Fecha
2021-08-04
Editor/a
Director/a
Tutor/a
Coordinador/a
Prologuista
Revisor/a
Ilustrador/a
Derechos de acceso
info:eu-repo/semantics/openAccess
Título de la revista
ISSN de la revista
Título del volumen
Editor
MDPI
Citas
0 citas en 
0 citas en 
Resumen
Gaining customer loyalty has become one of the main objectives of all companies. Retailers, especially the online ones, have the advantage of knowing their customers’ historical purchase data, which provides them with an understanding of the customers’ buying patterns. A widely-used tool in strategic marketing and customer loyalty is segmentation based on the traditional Recency, Frequency and Monetary (RFM) model. Subsequently, the fuzzy RFM model proved to be an improvement on the traditional RFM model. There has been a change in the retail customer profile, with the growth of a new cluster, the “One-Shot Customer”, new customers that buy from a retailer just once and never come back. In response to this change, the fuzzy RFM model has been modified to include a new dimension capturing Length or Duration. This study presents the new fuzzy RFMD model (Recency, Frequency, Monetary and Duration model), which can be used to better identify that new, large group of customers. The paper also provides a case study based on an e-commerce clothing retailer. Its customer database was segmented using the k-means algorithm and the Isolation Forest algorithm was applied to identify and correctly treat possible anomalies. The Customer Lifetime Value and the weights for the RFMD attributes were calculated by applying the Analytic Hierarchy Process (AHP) model. Results reveal the improvement that the weighted fuzzy RFMD model offers to retailers, enabling them to detect the One-Shot Customers and thus optimize their strategic marketing plans.
Conseguir la lealtad de los clientes se ha convertido en uno de los principales objetivos de las empresas. Los minoristas, especialmente los de comercio electrónico, tienen la ventaja de contar con los datos históricos de compra de sus clientes lo que les permite conocer sus patrones de consumo. Una herramienta ampliamente utilizada en marketing estratégico para la fidelización de clientes es la segmentación basada en el modelo tradicional RFM (Recency, Frequency y Monetary). El perfil del cliente del comercio minorista ha cambiado, una nueva tipología de clientes se está haciendo cada vez más habitual, el cliente que compra una sola vez y no repite compra. Se ha demostrado en trabajos anteriores que el modelo RFM difuso aporta mejoras al modelo RFM tradicional. La aparición de este nuevo segmento de clientes hace necesaria una revisión del modelo RFM difuso, incluyendo una nueva dimensión, la dimensión Longitud o Duración. Este trabajo presenta el nuevo modelo RFMD difuso (modelo de Recencia, Frecuencia, Monto y Duración) para identificar mejor ese gran grupo de nuevos clientes. Se incluye un caso de uso basado en datos reales de un minorista de comercio electrónico de ropa. Su base de datos de clientes se segmentó utilizando el algoritmo K-medias y se aplicó el algoritmo “Isolation forest” para identificar y tratar correctamente posibles anomalías en los datos. La fidelidad y el valor de cliente junto con los pesos de los atributos RFMD se calcularon aplicando el modelo AHP (Analytic Hierachy Process). Los resultados obtenidos muestran la mejora que el modelo RFMD difuso ponderado ofrece a los minoristas al detectar a los "clientes de una sola compra", por lo que este nuevo modelo les ayudará en la optimización de sus planes estratégicos de marketing.
Conseguir la lealtad de los clientes se ha convertido en uno de los principales objetivos de las empresas. Los minoristas, especialmente los de comercio electrónico, tienen la ventaja de contar con los datos históricos de compra de sus clientes lo que les permite conocer sus patrones de consumo. Una herramienta ampliamente utilizada en marketing estratégico para la fidelización de clientes es la segmentación basada en el modelo tradicional RFM (Recency, Frequency y Monetary). El perfil del cliente del comercio minorista ha cambiado, una nueva tipología de clientes se está haciendo cada vez más habitual, el cliente que compra una sola vez y no repite compra. Se ha demostrado en trabajos anteriores que el modelo RFM difuso aporta mejoras al modelo RFM tradicional. La aparición de este nuevo segmento de clientes hace necesaria una revisión del modelo RFM difuso, incluyendo una nueva dimensión, la dimensión Longitud o Duración. Este trabajo presenta el nuevo modelo RFMD difuso (modelo de Recencia, Frecuencia, Monto y Duración) para identificar mejor ese gran grupo de nuevos clientes. Se incluye un caso de uso basado en datos reales de un minorista de comercio electrónico de ropa. Su base de datos de clientes se segmentó utilizando el algoritmo K-medias y se aplicó el algoritmo “Isolation forest” para identificar y tratar correctamente posibles anomalías en los datos. La fidelidad y el valor de cliente junto con los pesos de los atributos RFMD se calcularon aplicando el modelo AHP (Analytic Hierachy Process). Los resultados obtenidos muestran la mejora que el modelo RFMD difuso ponderado ofrece a los minoristas al detectar a los "clientes de una sola compra", por lo que este nuevo modelo les ayudará en la optimización de sus planes estratégicos de marketing.
Descripción
The registered version of this article, first published in “Mathematics 2021, 9(16), 1836", is available online at the publisher's website: Universidad nacional de Educación a Distancia, https://doi.org/10.3390/math9161836
La versión registrada de este artículo, publicado por primera vez en “Mathematics 2021, 9(16), 1836", está disponible en línea en el sitio web del editor: Universidad nacional de Educación a Distancia,
https://doi.org/10.3390/math9161836
Categorías UNESCO
Palabras clave
Fuzzy RFMD, Isolation Forest, Customer Segmentation, Strategic Marketing, AHP, Weighted RFMD
Citación
Rocío G. Martínez, Ramon A. Carrasco, Cristina Sanchez-Figueroa and Diana Gavilan. "An RFM model customizable to product catalogues and marketing criteria using fuzzy linguistic models: Case study of a retail business". Mathematics 2021, 9(16), 1836; DOI: https://doi.org/10.3390/math9161836
Centro
Facultad de Ciencias Económicas y Empresariales
Departamento
Economía aplicada y estadística