دانشگاه صنعتی شریف مهندسی صنایع و مدیریت 2676-4741 41 1 2025 09 22 Analysis of Customers' Lifetime Value with a Clustering Approach Based on Som Artificial Neural Networks and Markov Chain (Case Study: Pasargad Digital Bank) تحلیل ارزش طول عمر مشتریان با رویکرد خوشه‌بندی مبتنی بر شبکه‌های عصبی مصنوعی SOM و زنجیره‌ی مارکوف (مطالعه‌ی موردی: بانک دیجیتال پاسارگاد) 57 72 23783 10.24200/j65.2024.63417.2379 FA مارال میرزایی مرادی گروه مدیریت صنعتی، دانشکده‌ی پردیس بین‌‌‌المللی کیش، دانشگاه تهران، تهران، ایران. سید حسین رضوی حاجی آقا گروه مدیریت، دانشکده‌ی مدیریت و علوم مالی، دانشگاه خاتم، تهران، ایران. 0000-0003-2084-7244 حنان عموزاد مهدیرجی گروه مدیریت تکنولوژی و نوآوری، دانشکده‌ی مدیریت صنعتی و فناوری، دانشگاه تهران، تهران، ایران علی عالیخانی گروه مدیریت صنعتی، دانشکده‌ی مدیریت و علوم اجتماعی، دانشگاه آزاد اسلامی واحد تهران شمال، تهران، ایران. Journal Article 2024 01 27 Clustering of customers and analysis of their lifetime value is one of the basic strategies of policy making in production and marketing. Since the advertising strategies of many businesses are implemented regardless of the financial behavior clusters of customers and the expected income resulting from the dynamic financial behavior of customers, the advertising policy based on the customers’ lifetime value in the dynamic clusters of their financial behavior can save a lot of advertising and marketing costs to manage the costs imposed on businesses. This is despite the fact that the studies conducted in the field of customer lifetime value analysis have not paid attention to advertising strategies based on lifetime value. The existing methods for determining the lifetime value of customers rely on static clustering of customers' status, while customer clustering based on their financial behavior is a dynamic and time-varying phenomenon. Therefore, in this research, the lifetime value analysis of customers and the optimization of advertising strategy in the dynamic clusters of their financial behavior using a self-organizing neural network and dynamic stochastic programming have been discussed. For this purpose, based on the status of each customer belonging to a cluster during consecutive weeks, a Markov chain is formed from the clusters containing customers, and the lifetime value of customers is based on the transition probability matrices of customers' status from one cluster to another, and it is also estimated based on the expected income of customers in each cluster. The results showed that customer clustering with the self-organizing neural network method can explain at least 91% of the changes in the data. Also, the findings showed that the optimal advertising strategy for each cluster of customers with a certain expected income level will lead to different lifetime value for customers, which shows the importance of dynamic clustering of customers and determining the optimal level of advertising cost in each cluster to gain more customer lifetime value. خوشه‌بندی مشتریان و تحلیل ارزش طول عمر آن‌ها، یکی از راهبردهای اساسی سیاست‌گذاری در تولید و بازاریابی است. از آنجا که راهبردهای تبلیغاتی بسیاری از واحدهای تجاری بدون توجه به خوشه‌های رفتار مالی مشتریان و درآمد موردانتظار حاصل از رفتار پویای مالی مشتریان اجرا می‌شود، سیاست‌گذاری تبلیغاتی براساس ارزش طول عمر مشتریان در خوشه‌های پویای رفتار مالی آن‌ها می‌تواند بسیاری از هزینه‌های تبلیغات و بازاریابی تحمیل‌شده به واحدهای تجاری را مدیریت کند. این در حالی است که مطالعات انجام‌شده در زمینه‌ی تحلیل ارزش طول عمر مشتریان، توجهی به راهبردهای تبلیغاتی مبتنی بر ارزش طول عمر نداشته و روش‌های موجود درخصوص تعیین ارزش طول عمر مشتریان متکی بر خوشه‌بندی ایستا از وضعیت مشتریان بوده است؛ در حالی که خوشه‌بندی مشتریان بر پایه‌ی رفتار مالی آن‌ها یک پدیده‌ی پویا و زمان- متغیر است. از این رو، در پژوهش حاضر به تحلیل ارزش طول عمر مشتریان و بهینه‌یابی راهبردهای تبلیغاتی در خوشه‌های پویای رفتار مالی آن‌ها با استفاده از شبکه‌ی عصبی خودسازمان‌ده (SOM) و برنامه‌ریزی تصادفی پویا پرداخته شده است. برای این منظور، براساس وضعیت تعلق هر مشتری به یک خوشه در طول هفته‌های متوالی، یک زنجیره‌ی مارکوف از خوشه‌های در برگیرنده‌ی مشتریان تشکیل و ارزش طول عمر مشتریان بر پایه‌ی ماتریس‌های احتمال انتقال وضعیت مشتریان از یک خوشه به خوشه‌ی دیگر و همچنین براساس درآمد موردانتظار مشتریان در هر خوشه برآورد شده است. نتایج نشان داده است که خوشه‌بندی مشتریان با روش شبکه‌ی عصبی خودسازمان‌ده (SOM) می‌تواند کمینه‌ی 91٪ از تغییرات موجود در داده‌ها را تبیین کند. همچنین یافته‌ها نشان داده‌اند که راهبرد تبلیغاتی بهینه برای هر خوشه از مشتریان با سطح درآمد موردانتظار مشخص، منجر به ارزش طول عمر متفاوتی برای مشتریان شده است، که نشانگر اهمیت خوشه‌بندی پویای مشتریان و تعیین سطح بهینه‌ی هزینه‌ی تبلیغات در هر خوشه برای کسب ارزش طول عمر بیشتر برای مشتریان است. https://sjie.journals.sharif.edu/article_23783_dc8ea2d055557e14585d74fc6c1033b2.pdf