En el dinámico entorno empresarial actual, caracterizado por una competencia feroz y una evolución constante de las expectativas de los clientes, la capacidad que tiene una empresa para comprender y anticipar las necesidades y comportamientos de sus clientes se ha convertido en una piedra angular para el éxito sostenido. En este escenario, el cálculo del Valor del Cliente a lo Largo del Tiempo (CLTV, por sus siglas en inglés) emerge como una herramienta estratégica esencial, permitiendo a las empresas no solo entender el valor actual de sus clientes, sino también poder predecir su comportamiento de compra en el futuro. En este trabajo de fin de grado se diseña una metodología de creación de modelo de Redes Neuronales para la predicción del CLTV. El objetivo principal es desarrollar una metodología innovadora que permita evaluar el valor monetario futuro de los clientes existentes y comparar sus resultados con los modelos tradicionales de predicción. La metodología propuesta incluye la recopilación y análisis de los datos históricos proporcionados por la empresa, seguido del entrenamiento de cada uno de los valores a predecir necesarios para el cálculo del CLTV empleando la misma red neuronal. El trabajo concluye con la implementación de una red densa capaz de predecir con efectividad y precisión el valor de cliente en un periodo de 6 meses con un mejor rendimiento que el cálculo generado con modelos tradicionales como son el modelo BetaGeoFitter y el modelo Gamma-Gamma. Además de nombrar las ventajas e inconvenientes que tiene este tipo de modelos frente a los modelos tradicionales. Este estudio aporta una nueva perspectiva sobre el cálculo de valor de cliente a lo largo del tiempo empleando redes neuronales y ofrece recomendaciones de trabajos futuros para este campo.
ABSTRACT
In today’s dynamic business environment, characterized by fierce competition and the constant evolution of customer expectations, a company’s ability to understand and anticipate its customers’ needs and behaviors has become a cornerstone for sustained success. In this scenario, the calculation of Customer Lifetime Value (CLTV) emerges as an essential strategic tool, enabling companies not only to understand the current value of their customers but also to predict their future purchasing behavior. This undergraduate thesis designs a methodology for creating a Neural Network model to predict CLTV. The main objective is to develop an innovative methodology that allows evaluating the future monetary value of existing customers and comparing its results with traditional prediction models. The proposed methodology includes the collection and analysis of historical data provided by the company, followed by training each of the values to be predicted necessary for the calculation of CLTV using the same neural network. The thesis concludes with the implementation of a dense network capable of effectively and accurately predicting customer value over a 6-month period, with better performance than calculations generated with traditional models such as the BetaGeoFitter model and the Gamma-Gamma model. Additionally, it names the advantages and disadvantages of this type of model compared to traditional models. This study provides a new perspective on the calculation of customer lifetime value using neural networks and offers recommendations for future work in this field.
En el dinámico entorno empresarial actual, caracterizado por una competencia feroz y una evolución constante de las expectativas de los clientes, la capacidad que tiene una empresa para comprender y anticipar las necesidades y comportamientos de sus clientes se ha convertido en una piedra angular para el éxito sostenido. En este escenario, el cálculo del Valor del Cliente a lo Largo del Tiempo (CLTV, por sus siglas en inglés) emerge como una herramienta estratégica esencial, permitiendo a las empresas no solo entender el valor actual de sus clientes, sino también poder predecir su comportamiento de compra en el futuro. En este trabajo de fin de grado se diseña una metodología de creación de modelo de Redes Neuronales para la predicción del CLTV. El objetivo principal es desarrollar una metodología innovadora que permita evaluar el valor monetario futuro de los clientes existentes y comparar sus resultados con los modelos tradicionales de predicción. La metodología propuesta incluye la recopilación y análisis de los datos históricos proporcionados por la empresa, seguido del entrenamiento de cada uno de los valores a predecir necesarios para el cálculo del CLTV empleando la misma red neuronal. El trabajo concluye con la implementación de una red densa capaz de predecir con efectividad y precisión el valor de cliente en un periodo de 6 meses con un mejor rendimiento que el cálculo generado con modelos tradicionales como son el modelo BetaGeoFitter y el modelo Gamma-Gamma. Además de nombrar las ventajas e inconvenientes que tiene este tipo de modelos frente a los modelos tradicionales. Este estudio aporta una nueva perspectiva sobre el cálculo de valor de cliente a lo largo del tiempo empleando redes neuronales y ofrece recomendaciones de trabajos futuros para este campo.
ABSTRACT
In today’s dynamic business environment, characterized by fierce competition and the constant evolution of customer expectations, a company’s ability to understand and anticipate its customers’ needs and behaviors has become a cornerstone for sustained success. In this scenario, the calculation of Customer Lifetime Value (CLTV) emerges as an essential strategic tool, enabling companies not only to understand the current value of their customers but also to predict their future purchasing behavior. This undergraduate thesis designs a methodology for creating a Neural Network model to predict CLTV. The main objective is to develop an innovative methodology that allows evaluating the future monetary value of existing customers and comparing its results with traditional prediction models. The proposed methodology includes the collection and analysis of historical data provided by the company, followed by training each of the values to be predicted necessary for the calculation of CLTV using the same neural network. The thesis concludes with the implementation of a dense network capable of effectively and accurately predicting customer value over a 6-month period, with better performance than calculations generated with traditional models such as the BetaGeoFitter model and the Gamma-Gamma model. Additionally, it names the advantages and disadvantages of this type of model compared to traditional models. This study provides a new perspective on the calculation of customer lifetime value using neural networks and offers recommendations for future work in this field. Read More
Related posts:
FADEEAC rechazó el proyecto para modificar el cálculo de las indemnizaciones en La Provincia
Fidelización de clientes en un centro deportivo a través de actividades deportivas y de ocio
Análisis de sentimientos de clientes en llamadas
Análisis del desempeño de C versus C++ en la producción multihilo de cadenas L-System: un caso de estudio ABP
6 tendencias en la cadena de suministro que llegaron para quedarse
China y Malasia firman acuerdos por un valor potencial de 2.800 millones de dólares