In recent years, businesses are increasingly realizing the importance of knowing their customers better. E-businesses, as well as brick-and-mortar businesses, are focusing their marketing efforts on building lasting ties with customers through improved Customer Relationship Management (CRM). Under these circumstances, this study investigates two CRM related issues:
Recommendation system in Part Ⅱand CRM success factor model in Part Ⅲ
respectively.
In Part Ⅱ, we focus on improving personalized recommendation of which collaborative filtering algorithm combines with intelligent data mining techniques.
Collaborative filtering (CF) recommendation is a knowledge sharing technology for distribution of opinions and facilitating contacts in network society between people with similar interests. The main concerns of the CF algorithm are about prediction accuracy, speed of response time, problem of data sparsity, and scalability. In general, the efforts of improving prediction algorithms and lessening response time are decoupled. We propose a three-step CF recommendation model which is composed of profiling, inferring, and predicting steps while considering prediction accuracy and computing speed simultaneously.
This model combines a CF algorithm with two machine learning processes, SOM (Self-Organizing Map) and CBR (Case Based Reasoning) by changing an unsupervised clustering problem into a supervised user preference reasoning problem, which is a novel approach for the CF recommendation field. This paper demonstrates the utility of the CF recommendation based on SOM clusterindexing CBR with validation against control algorithms through an open dataset
of user preference.
The performance of our model yields superior results compared to memorybased CF techniques and other previous hybrid CF models. Our model yields also superior performance when compared with other traditional memory-based CF algorithms and other NN (Neural Network) and induction based CF prediction algorithms. This suggests that there is room for improved accuracy for all current
CF algorithms. We are experimenting with a number of variations, such as kmeans clustering and hybrid approaches with adaptive online weighting to further improve accuracy without altering online computation time. This study compares several computational approaches to CF recommendation, considering prediction accuracy and response speed simultaneously. Especially, data mining techniques, such as SOM, NN and CBR have shown the potential for improving.
The promising potential for CF systems can be investigated by integrating with product/customer-specific information profiling, implicit information analysis such as web-page navigation history and retrieval technology.
In Part Ⅲ, we explores CRM success factor model that consists of the CRM initiatives (process fit, customer information quality, and system support), the intrinsic success (efficiency and customer satisfaction), and the extrinsic success(profitability) using the structural equation analysis through an empirical approach. These constructs underlie much of the existing literature on information system success and customer satisfaction perspectives. We find empirical support for the CRM implementation priority decision from 253 respondents of 14 companies which have implemented CRM system. Practical implications for managers and implementers are suggested.
In this part, we set out to investigate factors affecting the success of CRM implementation in the three perspectives from the efficiency literature in IS, the customer satisfaction literature in marketing, and firm’s aggregated profitability which were synthesized to identify CRM initiatives, intrinsic success, and extrinsic constructs for analyzing CRM success model. Based on IS literature, we argued that measuring internal efficiency for process fit, customer information quality and system support provides the first insight for achieving CRM success.
By synthesizing IS and marketing theories related to customer satisfaction and profitability, key constructs are identified for CRM implementation priority. The CRM success model provides strong support for the reliability and validity of the proposed metrics for measuring the key constructs of CRM success.
This dissertation proposes two CRM models in the technical and empirical perspectives. The collaborative filtering recommendation model shows the promising potential for CF systems that can be investigated by integrating with product/customer-specific information profiling, implicit information analysis such as web-page navigation history and retrieval technology. In the future research, we will suggest hybrid recommendation algorithms and try to apply our model
into a real-world personalized recommendation site. The results of the CRM success study provide reliable instruments for operationalizing the key constructs in the analysis of and have some important implications for implementing CRM systems. These measures can be used to evaluate what influences CRM success and to provide insight for making decisions about priority of CRM investment.
최근 기업은 고객에 대한 정보 및 지식의 중요성에 대해 인식해 가고 있으며 이는 전자 상거래를 영위하고 있는 기업뿐만이 아니라 기존 오프라인 기업에 이르기까지 향상된 고객관계관리(CRM)를 통한 고객들과의 유대 관계를 강화하는 데에 마케팅 역량을 집중하고 있다. 이러한 환경에 기반하여 CRM 에 대한 기술적 연구 및 실증적 분석을 제시하고자 한다.
기술적 개선 연구인 Part Ⅱ에서는 지능화된 데이터 마이닝 방법론들을 결합하여 개인화된 추천을 위한 협업 필터링(Collaborative filtering) 알고리즘 개선 방안을 제시한다. 협업 필터링은 선호 관계의 유사성을 기반으로 인간의 의견이나 정보를 공유할 수 있는 지식 교류의 한 방법으로 사용 되어진다. 협업필터링에 대한 주요 관심은 알고리즘의 예측 정확도, 응답 시간, 확장성, 및 외재 정보 부족에 대한 해결에 그 초점을 두고 있다. 따라서 전체 이용자의 선호 DB 에서 어떻게 동일 성향을 가진 고객들끼리 군집화하고, 검색하는지에 따라 예측 정확도 및 연산 속도의 향상을 가져 올 수 있다.
이 연구에서는 추천 시스템 및 협업 필터링 방법에 대한 선행 연구를 분석, 한계점을 지적하고, 이러한 한계를 극복할 수 있는 대안으로서 자기조직화지도 (SOM: SelfOrganizing Map) 및 사례기반추론 (CBR: Cased Based Reasoning)을 이용한 3 단계 협업 필터링 방법을 제안한다. 이 방법론은 이용자의 사전 선호도를 바탕으로 비지도학습 (Unsupervised Learning)의 군집화를 통한 선호도 예측 방식에서 지도학습
(Supervised Learning) 방법인 분류의 기법을 추가하여 군집-분류-선호도 예측의 3 단계 협업 필터링 방법으로 추천 시스템에서 SOM 과 CBR 을 적용한 첫 연구이다. SOM 기법은 군집화를 위한 가장 우수한 비지도 신경망 학습 기법으로 알려져 있으며, CBR 기법은 사례간의 유사도 계산에 의한 추론 과정으로 분류의 문제를 해결하는 데 사용되는 기법이다. 이 두 데이터 마이닝 방법론의 결합으로 협업 필터링 기법에서 유사 선호 집단을 선택과 선호도 예측에서의 연산 부담을 동시에 줄일 수 있는 모형으로 사용될 수 있다. 이 연구에서는 다양한 추천 시스템의 연구 주제를 고찰하였고 SOMCBR 방법론을 결합하여 3 단계 SOM-CBR 예측 모형을 제시하였다. 모형의 검증을 위하여 이용자 선호 정보를 가지고 있는 공개 데이터를 이용하였으며, 모형의 비교를 위하여 인공 신경망, 의사결정나무, k-means 군집화 등의 다양한 데이터 마이닝 방법론이 비교 연구 모형으로 제시되었다.
실증 연구 모형인 Part Ⅲ에서는 CRM 구축 전략을 바탕으로 성공적인 CRM 을 이끌기 위한 CRM 성공 모형을 제시한다. 이 모형은 프로세스 적합성, 고객 정보의 질, 시스템 지원을 CRM 추진 원동력으로, 내부적 효율성 및 고객 만족도를 내재적 성공 요인으로, 궁극적인 CRM 성공 척도로 수익성을 바탕으로 한 성공 모형을 연구한다. 시장 경쟁이 치열해 짐에 따라서 CRM 을 구축하고자 하는 유인은 많이 발생하나, 이에 대한 추진 원동력 및 그 투자 효과에 관한 실증 분석은 미흡한 정도이다. 따라서 이 연구는 정보 시스템 성공 모형과 마케팅 영역에서의 고객 만족도 모형을 근간으로 성공 요인 분석을 제시한다. 이를 위하여 실제 CRM 시스템을 사용하고 있는 14 개의 회사의 253 명을 대상으로 한 실증 분석을 제공한다. 이 연구 결과는 CRM 계획을 입안하는 경영자 및 구축을 담당하는 실무 구축가에게 유용한 정보를 제공할 수 있다.
