giúp ước tính xác suất khách hàng sẽ mua một sản phẩm nào đó Phản hồi của khách hàng đối với nhà tiếp thị cũng được các nhà nghiên cứu sử dụng để khám phá thái độ của khách hàng đối với sản phẩm hoặc dịch vụ (Bult và cộng sự, 1997; Ha và cộng sự, 2005;
thương mại điện tử, các nhà tiếp thị thường thực hiện các hoạt động tiếp thị trực tuyến Các công ty thương mại điện tử, chẳng hạn như
Amazon.com, liệt kê các sản phẩm trên trang web của họ với các mô tả và giá cả liên quan Đôi khi còn có các liên kết tới các trang Web của các sản phẩm tương tự Khi khách hàng muốn mua một sản phẩm, họ có thể duyệt qua các trang Web để thu thập đủ thông tin so sánh và sau đó gửi đơn đặt hàng trực tuyến sau khi đưa ra quyết định Hành vi duyệt và mua hàng phản ánh sở thích và sở thích của khách hàng Dữ liệu về hành vi duyệt web của khách hàng bao gồm địa chỉ IP, hệ điều hành, từ khóa được sử dụng để tìm kiếm, URL của các trang Web đã truy cập, thời gian truy cập trang và khoảng thời gian dành cho một trang Web.
Tiếp thị trực tiếp là một hoạt động kinh doanh không phải là sự kiện diễn ra một lần Các chiến lược cần được hoạch định trong phạm vi dài hạn Giống như bất kỳ hoạt động kinh doanh nào khác, mục tiêu của chiến lược tiếp thị trực tiếp là tối ưu hóa các yêu cầu kinh doanh khác nhau, chẳng hạn như tối đa hóa lợi nhuận Mặt khác, các nhà tiếp thị cũng bị hạn chế bởi những hạn chế về nguồn lực như tiền mặt, chi phí gửi thư và hàng tồn kho Do đó, các vấn đề tối ưu hóa cần xem xét những ràng buộc đó Có hai câu hỏi nghiên cứu chính liên quan đến chủ đề này:
Làm thế nào tiếp thị trực tiếp có thể đáp ứng được yêu cầu kinh doanh của các nhà tiếp thị? Liệu một lần gửi thư có đủ trong tiếp thị trực tiếp?
2.6 Đánh giá hiệu suất
Là một loại hoạt động kinh doanh, các chiến dịch tiếp thị trực tiếp được đánh giá dựa trên mức đóng góp doanh thu của chúng cho công ty.
Việc đóng góp doanh thu phụ thuộc vào hiệu quả của việc lựa chọn khách hàng mục tiêu Vì vậy, độ chính xác của các mô hình lựa chọn cũng cần được đánh giá Các câu hỏi nghiên cứu tương ứng liên quan đến chủ đề này là: Làm thế nào để đo lường độ chính xác của các mô hình đề xuất? Làm thế nào để ước tính lợi nhuận thu được từ các mô hình cho các nhà tiếp thị trực tiếp?
đoán xác suất mua hàng của khách hàng Van den Poel và Buckinx (2005) đã sử dụng dữ liệu duyệt web cũng như dữ liệu nhân khẩu học và hồ sơ mua hàng của khách hàng để dự đoán việc mua hàng của khách hàng Họ chia dữ liệu duyệt Web thành hai loại, dữ liệu dòng nhấp chuột chung và dữ liệu
dòng nhấp chuột chi tiết Luồng nhấp chuột chung bao gồm thông tin về lần truy cập gần đây, tần suất và thời gian truy cập của khách hàng.
Dữ liệu nhấp chuột chi tiết bao gồm thông tin về số trang đã truy cập liên quan đến sản phẩm, quy trình cung cấp và thông tin cá nhân.
Một số yếu tố khác cũng được cho là có ảnh hưởng đến quyết định
có nên mua sản phẩm hay không Một trong những yếu tố đó là đặc tính của sản phẩm hoặc dịch vụ Desarbo và
tương tác dựa trên Phản hồi của khách hàng mà không chỉ định các đặc điểm chính xác của sản phẩm.
3 Đầu vào cho mô hình tiếp thị trực tiếp
3.1 Các loại dữ liệu
Thông thường, có hai loại dữ liệu về đặc điểm của khách hàng được sử dụng trong các mô hình định lượng dành cho tiếp thị trực tiếp.
Loại dữ liệu đầu tiên bao gồm địa lý, nhân khẩu học của khách hàng.
Với việc sử dụng cơ sở dữ liệu ngày càng tăng trong các doanh nghiệp hiện đại, các nhà tiếp thị có thể sử dụng hồ sơ giao dịch chứa thông tin chi tiết về hành vi mua hàng của khách hàng Bên cạnh thông tin RFM, khách hàng mua gì trong mỗi giao dịch cũng có thể được biết khá dễ dàng Một số nhà nghiên cứu đã mô tả sản phẩm theo đặc điểm sản phẩm và khách hàng theo hồ sơ giao dịch của họ (Changchien và cộng sự, 2004; Chen và cộng sự, 2005; Liao và Chen, 2004;
Trang 4Người giới thiệu RFM bên ngoài và
hồ sơ khách hàng mà họ đã đưa ra kế hoạch thực hiện
đề xuất được cá nhân hóa cho khách hàng để cho phép bán kèm hoặc bán thêm.
Một yếu tố khác có thể ảnh hưởng đến sự lựa chọn của khách hàng là đặc điểm của lời kêu gọi Một lời kêu gọi có thể là một bưu điện
thư, email, tin nhắn ngắn trên điện thoại di động hoặc lời giới thiệu trên trang
Bảng 1
Loại dữ liệu và số lượng biến được sử dụng trong các mô hình tiếp thị trực tiếp
Bult và Wansbeek
viết, chủ sở hữu chữ ký và vị trí của bản in.
Địa chỉ Van der Sheer (1998) nghiên cứu một số đặc điểm khác
của thư bưu chính như kích thước phong bì, loại giấy, loại phụ kiện dấu ấn, dòng văn bản, định dạng tên người gửi và liệu có
thông tin bổ sung về xổ số Có rất ít nghiên cứu tồn tại rằng
kiểm tra các yếu tố ảnh hưởng đến phản ứng của khách hàng đối với các loại kêu gọi khác ngoài thư bưu điện Trong Bảng 1, chúng tôi liệt kê các loại
dữ liệu và số lượng thuộc tính được sử dụng trong các nghiên cứu khác nhau Vì cột có tiêu đề 'Khác', chữ 'P' cho biết đặc tính của sản phẩm
đã được sử dụng trong bài viết liên quan và chữ 'S' biểu thị rằng lời chào mời các đặc điểm đã được sử dụng trong bài báo liên quan.
3.2 Ý nghĩa của các loại dữ liệu khác nhau
3.2.1 Giá trị của dữ liệu mua hàng
Dữ liệu hành vi đã nhận được sự ủng hộ của hầu hết các nhà nghiên cứu Rất một số bài báo chỉ sử dụng dữ liệu bên ngoài để tiếp thị trực tiếp (Bult, 1993; Bult và Wittink, 1996) Nhiều nhà nghiên cứu đã tìm thấy giá trị trong việc sử dụng dữ liệu hành vi trong các tình huống khác nhau, chẳng hạn như bán hàng theo danh mục,
giao dịch trực tuyến, khuyến mãi phiếu giảm giá, v.v (Baesens và cộng sự, 2002; Buckinx và cộng sự, 2004; Changchien và cộng sự, 2004; Chen và cộng sự, 2005; Desarbo và Ramaswamy, 1994; Gonul và cộng sự, 2000; Haughton
và Oulabi, 1997; Kaefer và cộng sự, 2005; Kim và Street, 2004; Kim và cộng sự, 2005; Kwon và Moon, 2001; Levin và Zahavi, 1998; Rao
và Steckel, 1995; Shin và Sohn, 2004; Van der Sheer, 1998).
biến giữa các nhà nghiên cứu.
sơ về một lần mua hàng được thực hiện bởi người tiêu dùng và dữ liệu nhân khẩu học cộng với toàn bộ lịch sử mua hàng
của người tiêu dùng được thu thập từ điểm bán hàng trên kênh tiếp thị trực tiếp hoạt động như phiếu giảm giá mục tiêu Họ nhận thấy rằng lịch sử mua hàng
(với trung bình 13 hồ sơ mua hàng) hoặc thậm chí một lần mua hàng kỷ lục có thể tăng doanh thu được tạo ra từ phiếu giảm giá mục tiêu so với phiếu giảm giá chung Điều này là do hồ sơ mua hàng
có khả năng giải thích sự lựa chọn của khách hàng tốt hơn so với
dữ liệu nhân khẩu học và cũng tiết lộ mức độ nhạy cảm của khách hàng đối với giá Kaefer và cộng sự (2005)
thu được kết quả tốt hơn khi họ sử dụng thông tin mua hàng cũng như thông tin nhân khẩu học Từ cuộc thảo luận ở trên, có thể rút ra kết luận rằng việc mua
hồ sơ rất quan trọng đối với tiếp thị trực tiếp bằng cách bao gồm chúng trong các mô hình tiếp thị trực tiếp, các nhà tiếp thị có thể dự đoán các lựa chọn của khách hàng hiệu quả hơn là chỉ sử dụng dữ liệu nhân khẩu học.
Do sự phổ biến của công nghệ cơ sở dữ liệu trong kinh doanh, các nhà tiếp thị trực tiếp không lo lắng nhiều
Công nghệ thông tin đã cung cấp khối lượng lớn dữ liệu về khách hàng cho doanh nghiệp sử dụng Ví dụ, họ đã báo cáo
rằng Wal-Mart đã duy trì một cơ sở dữ liệu khách hàng trong đó có 43 terabyte dữ liệu bất cứ lúc nào Tuy nhiên việc thu thập và xử lý
của những dữ liệu này đòi hỏi tiền bạc và thời gian Các nhà tiếp thị có nên sử dụng như nhiều thông tin mua hàng có sẵn? Heilman và cộng sự (2003) đã nghiên cứu sự cân bằng giữa chi phí sử dụng thêm
dữ liệu mua hàng để lập hồ sơ khách hàng tiềm năng và cải thiện độ chính xác.
Họ phát hiện ra rằng các nhà tiếp thị có thể đạt được lợi nhuận tối ưu bằng cách sử dụng nhiều quan sát mua hàng nhưng ít hơn toàn bộ lịch sử mua hàng do chi
phí sử dụng dữ liệu bổ sung.
Một điểm quan trọng cần lưu ý là thông tin mua hàng
chỉ khả dụng sau khi khách hàng thực hiện lần mua hàng đầu tiên Kết quả là, khi các nhà tiếp thị cần có được khách hàng mới, họ chỉ phải dựa vào dữ liệu bên ngoài Ngoài ra, việc thu tiền mua
dữ liệu cần thời gian Việc chờ thêm dữ liệu mua hàng có thể dẫn đến mất đi cơ hội tiếp thị.
3.2.2 Giá trị của thông tin proxy
Ngoài việc phân loại theo ý nghĩa (ví dụ: dữ liệu bên ngoài và hồ sơ mua hàng) dữ liệu cũng có thể được phân loại theo mức độ chi tiết Ví dụ: dữ liệu có thể về một khách hàng cá
Trang 5ban 2 là đầu vào cho các mô hình tiếp thị trực tiếp dưới dạng các biến giải thích. Tóm tắt dữ liệu được sử dụng trong các mô hình tiếp thị trực tiếp
thường phản ánh những thông tin hoàn hảo về khách hàng và rất
đắt tiền để thu thập Sau này, thường được gọi là thông tin bưu chính, phản ánh thông tin không hoàn hảo và dễ dàng có sẵn Thỉnh thoảng
các nhà tiếp thị sử dụng thông tin bưu chính để tiết kiệm chi phí và đôi khi họ làm như vậy vì không có sẵn thông tin hoàn hảo Các
thông tin bưu chính thường thay thế cho thông tin cá nhân được gọi là thông tin proxy.
liệt kê các đối tượng
mối quan tâm trong tiếp thị trực tiếp: khách hàng, hành vi của khách hàng, sản phẩm và lời mời chào Cột thứ hai chứa các loại dữ liệu
được sử dụng để mô tả các đối tượng đó Cột thứ ba đánh giá tầm quan trọng của dữ liệu trên cơ sở tương đối và điều này thể hiện
khả năng của dữ liệu ảnh hưởng đến sự lựa chọn của khách hàng Từ thảo luận ở các phần trước, chúng tôi tin rằng dữ liệu hành vi
là rất quan trọng đối với tiếp thị trực tiếp Ngược lại, dữ liệu bên ngoài là kém mạnh mẽ hơn Theo hiểu biết tốt nhất của chúng tôi, chưa có công việc nào được thực hiện
để so sánh tầm quan trọng của đặc tính sản phẩm và đặc điểm chào mời cùng với dữ liệu khách hàng và hành vi dữ liệu Nhưng chúng tôi tin rằng đặc điểm của sản phẩm phản ánh sở thích của khách hàng và có liên quan chặt chẽ đến hành vi của khách hàng.
Hơn nữa, đặc tính sản phẩm rất quan trọng đối với việc bán kèm
và hoạt động bán thêm khi so sánh giữa sản phẩm đã được khách hàng tiêu thụ và sản phẩm đã được khách hàng tiêu thụ.
không có Vì vậy tầm quan trọng của đặc tính sản phẩm được đánh dấu là 'Cao' trong Bảng 2 Ngược lại, các đặc điểm chào mời có thể
ảnh hưởng đến phản ứng của khách hàng nhưng chúng không phản ánh thái độ của khách hàng.
sở thích trực tiếp Do đó, tầm quan trọng của đặc tính chào mời được đánh giá là 'Thấp' so với sản phẩm đặc điểm và hành vi của khách hàng Cột 'Khả năng tiếp cận' đo lường mức độ dễ
dàng thu thập dữ liệu Các công ty có thể thu thập dữ liệu về hành vi, sản phẩm và chào mời của khách hàng khi có giao dịch và là dữ liệu nội bộ Mặt khác
giao dịch kinh doanh giữa khách hàng và công ty
hiếm khi tiết lộ dữ liệu về nhân khẩu học, lối sống hoặc xã hội học của khách hàng do đó các công ty phải lấy chúng từ bên thứ ba
nguồn, chẳng hạn như các công ty nghiên cứu thị trường Đây là dữ liệu bên ngoài Nó là đáng lưu ý rằng dữ liệu hành vi có thể được tích lũy theo thời gian
vì các giao dịch xảy ra nhiều lần theo thời gian Công ty ghi lại càng nhiều thông tin về hành vi của khách hàng thì càng tốt.
công ty hiểu được sở thích của khách hàng 'Sự biến đổi'
cho biết mức độ khác nhau tồn tại giữa các đối tượng khác nhau trên thang đo tương đối Trong tiếp thị trực tiếp, số lượng khách hàng mà các nhà tiếp thị tiếp cận ở mức cao hơn nhiều so với
số lượng sản phẩm hoặc chào hàng Như vậy, xét một cách tương đối, chúng ta tin rằng tính đa dạng của sản phẩm hoặc lời mời chào thấp hơn
sự đa dạng về đặc điểm và hành vi của khách hàng.
Nhưng việc sử dụng tất cả chúng là không khả thi và có thể gây ra sai sót do nhiễu trong dữ liệu hoặc mối tương quan giữa các biến Thứ hai, ít hơn
các thuộc tính giúp giảm bớt nỗ lực lập hồ sơ khách hàng và làm cho sở thích của khách hàng trở nên dễ hiểu hơn Lý do thứ ba là lời nguyền
về tính chiều mà các kỹ thuật khai thác dữ liệu gặp phải (Bell-man, 1961) Nó ảnh hưởng đến khả năng học tập của máy học
kỹ thuật khi họ đang cố gắng nắm bắt các mẫu hình tốt Kết quả là cần phải chọn các biến phù hợp nhất Gián tiếp tiếp thị, hai loại phương pháp lựa chọn biến đổi được sử dụng: phương pháp bao bọc và phương
pháp lọc.
Các phương pháp bao bọc tích hợp quy trình lựa chọn với kỹ thuật học tập mục tiêu thực tế để xem liệu nó có phù hợp hay không
để bao gồm một biến nhất định dựa trên hiệu suất mục tiêu từng bước
phương pháp lựa chọn là một loại phương pháp lựa chọn biến được bao bọc trong đó mỗi biến được đánh giá tuần tự để quyết định
liệu nó có nên đưa vào mô hình hay không (Kim và Street, 2004;
Kaefer và cộng sự, 2005; Kim, 2006; Viaene và cộng sự, 2001a; Viaene và cộng sự,
thuật toán học tập Đầu vào không mong muốn được lọc ra khỏi dữ liệu trước khi việc học bắt đầu Buckinx
của một biến theo mức độ liên quan của nó trong việc phân biệt các lớp Sau khi sử dụng tính năng lựa chọn, số lượng biến được được xem xét trong mô hình đã giảm đi đáng kể Viaene và cộng sự.
chọn ra 17
trong số 98 biến, Kim và Street (2004) đã chọn ra 6–7 biến
gồm 93 biến và Kaefer et al (2005) đã chọn 3 trong số 5 biến Có thể nhận thấy từ tất cả các bài báo này rằng mô hình tốt nhất
không phải là mô hình sử dụng tất cả các biến Đúng hơn là hiệu suất sẽ tốt hơn nhiều khi một số biến ít quan trọng hơn được loại bỏ bởi sử dụng tính năng lựa chọn.
3.4 Dữ liệu cho các hoạt động tiếp thị trực tiếp khác nhau
Có thể quan sát thấy một số khác biệt trong việc sử dụng dữ liệu đối với hoạt động tiếp thị trực tiếp khác nhau Để xây dựng lựa chọn mục tiêu
mô hình cho khách hàng hiện tại hoặc trong quá khứ, dữ liệu tóm tắt như
RFM thường được sử dụng Điều này có thể thu được bằng cách tổng hợp chi tiết dữ liệu giao dịch trong một khoảng thời gian Để lập hồ sơ khách hàng,
nhà tiếp thị trực tiếp có thể kiểm tra hồ sơ giao dịch của khách hàng để xác định những sản phẩm nào được khách hàng mua cùng một lúc
thời gian để có thể phân tích được sở thích của khách hàng Dữ liệu trên
Đặc điểm của sản phẩm rất quan trọng đối với hoạt động bán kèm và bán thêm vì sự tương đồng giữa sản phẩm được khách hàng mua và sản phẩm được giới thiệu cho khách hàng có thể
được xác định dựa trên thông tin này (Weng và Liu, 2004; Li
chi tiết sản phẩm
đặc điểm như kích thước hoặc màu sắc Chiến lược tiếp thị trực tiếp liên quan đến việc lập kế hoạch cho nhiều hoạt động chào mời Kết quả là,
dữ liệu cho việc hoạch định chiến lược cần bao gồm thông tin mang tính tạm thời Ví dụ: cần tính toán thông tin RFM cho
từng giai đoạn chào mời để đào tạo người mẫu phù hợp (Bitran và Mondschein, 1996).
4 Xử lý bằng mô hình marketing trực tiếp
Do sự tiến bộ trong cơ sở dữ liệu và công nghệ thu thập dữ liệu, nhà tiếp thị có thể ghi lại các giao dịch và thông tin khác
về khách hàng Người ta thường tìm thấy một bản ghi khách hàng trong cơ sở dữ liệu chứa hàng trăm thuộc tính Những thuộc tính này đều có thể
Các nhà nghiên cứu Các kỹ thuật được liệt kê trong Bảng 3 là các kỹ thuật thống kê truyền thống Chúng bao gồm hồi quy tuyến tính, Logit/Probit, Tobit, Mô hình nhị thức Beta, mô hình Gamma-Poisson và mô hình phân biệt
Nhân khẩu học, lối sống của khách hàng,
Trang 6Người giới thiệu
Phản hồi hồi quy tuyến tính
Hai giai đoạn Beta + Gamma Logit hai giai đoạn + Tuyến tính Probit hai giai đoạn + Phi tuyến tính Nhật ký mô hình lớp tiềm ẩn
Mô hình lớp tiềm ẩn Poisson Mô hình lớptiềm ẩn Probit
Loại phản hồi
Lựa chọn nhị phân và doanh thu Lựa chọn nhị phân và doanh thu
Lựa chọn nhị phân và doanh thu Doanh thu
Người giới thiệu
Kim và Street (2004), Kim và cộng sự (2005), Shin và Sohn (2004)
Hà và cộng sự (2005), Kaefer và cộng sự (2005), Viaene và cộng sự (2001a), Zahavi và Levin
liệt kê trong Bảng 5 là các kỹ thuật khai thác dữ liệu dựa trên máy học hỏi Chúng là các mạng thần kinh nhân tạo (ANN), thuật toán di truyền (GA), lập trình di truyền (GP), cây quyết định (DT) và máy vectơ hỗ trợ (SVM).
Mô hình hồi quy là kỹ thuật được sử dụng phổ biến nhất.
Chúng đơn giản nhưng khả năng giải thích còn hạn chế Các hệ số của mô hình hồi quy thể hiện mức độ ảnh hưởng của
các biến giải thích Hồi quy tuyến tính, Logit, Probit và Tobit
các mô hình đều là mô hình hồi quy Mô hình hồi quy tuyến tính có thể tạo ra các điểm số liên tục như mức độ quan tâm phản hồi (Levin và Zah- avi, 1998) và số tiền chi tiêu ước tính của khách hàng
điểm được đưa ra bởi mô hình hồi quy tuyến tính, một ngưỡng thường là đặt trước Nếu điểm của khách hàng lớn hơn thì
ngưỡng, anh ấy/cô ấy được chọn Tỷ lệ phần trăm khách hàng đó được chọn được gọi là tỷ lệ phản hồi của hồi quy
người mẫu.
Các mô hình Logit, Probit và Tobit khác với các mô hình hồi quy
tuyến tính ở chỗ chúng có thể xử lý trực tiếp các phản ứng rời rạc bằng cách sử dụng các biến tiềm ẩn Các mô hình Logit và Probit có thể tạo ra
giá trị phân loại nếu có nhiều hơn
Logit/Probit dự đoán phản ứng rời rạc
như cách tiếp cận trực tiếp và được sử dụng bởi các mô hình hồi quy tuyến tính
cách tiếp cận gián tiếp Theo họ, cách tiếp cận trực tiếp đạt được hiệu suất dự đoán tốt hơn cho các mẫu lớn vì độ lệch
ít hơn cho cách tiếp cận trực tiếp Các biến tiềm ẩn được sử dụng trong Mô hình Tobit để cắt bớt các giá trị lớn hơn hoặc nhỏ hơn một
ngưỡng Ví dụ: trong tiếp thị trực tiếp, khách hàng tạo ra doanh thu lớn hơn 0 hoặc không có doanh thu
Trang 7Machine Translated by Google
các giá trị do mô hình tạo ra không có ý nghĩa gì Mô hình Tobit chuyển đổi giá trị âm thành 0 và chỉ giữ lại giá trị dương Các mô hình Tobit thường mô hình hóa các mục có giá trị liên tục như
số tiền mà khách hàng chi tiêu (Hansotia và Wang, 1997; Levin và Zahavi, 1998).
Các loại kỹ thuật thống kê khác cũng được sử dụng để tiếp thị trực tiếp như phân tích phân biệt (Bult, 1993; Bult và Wittink,
thu được bằng cách sử dụng hồi quy và mô hình nhị thức Beta (Rao
những giả định đó có thể gây ra
việc ước tính không chính xác một cách không cần thiết các thông số của những mô hình, dẫn đến những dự đoán quá không chính xác.
4.1.2 Kỹ thuật thống kê nâng cao
Một số mô hình thống kê tiên tiến hơn đã được sử dụng trong
quá khứ Những mô hình nâng cao này kết hợp hai mô hình thống kê đơn giản với nhau và hy vọng phát huy được điểm mạnh của từng mô hình
đồng thời khắc phục được điểm yếu của cả hai mô hình Hai giai đoạn này trong giai đoạn đầu tiên, các mô hình thử mô hình hóa xác suất phản hồi
và trong giai đoạn tiếp theo giá trị tiền tệ mà khách hàng có thể chi tiêu để đáp ứng các hoạt động tiếp thị trực tiếp Điểm số được phát triển bởi một
mô hình hai giai đoạn là doanh thu dự kiến mà khách hàng có thể tạo ra Colombo và Jiang (1999) đã sử dụng mô hình phân phối beta để
xử lý xác suất phản hồi của khách hàng và mô hình phân phối gamma để xử lý giá trị tiền tệ Levin và Zahavi
phản ứng của khách hàng và mô hình hồi quy tuyến tính để ước tính giá trị tiền tệ Baumgartner và Hruschka (2005) đã sử dụng mô hình probit
để phân biệt giữa khách hàng đã mua hàng và
những người đã mua hàng và gửi lại hàng Họ thực hiện phân tích này bằng các mô hình hồi quy phi tuyến tính để ước tính
giá trị tiền tệ của sản phẩm đã mua và số tiền được trả lại sản phẩm của khách hàng Một kỹ thuật phức tạp hơn như tiềm ẩn
phân tích lớp được sử dụng khi phân khúc tồn tại giữa các khách hàng Phân tích lớp lều tiềm ẩn thực hiện phân đoạn và lựa chọn xây dựng
Trong số các kỹ thuật được liệt kê trong Bảng 5 , ANN rất giỏi trong việc tìm hiểu các mối quan hệ phi tuyến tính giữa đầu vào và đầu ra DT là một
kỹ thuật phân loại dựa trên quy tắc SVM có thể thực hiện tuyến tính
hoặc phân loại phi tuyến tính (Burges, 1998) Ứng dụng phổ biến nhất của những kỹ thuật này trong tiếp thị trực tiếp là phân loại khách hàng theo hệ nhị phân Ứng dụng của ANN để xác định
khách hàng mục tiêu có thể được tìm thấy ở Kim và Street (2004), Kim et al (2005), Viaene và cộng sự (2001a), Zahavi và Levin (1997).
sử dụng ma-chine hỗ trợ bình phương tối thiểu (LS-SVM là một loại SVM (Suykens et al., 2002)) cho nhị phân phân loại người trả lời và người không trả lời tiếp thị trực tiếp qua đường bưu điện ANN và DT đã được sử dụng để phân loại với
nhiều hơn hai lớp Ví dụ, Heilman và cộng sự (2003) đã sử dụng ANN phân loại khách hàng thành ba loại để xác định
những thương hiệu mà họ trung thành; Haughton và Oulabi (1997)
đã sử dụng kỹ thuật DT để tạo ra sự phân khúc khách hàng theo dạng cây trong tiếp thị trực tiếp.
ANN là kỹ thuật khai thác dữ liệu phổ biến nhất được sử dụng trực tiếp tiếp thị Ngoài việc lựa chọn khách hàng, nó còn được sử dụng cho các mục đích
khác Shin và Sohn (2004) đã kết hợp các kỹ thuật phân tích bao bọc dữ liệu với ANN để đánh giá lợi nhuận của mỗi khách hàng Kaefer và cộng sự (2005) đã sử dụng ANN để phân loại khách hàng theo
theo cách đó thời gian tiếp thị trực tiếp được cải thiện DT có khả năng mạnh mẽ để xử lý các biến đầu vào phân loại.
Khi xử lý dữ liệu phân loại có nhiều hơn hai cấp giá trị, ANN, SVM và các kỹ thuật thống kê sẽ tạo ra các biến giả đối với mỗi mức giá trị của biến đầu vào liên quan và điều này bổ sung thêm gánh nặng tính toán cho việc xử lý các mô hình đó Ngược lại, DT có thể rút ra các quy tắc bằng cách sử dụng trực tiếp dữ liệu phân loại
mà không tạo ra các biến giả Tuy nhiên, DT không thể sử dụng trực tiếp các biến liên tục mà phải chuyển chúng thành các biến phân loại.
dữ liệu.
Kỹ thuật học máy thứ tư đang trở nên phổ biến trong tiếp thị trực tiếp và khá khác biệt so với các kỹ thuật được giới thiệu trước đây là nhóm các phương pháp tiếp cận mô phỏng tự nhiên.
phân tích là nó có thể rút ra các phân khúc thị trường và có thể lập mô hình phản ứng của khách hàng cùng một lúc
Desarbo và Ramaswamy
ứng nhị phân Wedel và cộng sự (1993) cũng sử dụng phân tích lớp tiềm ẩn để xây dựng hồi quy Poisson mô hình trong mỗi phân khúc để ước tính số lượng sản phẩm mà khách hàng có thể mua Phân tích lớp tiềm ẩn có thể được sử dụng để
Lập trình (GP) và Lập trình tiến hóa (EP) Những cái này kỹ thuật dựa trên thủ tục tìm kiếm mô phỏng tự nhiên chọn lọc và tiến hóa bao gồm các bước sau: chọn lọc,
chéo và đột biến (Goldberg, 1989) GA, GP và EP phù hợp cho các bài toán tối ưu hóa như lựa chọn mục tiêu chào mời đồng thời đáp ứng yêu cầu nghiệp vụ Kwon và Moon
mô hình và nghiên cứu tác động của thời điểm chào mời đến phản hồi của khách hàng Bitran và Mondschein (1996) đã sử dụng mô hình Probit trong
mô hình phân tích lớp tiềm ẩn để ước tính LTV của khách hàng trên nhiều lời kêu gọi.
Một nhóm mô hình định lượng khác dựa trên máy
học hỏi Theo Mitchell (1997), “Học máy là một quá trình trong đó các chương trình máy tính có thể học cách cải thiện hiệu suất của chúng từ kinh nghiệm thực hiện một số nhiệm vụ nhất định” Kantardzic
tiếp cận theo hai cách Thứ nhất, các mô hình thống kê đưa ra nhiều
nhấn mạnh vào toán học và các hình thức hóa so với các phương pháp tiếp cận dựa trên học tập bằng máy Thứ hai, số liệu thống kê hiện đại gần như hoàn toàn được điều khiển bởi cấu trúc định đề, hoặc một
gần đúng với một cấu trúc, có thể dẫn đến dữ liệu.
lần lượt đề xuất các phương pháp tiếp cận dựa trên GA và GP để tìm kiếm các giải pháp tốt nhất cho tiếp thị trực tiếp tỷ lệ phản hồi tích lũy tối đa và doanh thu ở các mức khác nhau
độ sâu gửi thư Độ sâu gửi thư đề cập đến tỷ lệ phần trăm khách hàng cao nhất được xem xét cho quá trình chào mời Ví dụ: 10%
Độ sâu gửi thư có nghĩa là 10% khách hàng hàng đầu được sử dụng để chào mời.
Trong phân tích chuyên sâu về gửi thư, khách hàng cá nhân được xếp hạng theo thứ tự giảm dần theo một tiêu chí nhất định như phản hồi
xác suất hoặc doanh thu.
4.1.4 Kỹ thuật tổ hợp và lai
Thông thường, một kỹ thuật phân tích dữ liệu có thể tạo ra nhiều giải pháp khả thi vì sự phân bố dữ liệu huấn luyện khác nhau.
Một cách tiếp cận để giải quyết vấn đề này là đánh giá hiệu quả hoạt động của từng mô hình và chọn ra mô hình tốt nhất Một cách tiếp cận khác là sử dụng tập hợp tất cả các mô hình có thể có Cách tiếp cận tập thể cố gắng để kết hợp các kết quả của tất cả các mô hình có thể dựa trên một số
thường ở dạng quá trình 'học' rút ra các quy tắc
từ dữ liệu Các kỹ thuật học máy khác nhau được sử dụng để tiếp thị được liệt kê trong
Trang 8Machine Translated by Google
Cách tiếp cận gán trọng số cho các tính năng trong tập dữ liệu Trọng số càng cao thì ảnh hưởng của một tính năng đến quá trình học càng lớn.
Các trọng số được điều chỉnh lặp đi lặp lại qua các lần thử Đóng gói và tăng cường thường cho thấy hiệu suất tốt trên dữ liệu huấn luyện vì chúng kết hợp nhiều giải pháp riêng lẻ có thể thể hiện một số sai lệch.
tiếp thị trực tiếp hay không Ling và Li (1998) đã sử dụng việc tăng DT cho cùng một vấn đề Kim và Street
Các kỹ thuật hòa tấu được mô tả ở trên sử dụng một kỹ thuật cụ thể Tuy nhiên, bên cạnh việc kết hợp các kết quả của cùng một kỹ thuật, các kỹ thuật khác nhau cũng có thể được kết hợp bằng cách sử dụng phương pháp kết hợp với mục đích loại bỏ sai lệch của các kỹ thuật đơn lẻ Suh và cộng sự (1999) đã phân tích hệ số tương quan giữa xác suất phản hồi dự đoán thu được từ ANN, Logit và phương pháp nhắm mục tiêu sử dụng thuộc tính RFM của khách hàng để phân đoạn Người ta nhận thấy rằng hệ số tương quan giữa kết quả của ANN và kết quả nhắm mục tiêu RFM và giữa kết quả nhắm mục tiêu RFM và Logit là thấp và hệ số tương quan giữa kết
quả của ANN và Logit là cao Sau đó, người ta nhận thấy rằng sự kết hợp giữa ANN và RFM trong một mô hình duy nhất đã đạt được độ chính xác phân loại được cải thiện trong khi sự kết hợp giữa RFM và Logit không thể làm được điều đó.
hình ANN và Logit cho từng khách hàng trong tiếp thị trực tiếp bằng cách sử dụng các hàm như Min [A,B], Max [A,B] , và A + B, v.v., trong đó A và B thể hiện điểm số mà khách hàng nhận được từ hai kỹ thuật tính điểm khác nhau Suh và cộng sự (1999) đã thông qua và sửa đổi BDS trong công việc của họ để phân khúc danh sách khách hàng trong tiếp thị trực tiếp Bên cạnh các mô hình ANN và Logit, Suh et al
BDS để nó có thể kết hợp ba kỹ
dụng độ chính xác làm trọng số cho mỗi phân loại nhị phân để tính điểm tổng hợp nhằm dự đoán sự phá
hoạt động tiếp thị trực tiếp trên Web theo thời gian thực Các kỹ thuật được sử dụng bởi Suh et al (2004) là ANN, Logit và DT Cui và cộng sự (2006) đã phát triển một phương pháp tiếp cận lai khác Các kỹ thuật được sử dụng trong nghiên cứu bao gồm Mạng lưới niềm
tin Bayesian (BBN) và GP Đầu tiên, một biểu đồ tuần hoàn có hướng được xây dựng để liên kết các biến số nhằm kiểm tra mối quan hệ nhân quả giữa
được sử dụng làm thước đo phù hợp để giúp GP tìm ra cấu trúc liên kết BBN tốt nhất Công việc được thực hiện bởi Cui et al (2006) khác với các phương pháp kết hợp khác vì thay vì chấm điểm khách hàng riêng biệt bằng cách sử dụng từng kỹ thuật và kết hợp
các kết quả, họ sử dụng GP để giúp xây dựng mô hình BBN tốt hơn theo cách lặp đi lặp lại.
mô hình hồi quy sử dụng phân khúc khách hàng làm biến phụ thuộc và đặc điểm của khách hàng là biến
các kỹ thuật khai thác dữ liệu không được giám sát như phân cụm K-means và Bản đồ tự tổ chức (SOM)
gian khác nhau SOM bao gồm một tập hợp các nơron nhân tạo có trọng số được điều chỉnh để phù hợp với
K-means đã phân loại khách hàng thành một số cụm được chỉ định trong khi SOM có thể tự động quyết định số lượng cụm.
Trong mô hình hai giai đoạn, số cụm do SOM tạo ra được sử dụng làm đầu vào cho thuật toán K-mean Kết quả thử nghiệm của họ cho thấy phân cụm hai giai đoạn có mức độ tập trung khách hàng cao hơn (được đo bằng hệ số biến thiên của độ phân tán trong cụm) trong một cụm so với phân cụm SOM.
Nhận dạng mẫu khách hàng được sử dụng để khám phá mối tương quan của các sự kiện có thể được biểu diễn dưới dạng quy tắc xác suất trong mỗi cụm khách hàng Kỹ thuật dựa trên luật kết hợp thường được sử dụng để tìm ra các mẫu hành vi của khách hàng Khai thác quy tắc kết hợp lần đầu tiên được đề
được biểu diễn dưới dạng quy tắc xác suất Trong tiếp thị trực tiếp, các sự kiện có thể là đặc điểm của khách
sự, 2005) Chen và cộng sự.
học của khách hàng và hành vi mua hàng
của họ được thể hiện bằng dữ liệu RFM ở các khoảng thời gian khác nhau nhằm thấy được sự thay đổi trong hành vi Hành vi duyệt Web của khách
hàng cũng có thể đóng vai trò là sự kiện quan trọng cho việc khai thác luật kết hợp (Liao và Chen, 2004;
nhật ký Web của khách hàng, ghi lại một số mục liên quan đến hành động duyệt Web của khách hàng tại một trang Web thương mại điện tử, chẳng hạn như các trang được yêu cầu, dấu thời gian, địa chỉ IP, URL, đơn hàng đã đặt,
v.v liên hệ những mô hình đó với việc mua hàng của khách hàng Hai loại mẫu đã được Đầu tiên một số trang quan trọng đã được xác định Những trang quan
trọng đó xuất hiện thường xuyên trong đường dẫn khách hàng truy cập và kết thúc bằng việc khách hàng mua một số sản phẩm nhất định Mẫu thứ hai liên quan đến trình tự truy cập trang Web Các mẫu này được sử dụng làm đầu vào cho mô hình kết hợp bao gồm ba kỹ thuật khai thác dữ liệu (DT, NN và LR) để dự đoán xác suất mua hàng của khách hàng Mô hình kết hợp xác định mối tương quan giữa hành vi duyệt web và hành vi mua hàng của khách hàng.
Việc xác định các mô hình này đã giúp các nhà tiếp thị bằng cách xác định các danh mục sản phẩm và khách hàng mục tiêu có ý nghĩa.
4.3 Các phương pháp bán kèm và bán thêm 4.2 Phương pháp phân cụm khách hàng và nhận dạng mẫu
Phân nhóm khách hàng nhằm mục đích phân loại khách hàng thành các nhóm khác nhau Những khách hàng trong cùng một nhóm được chọn có những điểm giống nhau hơn so với những khách hàng ở các nhóm khác nhau Nhiều cách tiếp cận khác nhau đã được sử dụng để lập hồ sơ Một loại phương pháp tiếp cận đã lựa chọn một giới hạn nhất định cho các biến độc lập để kết quả phân khúc có thể thu được lợi
thành các nhóm dựa trên giá trị R của họ.
Trong mỗi nhóm, khách hàng được chia nhỏ theo giá trị F của họ và sau đó được chia nhỏ hơn nữa dựa trên giá trị M của họ Loại phương pháp lập
hồ sơ thứ hai áp dụng các mô hình thống kê như phân tích lớp tiềm ẩn Hồ sơ hơn nữa đã được thực hiện bằng cách xây dựng
Để có thể bán kèm và bán thêm, hệ thống khuyến nghị thường được sử dụng Chủ yếu có hai loại
trong hồ sơ của người dùng Phương pháp lọc cộng tác cố gắng tìm ra điểm tương đồng giữa sở thích của người dùng Trong bối cảnh tiếp thị trực tiếp, mặt hàng là sản phẩm hoặc các đặc tính của sản phẩm Hồ sơ và sở thích của người dùng được tìm thấy bằng cách phân tích hồ sơ giao dịch của khách hàng Các sản phẩm tương tự với hồ sơ của khách hàng hoặc được mua bởi những khách hàng khác có hồ sơ tương tự thường được khuyến khích Do đó, các phương pháp khuyến nghị yêu cầu cả việc lập hồ sơ khách hàng và hồ sơ sản phẩm.
Hồ sơ sản phẩm tương tự như hồ sơ khách hàng Sản phẩm được mô tả bằng những vật phẩm đại diện cho những đặc điểm khác nhau và sau đó
Trang 9Machine Translated by Google
những mục này được nhóm lại Các kỹ thuật phân cụm được sử dụng là
giống như những gì được sử dụng để phân cụm khách hàng và được mô tả trong phần phần trước đó Cheung và cộng
cung cấp cho khách hàng Min và Han (2005) đã sử dụng phương pháp lọc cộng tác để phát triển hệ thống khuyến nghị của họ Họ đã xác định được cụm nào
khách hàng thuộc về những khoảng thời gian khác nhau để tìm
hồ sơ khách hàng theo thời gian Li và cộng sự (2005) đã tiến hành phân tích lọc cộng tác đối với hồ sơ giao dịch của cả hai khách hàng.
và đặc tính của sản phẩm để thực hiện các khuyến nghị.
Các phương pháp tiếp cận dựa trên nội dung và lọc cộng tác có những ưu điểm riêng những ưu điểm và nhược điểm riêng Cách tiếp cận dựa trên nội dung
có thể giới thiệu những sản phẩm phù hợp với sở thích của khách hàng nhưng không thể xử lý thông tin đa phương tiện và không thể giới thiệu sản phẩm có những đặc điểm riêng biệt, khác biệt với sản phẩm
tồn tại trong hồ sơ giao dịch của khách hàng Lọc cộng tác
phương pháp tiếp cận đề xuất các sản phẩm có đặc điểm riêng biệt nhưng không thể đề xuất các sản phẩm không tồn tại trong hồ sơ giao dịch
của bất kỳ khách hàng nào trong cùng một cụm Do đó, các phương pháp lai tích hợp lọc cộng tác và dựa trên nội dung các phương pháp tiếp cận đã được sử dụng để cải thiện hiệu suất của việc lập hồ sơ khách hàng và hồ sơ sản phẩm
(Changchien và cộng sự, 2004;
sản phẩm và sự tương đồng giữa các khách hàng được tính toán tại đồng thời bằng cách so sánh giữa
4.4 Phương pháp tối ưu hóa yêu cầu kinh doanh của nhà tiếp thị
Lập trình toán học và các thuật toán tiến hóa là
thường được sử dụng để tối ưu hóa trong tiếp thị trực tiếp Họ đưa vào tính toán các thông số lợi nhuận hoặc chi phí để ước tính mô hình liên quan các hệ số Bult và Wansbeek (1995) và Van der Sheer (1998)
đề xuất một phương pháp tối đa hóa lợi nhuận trong đó lợi nhuận và chi phí các yếu tố được đưa vào hàm ước lượng cho mô hình Logit.
những hạn chế về chiều sâu phản ánh những hạn chế về tài chính Họ đã sửa đổi Logit nhị phân thông thường bằng cách sử dụng Khả năng tối đa có trọng số
ước tính xếp hạng khách hàng theo xác suất phản hồi Bằng cách này, hiệu quả chi phí đã được xem xét khi ước tính các hệ số hồi quy Bult (1993) và Bult
và Witlink (1996) đã đưa các yếu tố chi phí vào việc ước tính điểm số bằng cách sử dụng phân tích phân biệt Họ nghiên cứu tính đối xứng và bất đối xứng
tình huống mất mát Các bài toán mất đối xứng giả định rằng chi phí của phân loại sai khách hàng lẽ ra đã phản hồi với
gửi thư mời chào nhưng không nhận được thư (phủ định sai)
tương tự như chi phí phân loại sai của một khách hàng đã nhận được thư chào mời nhưng không phản hồi (dương tính giả).
Các bài toán tổn thất bất đối xứng xem xét chi phí của hai loại tổn thất cũng khác nhau Nếu lời mời chào được gửi đến những người không quan tâm đến việc mua sản phẩm, sự mất mát mà
các nhà tiếp thị đã bao gồm các chi phí bưu chính Tuy nhiên, nếu người ta những người thực sự muốn mua sản phẩm không nhận được lời mời chào, tổn thất đối với các nhà tiếp thị sẽ là doanh thu tiềm năng
họ có thể đã đóng góp nếu họ nhận được lời mời chào Thông thường trong các trường hợp thực tế của tiếp thị trực tiếp, tổn thất do kết quả âm tính giả lớn hơn nhiều so với tổn thất do kết quả dương tính giả.
Lập trình toán học bao gồm một hàm mục tiêu và một tập hợp các ràng buộc Kết quả từ các mô hình lựa chọn như vì những cái chúng ta đã thảo luận ở phần trước được sử dụng làm đầu vào
cho các mô hình lập trình toán học như các giải pháp khả thi (Cohen, 2004) Sử dụng đầu vào, chương trình toán học sẽ chọn giải pháp tốt nhất có thể tối ưu hóa hàm mục tiêu trong
giới hạn về nguồn lực tiền tệ sẵn có, trong số những thứ khác.
Một nhóm nghiên cứu đã sử dụng mô hình lập trình ngẫu nhiên để giải quyết gặp nhiều vấn đề về mời chào trong tiếp thị trực tiếp vì tiếp thị trực tiếp không phải là hoạt động diễn ra một lần Trong một lời kêu gọi đa dạng vấn đề, vấn đề cơ bản vẫn xoay quanh việc lựa chọn
của khách hàng Tuy nhiên, việc bỏ rơi một khách hàng là không hợp lý.
nếu (những) anh ta không đáp lại một lời mời chào nào bởi vì (những) anh ta có thể trả lời những cái sau Vì vậy, các nhà tiếp thị phải sử dụng các tiêu chí khác nhau để đánh giá khách hàng mục tiêu LTV của khách hàng thường được sử dụng làm tiêu chuẩn trong các vấn đề đòi hỏi nhiều yêu cầu, mà theo định nghĩa do Pearson (1994) cung cấp, là ''giá trị hiện tại ròng của dòng đóng góp vào lợi nhuận có được từ doanh thu từ giao dịch của khách hàng
và tính đến chi phí giao hàng
sản phẩm, dịch vụ và những phần thưởng đã hứa cho khách hàng” Các mô hình lập trình ngẫu nhiên được sử dụng để đánh giá LTV của khách hàng bằng cách mô hình hóa sự tiến triển của khách hàng qua nhiều lần chạy lời kêu gọi Bitran và Mondschein (1996) và Gonul và Shi
trạng thái của khách hàng được đặc trưng bởi các giá trị RFM của họ Trong khi Bitran
tối đa hóa, Gonul và Shi (1998) bao gồm hai hàm mục tiêu Một trong số họ đã cố gắng tối đa hóa lợi nhuận cho các nhà tiếp thị trực tiếp
và một người khác cố gắng tối đa hóa tiện ích cho khách hàng bằng cách nắm bắt sự thay đổi hành vi của khách hàng do thay đổi cách gửi thư
chính sách Piersma và Jonker (2004) cũng sử dụng quyết định Markov các mô hình để mô hình hóa vấn đề đa yêu cầu Sự khác biệt là
rằng họ tập trung vào vấn đề tối ưu hóa tần suất gửi thư dài hạn và cho phép nhiều phản hồi cho nhiều thư Một hạn chế trong công việc của Gonul và Shi là
quá trình giải quyết vấn đề liên quan đến ước tính khả năng tối đa dẫn đến chi phí tính toán cao Ngược lại, Simester
trạng thái và phân đoạn
không gian trạng thái bằng cách sử dụng các phương pháp giống cây nhị phân Để xác định chính sách gửi thư tối ưu cho từng bang, họ ước tính lợi nhuận
và xác suất chuyển đổi bằng cách quan sát phần thưởng trung bình trong dữ liệu lịch sử và tỷ lệ số lần chuyển đổi xảy
phân tích hành vi mua hàng của khách hàng theo ba thành phần chính: thời gian mua hàng, tăng tốc mua hàng,
và lựa chọn sản phẩm tiếp thị trực tiếp Thời gian giữa các lần mua hàng đo lường khoảng thời gian giữa các lần mua hàng liên tiếp Mua
khả năng tăng tốc được coi là thực tế là khách hàng có thể tăng tốc
thời điểm mua hàng của họ do những lời chào mời tiếp thị trực tiếp Trực tiếp Lựa chọn sản phẩm tiếp thị kiểm tra xem liệu khách hàng có thực hiện
mua hàng thông qua các nhà tiếp thị trực tiếp hoặc tại một cửa hàng.
Các thuật toán tiến hóa kết hợp việc lựa chọn mục tiêu trong quá trình tối ưu hóa tham số thông qua các thuật toán di truyền và
kỹ thuật tương tự Các mục tiêu kinh doanh và các ràng buộc được xác định là các chức năng phù hợp trong quy trình
cả thuật toán di truyền và kỹ thuật lập trình di truyền để
tìm kiếm các giải pháp tốt nhất dọc theo biên giới Pareto (bao gồm của một bộ giải pháp) cho hoạt động marketing trực tiếp Giải pháp này đại diện cho tỷ lệ phản hồi tích lũy tối đa và doanh thu tại
Trang 10Machine Translated by Google
độ sâu gửi thư tương ứng Kim và Street (2004) trình bày phương pháp GA/ANN kết hợp để chọn khách hàng mục tiêu trong khi
quan sát thấy độ chính xác cao hơn cho cả mô hình ANN và Logit bằng cách sử dụng thông tin mua hàng bên cạnh thông tin nhân khẩu học.
các tính năng làm đầu vào cho ANN có thể tối ưu hóa nhiều mục tiêu Kim và cộng sự (2005) đã sử dụng cách tiếp cận tương tự như Kim và Street (2004) Sự khác biệt chính là họ sử dụng tiến hóa địa phương Phương pháp tiếp cận Thuật toán lựa chọn (ELSA), một phiên bản cải tiến của GA tiêu chuẩn ELSA hoạt động tốt hơn GA tiêu chuẩn vì nó
đã tìm kiếm hoàn toàn biên giới Pareto và đưa ra cho người ra quyết định thêm thông tin về sự đánh đổi giữa các mục tiêu khác nhau.
Đối với cách tiếp cận đầu tiên, lợi nhuận và chi phí chỉ có thể được tính vào quá trình ước tính là các yếu tố và không thể lập mô hình nhiều mục tiêu Trong số ba phương pháp tối ưu hóa
trong nghiên cứu tiếp thị trực tiếp, lập trình toán học là linh hoạt nhất vì nó có thể kết hợp các mục tiêu kinh doanh và
hạn chế Các thuật toán tiến hóa có thể tối ưu hóa nhiều mục tiêu nhưng chưa có nghiên cứu nào được thực hiện để chứng minh khả năng kết hợp các ràng buộc
liên quan đến kinh doanh khác nhau của chúng Để xác định các ràng buộc
vì chức năng thể dục có thể là một giải pháp nhưng vấn đề có thể phát sinh khi có nhiều hạn chế.
5 Đánh giá các mô hình marketing trực tiếp
Có nhiều tiêu chí đánh giá hiệu suất khác nhau để đánh giá
đầu ra của các mô hình tiếp thị trực tiếp Quá trình xây dựng và đánh giá mô hình cho hoạt động tiếp thị trực tiếp bao gồm hai bước, đào tạo
và thử nghiệm Hai bộ dữ liệu khác nhau được sử dụng trong hai bước Các tập dữ liệu đào tạo được sử dụng để xây dựng mô hình tiếp thị trực tiếp và tập dữ liệu xác thực với kết quả chưa xác định được sử dụng cho kiểm tra hiệu suất của tiếp thị trực tiếp dự đoán
người mẫu Trong phần này chúng ta tập trung vào các tiêu chí được sử dụng để đánh giá các mô hình tiếp thị trực tiếp từ góc độ quản lý,
và các tiêu chí được sử dụng là độ chính xác và lợi nhuận Nếu không cụ thể thông tin được đưa ra, chúng ta đang thảo luận về hiệu suất của việc trực tiếp mô hình tiếp thị trên các tập dữ liệu xác nhận.
5.1 Xác định độ chính xác của các mô hình tiếp thị trực tiếp
Khi đánh giá độ chính xác của các mô hình, sẽ có sự nhầm lẫn ma trận như ma trận trình bày trong Bảng 6 được tạo ra Trong bảng 6, 'Thực tế' là viết tắt của giá trị trong các tình huống thực tế trong khi 'Dự đoán'
đại diện cho kết quả của các mô hình tiếp thị trực tiếp Từ ma trận hỗn hợp, một số thước đo độ chính xác có thể được phát triển A trong
ma trận nhầm lẫn đôi khi được gọi là dương tính thực sự và nó đại diện cho số lượng thực tế được xác định chính xác
người trả lời B được gọi là âm tính giả hoặc số lượng âm tính thực tế người trả lời được xác định là người không trả lời C được gọi là sai
tích cực đại diện cho số lượng người không phản hồi thực tế được xác định là người trả lời D được gọi là số âm thực hoặc số
của những người không trả lời thực tế được xác định chính xác Một thước đo độ chính xác là tỷ lệ nhận dạng chính xác, hoặc PCC (Phần trăm
Các trường hợp được phân loại chính xác), được định nghĩa là tỷ lệ của A + D (tổng đường chéo) trên tổng (tức là A + B + C + D).
Có một số nghiên cứu sử dụng ma trận nhầm lẫn để đánh giá
mô hình hoặc so sánh giữa các mô hình khác nhau Kaefer và cộng sự (2005)
ANN, LR và mô hình kết hợp của cả ba Kết quả cho thấy
mô hình lai có tỷ lệ phân loại sai thấp nhất Một vấn đề mà có thể xảy ra khi sử dụng PCC làm thước đo độ chính xác
không nói liệu mô hình có thể xác định được những kết quả tích cực thực sự hay không và những tiêu cực thực sự cũng tốt như nhau Ví dụ, Gonul và cộng sự (2000)
cho thấy mô hình của họ có PCC là 81%, nhưng tỷ lệ trường hợp dương tính thực sự trên tổng số ít hơn 15% Điều này ngụ ý rằng họ
mô hình đã tốt hơn nhiều trong việc xác định những tiêu cực thực sự Tuy nhiên, chỉ có kiến thức về PCC mới không phản ánh được điều đó.
Một thước đo điển hình về độ chính xác phân loại như PCC giả định chi phí phân loại sai đối xứng cho các dự đoán dương tính giả và âm tính giả.
Tuy nhiên, trong tiếp thị trực tiếp, chi phí do phân loại sai thường không cân xứng Để giải quyết vấn đề này, một số nhà nghiên cứu đã đưa vào một hệ số trong mô hình của họ rằng
đại diện cho tỷ lệ của hai loại chi phí phân loại sai và
làm cho hàm mất mát tổng quát hơn (Bult, 1993; Bult và Wittink, 1996) Bult (1993) đã so sánh mô hình phân tích biệt thức với mô hình
Mô hình logit và cho thấy rằng đối với cả hai mô hình, tổn thất bất đối xứng các trường hợp có thể tốn ít tiền hơn các trường hợp mất mát đối xứng Bult và Witink (1996) tiếp tục điều chỉnh tính không đồng nhất trong
hàm mất đối xứng Họ báo cáo rằng độ chính xác của
mô hình hàm tổn thất bất đối xứng không đồng nhất không cao hơn đáng kể nhưng hàm tổn thất bất đối xứng không đồng nhất
mô hình có khả năng xác định những khách hàng thực sự phản hồi lại tốt hơn Levin và Zahavi (1998) quan sát thấy mô hình hồi quy tuyến tính có xu hướng 'dự đoán quá mức' dẫn đến kết quả sai
tích cực trong khi mô hình Tobit có xu hướng 'dự đoán dưới mức' dẫn đến âm tính giả Câu hỏi vẫn còn đó: cái gì là
tiêu chí tốt nhất để so sánh các mô hình định lượng Nhìn chung, hai thước đo: thu hồi và độ chính xác thường được sử dụng Nhớ lại, là tỷ lệ của A trên
A + C, đo tỷ lệ phần trăm dương tính thực sự cho tất cả dự đoán tích cực Mặt khác, độ chính xác hoặc tỷ lệ của A
đến A + B đo tỷ lệ phần trăm của kết quả dương tính thực sự được xác định trong tất cả các mặt tích cực thực tế Nhớ lại, còn được gọi là tỷ lệ phản hồi
trong tiếp thị trực tiếp, thường được coi trọng hơn vì chi phí chào mời thường nhỏ hơn nhiều so với lợi nhuận do khách hàng tạo ra Tỷ lệ phản hồi là một
thước đo phổ biến được sử dụng trong
các ứng dụng tiếp thị qua thư trực tiếp truyền thống (Haughton và Oulabi, 1997; Levin và Zahavi, 1998) Haughton và Oulabi
mô hình về tỷ lệ phản hồi Kết quả của họ cho thấy hiệu suất của hai mô hình tương tự nhau một cách đáng kể Levin và
mô hình hồi quy tuyến tính và mô hình hai giai đoạn Kết quả của họ cho thấy mô hình Logit hoạt động tốt nhất Phản ứng
tỷ lệ cũng có thể được sử dụng để đánh giá các mô hình được phát triển độc quyền cho các kênh tiếp thị trực tiếp mới Kwon và Moon (2001) đã sử dụng
tỷ lệ phản hồi làm thước đo hiệu suất cho hoạt động tiếp thị qua email trực tiếp Mô hình của họ có tỷ lệ phản hồi cao hơn 20% so với
nhắm mục tiêu ngẫu nhiên ở mức trung bình.
Một số nhà nghiên cứu đã sử dụng tỷ lệ phản hồi để đánh giá hiệu quả hoạt động của các mô hình đối với nhiều vấn đề về chào mời Piersma
mô hình quyết định xem xét tần suất gửi thư với mô hình được đề xuất bởi Bitran và
tỷ lệ phản hồi của mô hình không đủ cao Tương đối mới
việc sử dụng tỷ lệ phản hồi có thể được tìm thấy trong việc đánh giá các hệ thống khuyến nghị Weng và Liu (2004)
đã sử dụng tỷ lệ phản hồi làm thước đo đo để so sánh các phương pháp đề xuất của họ, kết hợp các mô hình hồ sơ khách
hàng và hồ sơ cụm khách hàng, với
phương pháp ban đầu sử dụng hồ sơ khách hàng của riêng họ Phản ứng