Propozycja założeń modelu rozwiązywania problemu selekcji klientów w kampanii marketingowej

• Autorzy: Jarek S.

Warianty tytułu

EN

The problem of selection of customers for a marketing campaign

• Języki publikacji: PL

Abstrakty

PL

Wielu dostawców usług masowych organizuje kampanie marketingowe mające zachęcić dotychczasowych klientów do zawierania umów komplementarnych do świadczonych dotychczas usług. Pojawia się zatem problem wyboru tych klientów, którym zostanie przedstawiona oferta zawarcia dodatkowej umowy. Rozwiązując tak postawiony problem, stajemy przed kwestiami optymalizacyjnymi zawierającymi olbrzymie ilości zmiennych decyzyjnych, które powinny przyjmować wartości binarne. W artykule zostaną omówione wybrane metody wyznaczania optymalnych rozwiązań tak sformułowanego problemu selekcji klientów.

EN

Many service providers organizing mass marketing campaigns to encourage existing customers to conclude the agreement complementary to the services currently provided. This raises the problem of the choice of these customers, which will be presented the offer to conclude an additional agreement. By solving the stated earlier problem we face the problems of optimization containing huge amounts of decision variables, which should take binary values. This paper will discuss the chosen method of determining optimal solutions so formulated the problem of selection of customers.

Słowa kluczowe

PL

kampania marketingowa; marketing bezpośredni; telemarketing; optymalizacja; programowanie liniowe

EN

marketing campaign; direct marketing; telemarketing; optimization; linear programming

• Wydawca: Wydawnictwo Politechniki Śląskiej
• Czasopismo: Zeszyty Naukowe. Organizacja i Zarządzanie / Politechnika Śląska
• Rocznik: 2014
• Tom: z. 74
• Strony: 159--169
• Opis fizyczny: Bibliogr. 13 poz.

Twórcy

autor

Jarek S.

• Wydział Informatyki i Komunikacji. Uniwersytet Ekonomiczny w Katowicach

Bibliografia

• 1. Anderson E., Bai Z., Bischof C., Blackford S., Demmel J., Dongarra J., Du Croz J., Greenbaum A., Hammarling S., McKenney A., Sorensen D.: LAPACK Users' Guide, Third Ed., Society for Industrial and Applied Mathematics, Philadelphia, PA, 1999.
• 2. Bose I., Chen X.: Quantitative models for direct marketing: a review from systems perspeetive, [in:] European Journal of Operational Research, 195(1), 2009, pp. 1-16.
• 3. Cohen M.: Exploiting response models - optimizing cross-sell and upsell opportunities in banking, [in:] Information Systems, 29, 2004, pp. 327-341.
• 4. Kazushige G., van de Geijn R.A.: Anatomy of High-Performance Matrix Multiplication, [in:] ACM Transactions on Mathematical Software 34(3): Article 12, 25 pages, May 2008.
• 5. Kazushige G., van de Geijn R.: High-Performance Implementation of the Level-3 BLAS, [in:] ACM Transactions on Mathematical Software 35(1): Article 4, 14 pages, July 2008.
• 6. Knott A., Hayes A., Neslin S.A.: Next-product-to-buy models for cross-selling applications, [in:] Journal of Interactive Marketing, 16, 2002, pp. 59-75.
• 7. Kotler P., Armstrong G.: Principles of Marketing. Pearson Prentice Hall, 2006.
• 8. Nobibon F.T., Leus R., Spieksma F.: The selection of clients for promotion campaigns by means of mathematical programming, [in:] Industrial Engineering and Engineering Management, 2009. IEEM 2009. IEEE International Conference on, 8-11 Dec. 2009, pp. 286-290.
• 9. Nobibon T.F., Leus R., Spieksma F.C.R.: Models for the optimization of promotion campaigns: exact and heuristic algorithms. Research report KBI−0814, Katholieke Universiteit Leuven, 2008.
• 10. Sikora R., Piramuthu S.: Framework for efficient feature selection in genetic algorithm based data mining, [in:] European Journal of Operational Research, 180(2), 2007, pp. 723-737.
• 11. Tan D., Yeoh W., Yee Ling B., Liew S.: The impact of feature selection: a data-mining application in direct marketing, Intelligent Systems In Accounting, Finance & Management [serial on the Internet], 20(1), January 2013, pp. 23-38.
• 12. Whaley R.C., Petitet A., Dongarra J.J.: Automated Empirical Optimization of Software and the ATLAS Project, Parallel Computing, 27, pp. 3-35.
• 13. R Core Team: R: A Language and Environment for Statistical Computing, R Foundation for Statistical Computing, Vienna, Austria, http://www.R-project.org/ (July 12, 2014), 2014.