다가오는 21세기의 비즈니스 상황은 급격한 변화의 연속이 될 것이다. 전 세계를 묶는 인터넷을 통한 네트워크화가 가속화되어 기업은 점점 더 고유의 영역을 잃어 갈 것이다. 또한 날마다 새롭게 출현하는 e-컴퍼니들과의 치열한 경쟁 등 기존의 전략으로는 대응할 수 없던 새로운 환경이 도래하고 있는 실정이다.
따라서 경쟁력을 유지하기 위해서는 고객에 초점을 두고, 고객에 의해 추진되고 고객 중심적인 전략을 개발해야 한다. 이는 기업의 지속적인 고객 관계를 유지하고 싶은 열망을 나타내는 것이다. CRM은 이러한 노력을 기업과 고객 모두에게 가치 있게 만들고, 고객들로 하여금 기업의 이러한 노력에 대한 가치를 인지하도록 하는 것이다.
한편 대량의 데이터베이스로부터 과거에 인지하지 못했던 의미 있고, 근거 있는 정보를 추출하는 ...
다가오는 21세기의 비즈니스 상황은 급격한 변화의 연속이 될 것이다. 전 세계를 묶는 인터넷을 통한 네트워크화가 가속화되어 기업은 점점 더 고유의 영역을 잃어 갈 것이다. 또한 날마다 새롭게 출현하는 e-컴퍼니들과의 치열한 경쟁 등 기존의 전략으로는 대응할 수 없던 새로운 환경이 도래하고 있는 실정이다.
따라서 경쟁력을 유지하기 위해서는 고객에 초점을 두고, 고객에 의해 추진되고 고객 중심적인 전략을 개발해야 한다. 이는 기업의 지속적인 고객 관계를 유지하고 싶은 열망을 나타내는 것이다. CRM은 이러한 노력을 기업과 고객 모두에게 가치 있게 만들고, 고객들로 하여금 기업의 이러한 노력에 대한 가치를 인지하도록 하는 것이다.
한편 대량의 데이터베이스로부터 과거에 인지하지 못했던 의미 있고, 근거 있는 정보를 추출하는 데이터마이닝은 고객 관련 데이터베이스로부터 보다 정확한 정보의 획득, 전략적 활용을 가능하게 함으로써 효과적인 고객관계 관리를 위한 기반 기술이 되고 있다.
본 연구는 고객 스코어링 모형 구축에 의한 스코어링 결과 분석을 통하여, 고객을 이해하고 고객의 니즈를 파악하며 고객의 가치를 평가함으로써 고객에 대한 개별 마케팅 캠페인을 전개하는 분석적 CRM의 과학적이고 이론적 근거를 제시하기 위한 연구이다.
본 연구에서는 새로운 비즈니스 패러다임으로서 각광을 받고 있는 CRM에 대한 전체적인 고찰과 함께 특히 분석적 CRM 측면에 대하여 주요 개념들을 정리하였으며, 이에 대한 하나의 예시로서 데이터마이닝 기법을 활용하여 고객 수익성을 위한 스코어링 모형을 구축하였다.
분류 예측에 유용한 기법의 하나인 인공신경망을 적용한 결과, 비교적 안정적인 모형이 구축되었으며, 산출된 수익성 고객 점수와 비수익성 고객 점수에 대한 전체 고객 수의 분포를 확인하여 향후 고객 세분화 작업과 차별화된 마케팅 캠페인 수행의 근거를 제시하였다.
다가오는 21세기의 비즈니스 상황은 급격한 변화의 연속이 될 것이다. 전 세계를 묶는 인터넷을 통한 네트워크화가 가속화되어 기업은 점점 더 고유의 영역을 잃어 갈 것이다. 또한 날마다 새롭게 출현하는 e-컴퍼니들과의 치열한 경쟁 등 기존의 전략으로는 대응할 수 없던 새로운 환경이 도래하고 있는 실정이다.
따라서 경쟁력을 유지하기 위해서는 고객에 초점을 두고, 고객에 의해 추진되고 고객 중심적인 전략을 개발해야 한다. 이는 기업의 지속적인 고객 관계를 유지하고 싶은 열망을 나타내는 것이다. CRM은 이러한 노력을 기업과 고객 모두에게 가치 있게 만들고, 고객들로 하여금 기업의 이러한 노력에 대한 가치를 인지하도록 하는 것이다.
한편 대량의 데이터베이스로부터 과거에 인지하지 못했던 의미 있고, 근거 있는 정보를 추출하는 데이터마이닝은 고객 관련 데이터베이스로부터 보다 정확한 정보의 획득, 전략적 활용을 가능하게 함으로써 효과적인 고객관계 관리를 위한 기반 기술이 되고 있다.
본 연구는 고객 스코어링 모형 구축에 의한 스코어링 결과 분석을 통하여, 고객을 이해하고 고객의 니즈를 파악하며 고객의 가치를 평가함으로써 고객에 대한 개별 마케팅 캠페인을 전개하는 분석적 CRM의 과학적이고 이론적 근거를 제시하기 위한 연구이다.
본 연구에서는 새로운 비즈니스 패러다임으로서 각광을 받고 있는 CRM에 대한 전체적인 고찰과 함께 특히 분석적 CRM 측면에 대하여 주요 개념들을 정리하였으며, 이에 대한 하나의 예시로서 데이터마이닝 기법을 활용하여 고객 수익성을 위한 스코어링 모형을 구축하였다.
분류 예측에 유용한 기법의 하나인 인공신경망을 적용한 결과, 비교적 안정적인 모형이 구축되었으며, 산출된 수익성 고객 점수와 비수익성 고객 점수에 대한 전체 고객 수의 분포를 확인하여 향후 고객 세분화 작업과 차별화된 마케팅 캠페인 수행의 근거를 제시하였다.
In today's fast-paced internet economy, new competitors to business can literally appear overnight. Compounding this challenge, customers are being overwhelmed by product proliferation and information overload, and increasingly demanding personalized service. Acquiring, retaining, and developing cus...
In today's fast-paced internet economy, new competitors to business can literally appear overnight. Compounding this challenge, customers are being overwhelmed by product proliferation and information overload, and increasingly demanding personalized service. Acquiring, retaining, and developing customer relationships is becoming more difficult and more expensive to accomplish.
So, many companies are rushing to become more customer focused. A key component of many initiatives is the implementation of Customer Relationship Management(CRM).
CRM helps companies improve the profitability of their interactions with customers, while at the same time, makes the interactions appear friendlier through individualization. To succeed with CRM, companies need to match products and campaigns to prospects and customers - in other words, to intelligently manage the customer life cycle.
The sheer volume of customer information and increasingly complex interactions with customers have propelled data mining to the forefront of making customer relationships profitable.
Data mining is a process that uses a variety of data analysis and modeling techniques to discover patterns and relationships in data that are used to understand what customers want and predict what they will go. Data mining can help companies select the right prospects on whom to focus, offer the right additional products to existing customers and identify good customers who may be about to leave. CRM applications that uses data mining are called analytical CRM.
In this thesis, we have focused on building a customer scoring model using the neural network algorithm. Our experimental results show that this model selects the most appropriate prospects for a targeted marketing campaign and will maximize profitability.
In today's fast-paced internet economy, new competitors to business can literally appear overnight. Compounding this challenge, customers are being overwhelmed by product proliferation and information overload, and increasingly demanding personalized service. Acquiring, retaining, and developing customer relationships is becoming more difficult and more expensive to accomplish.
So, many companies are rushing to become more customer focused. A key component of many initiatives is the implementation of Customer Relationship Management(CRM).
CRM helps companies improve the profitability of their interactions with customers, while at the same time, makes the interactions appear friendlier through individualization. To succeed with CRM, companies need to match products and campaigns to prospects and customers - in other words, to intelligently manage the customer life cycle.
The sheer volume of customer information and increasingly complex interactions with customers have propelled data mining to the forefront of making customer relationships profitable.
Data mining is a process that uses a variety of data analysis and modeling techniques to discover patterns and relationships in data that are used to understand what customers want and predict what they will go. Data mining can help companies select the right prospects on whom to focus, offer the right additional products to existing customers and identify good customers who may be about to leave. CRM applications that uses data mining are called analytical CRM.
In this thesis, we have focused on building a customer scoring model using the neural network algorithm. Our experimental results show that this model selects the most appropriate prospects for a targeted marketing campaign and will maximize profitability.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.