DOI: https://doi.org/10.70917/ijcisim-2026-0115
تاريخ النشر: 2026-01-20
المؤلف: Ruimei Wang
الموضوع الرئيسي: تسرب العملاء والتجزئة
نظرة عامة
تؤسس هذه الورقة البحثية إطارًا قويًا لتعزيز اتخاذ القرارات التسويقية من خلال مجموعة من جمع البيانات، ومراقبة الجودة، وتحليل البقاء، ونمذجة سلسلة ماركوف. تستخدم التحليل الإحصائي وتقنيات تنقيب البيانات لتحديد أنماط سلوك العملاء، مع التركيز بشكل خاص على ديناميات فقدان العملاء. باستخدام مجموعة بيانات من علامة تجارية لسلسلة وجبات خفيفة، تحلل الدراسة سلوكيات استهلاك 1,454 عميلًا عالي التردد، كاشفة عن وجود علاقة سلبية بين درجة ارتباط النظام ومدة بقاء العميل. تشير النتائج إلى أن العملاء الذين يظهرون تقلبات كبيرة في كميات الاستهلاك يمتلكون مرونة أكبر في البقاء، حيث كانت أقصى مدة بقاء مسجلة هي 23,731 ساعة.
تظهر النتائج التجريبية تباينات ملحوظة في أوقات بقاء العملاء في النظام عبر ظروف تجريبية مختلفة. على سبيل المثال، في المخطط 1، الذي يتميز بانخفاض قرب النظام، كانت متوسط مدة البقاء 26,240 ساعة، بينما أظهرت المخططات اللاحقة أوقات بقاء أقصر بشكل ملحوظ. بالإضافة إلى ذلك، تحدد التحليل الميزات الرئيسية التي تؤثر على سلوك العملاء: تؤثر الميزة A9 بشكل إيجابي على نية الطلب، بينما تؤثر الميزة B8 بشكل سلبي على نية إلغاء الطلب. توفر هذه الرؤى متغيرات حاسمة للتدخلات التسويقية المستهدفة، مما يبرز التطبيق العملي للإطار في اتخاذ القرارات المؤسسية.
مقدمة
تناقش مقدمة هذه الورقة البحثية التأثير التحويلي للاقتصاد الرقمي على هياكل السوق العالمية ونماذج الأعمال التقليدية. تؤكد على ضرورة تكيف الشركات مع التغيرات الكبيرة في بيئاتها التسويقية؛ وإلا فإنها تخاطر بفقدان القدرة التنافسية وتكبد خسائر كبيرة. يتفق جميع الشركات بمختلف أحجامها على أن الرقمنة ضرورية لدفع الإنتاج والتنمية، خاصة في أوقات الأزمات. يعزز دمج التكنولوجيا في استراتيجيات التسويق استجابة الشركات لتغيرات السوق، ويحسن من تفاعل العملاء، ويعزز تنفيذ التسويق.
تسلط الورقة الضوء على دور البيانات الكبيرة والحوسبة السحابية في ثورة ممارسات التسويق، مما يمكّن الشركات من معالجة كميات هائلة من المعلومات وتعديل استراتيجياتها وفقًا لذلك. من خلال الاستفادة من هذه التقنيات، يمكن للشركات فهم اتجاهات السوق بشكل أفضل، وتعزيز نقاط قوتها التنافسية، وابتكار نماذجها التسويقية لخلق قيمة تجارية أكبر. تدعم الأدبيات المذكورة في المقدمة فكرة أن التقنيات الرقمية، وخاصة الحوسبة السحابية، تحسن بشكل كبير من كفاءة المؤسسات وتفاعل العملاء، مما يسهل تطوير استراتيجيات تسويق مخصصة. كما تحدد الورقة إطارًا تنبؤيًا لتحليل سلوك العملاء باستخدام بيانات من دراسة حالة معينة، بهدف تحديد العوامل الرئيسية التي تؤثر على بقاء العملاء في سياق تقديم الطلبات وإلغائها.
طرق
تحدد هذه القسم إطارًا للتسويق القائم على البيانات للشركات يعالج تحديات نماذج التسويق التقليدية في سياق الاقتصاد الرقمي. يؤكد على ضرورة استخراج البيانات بكفاءة وتوقع سلوك العملاء بدقة لتعزيز القدرة التنافسية للأعمال. تحدد الورقة أوجه القصور في الأبحاث الحالية، خاصة في مراقبة جودة البيانات، والنمذجة الديناميكية لسلوك العملاء، وتوقع الاتجاهات على المدى الطويل. للتغلب على هذه القيود، يقترح المؤلفون إطارًا قائمًا على السحابة يدمج هندسة البيانات، وتحليل البقاء، ونظرية سلسلة ماركوف، مما يسهل نهجًا منهجيًا من جمع البيانات إلى توقع السلوك.
فيما يتعلق بجمع البيانات، تبرز الورقة أهمية استخدام كل من المصادر الداخلية والخارجية للبيانات، مثل بيانات المبيعات والعملاء، بالإضافة إلى أبحاث السوق وتحليل المنافسين. تؤكد على الحاجة إلى آليات قوية لمراقبة جودة البيانات، بما في ذلك تنظيف البيانات وتطبيعها، لضمان دقة وفعالية القرارات التسويقية. تناقش القسم أيضًا طرق تحليل البيانات المختلفة، بما في ذلك الأدوات الإحصائية (مثل Excel، SPSS، R) والتقنيات المتقدمة مثل تنقيب البيانات وتعلم الآلة، التي يمكن أن تكشف عن الأنماط والاتجاهات في مجموعات البيانات الكبيرة. يدعو المؤلفون إلى اختيار طرق التحليل المناسبة بناءً على سياقات الأعمال المحددة ويؤكدون على دمج تحليل البيانات مع السيناريوهات الواقعية لتوفير دعم شامل لاستراتيجيات التسويق.
مناقشة
في قسم المناقشة من الورقة البحثية، يتم تعريف سلوك العملاء في التجارة المحمولة من خلال سلوك المعاملات وولاء العملاء، مع التأكيد على أهمية تحليل وقت المعاملة، والطرف المقابل، والدورة لتعزيز تخصيص الموارد. يتميز ولاء العملاء بالمعاملات المتكررة والمواقف مثل الرضا وولاء العلامة التجارية. تبرز الورقة تعقيد دورات المعاملات، التي يمكن أن تختلف بشكل كبير بناءً على التركيبة السكانية للعملاء والعوامل الخارجية مثل العطلات، مما يستدعي تحليلًا دقيقًا لتحديد الاتجاهات والتفضيلات في سلوك شراء العملاء.
تتوسع القسم أكثر في تحليل البقاء، موضحة ثلاث وظائف رئيسية: وظيفة البقاء \( S(t) \)، وظيفة كثافة الاحتمال \( f(t) \)، ووظيفة الخطر \( h(t) \). هذه الوظائف ضرورية لنمذجة أوقات البقاء وفهم احتمالية فقدان العملاء. تشير وظيفة البقاء إلى احتمال أن يظل العميل نشطًا بعد فترة معينة، بينما توفر وظيفة الخطر رؤى حول خطر الفقدان في أي لحظة معينة. يتم التعبير عن العلاقات بين هذه الوظائف رياضيًا، مما يسمح بتحليل شامل لأنماط سلوك العملاء. بشكل عام، تؤكد النتائج على أهمية تحليل البقاء في توقع احتفاظ العملاء وإبلاغ استراتيجيات التسويق.
DOI: https://doi.org/10.70917/ijcisim-2026-0115
Publication Date: 2026-01-20
Author(s): Ruimei Wang
Primary Topic: Customer churn and segmentation
Overview
This research paper establishes a robust framework for enhancing marketing decision-making through a combination of data collection, quality control, survival analysis, and Markov chain modeling. It employs statistical analysis and data mining techniques to delineate customer behavior patterns, particularly focusing on customer churn dynamics. Utilizing a dataset from a snack chain brand, the study analyzes the consumption behaviors of 1,454 high-frequency customers, revealing a negative correlation between the degree of system association and customer survival time. The findings indicate that customers exhibiting significant fluctuations in consumption amounts possess greater survival resilience, with the maximum recorded survival time being 23,731 hours.
The empirical results demonstrate notable variations in customer system survival times across different experimental conditions. For instance, in Scheme 1, characterized by lower system closeness, the average survival time was 26,240 hours, while subsequent schemes exhibited significantly shorter survival times. Additionally, the analysis identifies key features influencing customer behavior: feature A9 positively impacts ordering intent, whereas feature B8 negatively affects order cancellation intent. These insights provide critical variables for targeted marketing interventions, underscoring the framework’s practical applicability in corporate decision-making.
Introduction
The introduction of this research paper discusses the transformative impact of the digital economy on global market structures and traditional business models. It emphasizes that businesses must adapt to significant changes in their marketing environments; otherwise, they risk losing competitiveness and incurring substantial losses. The consensus among enterprises of various sizes is that digitalization is essential for driving production and development, particularly in times of crisis. The integration of technology into marketing strategies enhances companies’ responsiveness to market changes, improves customer engagement, and optimizes marketing execution.
The paper highlights the role of big data and cloud computing in revolutionizing marketing practices, enabling businesses to process vast amounts of information and refine their strategies accordingly. By leveraging these technologies, companies can better understand market trends, enhance their competitive strengths, and innovate their marketing models to create greater commercial value. The literature cited in the introduction supports the notion that digital technologies, particularly cloud computing, significantly improve enterprise efficiency and customer engagement, facilitating the development of personalized marketing strategies. The paper also outlines a predictive framework for analyzing customer behavior using data from a specific case study, aiming to identify key factors influencing customer survival in the context of order placements and cancellations.
Methods
The section outlines a framework for data-driven enterprise marketing that addresses the challenges of traditional marketing models in the context of the digital economy. It emphasizes the necessity for efficient data extraction and accurate customer behavior prediction to enhance business competitiveness. The paper identifies shortcomings in existing research, particularly in data quality control, dynamic modeling of customer behavior, and long-term trend prediction. To overcome these limitations, the authors propose a cloud-based framework that integrates data engineering, survival analysis, and Markov chain theory, facilitating a systematic approach from data collection to behavior prediction.
In terms of data collection, the paper highlights the importance of utilizing both internal and external data sources, such as sales and customer data, as well as market research and competitor analysis. It stresses the need for robust data quality control mechanisms, including data cleaning and normalization, to ensure the accuracy and effectiveness of marketing decisions. The section also discusses various data analysis methods, including statistical tools (e.g., Excel, SPSS, R) and advanced techniques like data mining and machine learning, which can uncover patterns and trends in large datasets. The authors advocate for the selection of appropriate analysis methods based on specific business contexts and emphasize the integration of data analysis with real-world scenarios to provide comprehensive support for marketing strategies.
Discussion
In the discussion section of the research paper, customer behavior in mobile commerce is defined through transaction behavior and customer loyalty, emphasizing the importance of analyzing transaction time, counterpart, and cycle to enhance resource allocation. Customer loyalty is characterized by repeat transactions and attitudes such as satisfaction and brand loyalty. The paper highlights the complexity of transaction cycles, which can vary significantly based on customer demographics and external factors like holidays, thereby necessitating careful analysis to identify trends and preferences in customer purchasing behavior.
The section further elaborates on survival analysis, detailing three key functions: the survival function \( S(t) \), the probability density function \( f(t) \), and the hazard function \( h(t) \). These functions are crucial for modeling survival times and understanding the likelihood of customer churn. The survival function indicates the probability that a customer will remain active beyond a certain time, while the hazard function provides insights into the risk of churn at any given moment. The relationships among these functions are mathematically articulated, allowing for comprehensive analysis of customer behavior patterns. Overall, the findings underscore the significance of survival analysis in predicting customer retention and informing marketing strategies.