Optimal Marketing Strategies for the Acquisition and Retention of Service Subscribers
Notice bibliographique
Résumé
In this paper, we propose a diffusion model for a subscription service. The evolution over time of the number of subscribers is governed by a differential equation combining two processes—namely, a customer acquisition process and a customer attrition process. Assuming profit-maximization behavior of the firm, we use dynamic programming to optimize the customer equity and determine optimal customer relationship marketing expenditures. We implement an augmented Kalman filter with continuous state and discrete observations to estimate the model’s parameters using market data of two well-known companies in the telecommunications sector. To the best of our knowledge, this is the first paper to model acquisition and retention efforts in the context of a diffusion model. By doing so, we extend the literature on product diffusion to services—that is, beyond its traditional area of durable (and occasionally nondurable) products. By the same token, we contribute to the literature on customer relationship marketing (CRM), where social interactions have been overlooked. Our analytical and numerical results provide a better understanding of the relationships among the optimal customer equity, the customer lifetime value, the prospect lifetime value, and the optimal acquisition and retention spending. Our model and estimation approach give the tools for assessing empirically the role of CRM spending, social interactions, and other factors in the service subscription dynamics. Our main empirical results are as follows: (i) CRM spending and external incentives have indeed a significant effect on acquisition and retention processes; (ii) the impact of CRM is market specific; (iii) compared with optimal levels, both firms underinvest in retention; and (iv) whereas we observe increasing spending in acquisition over time, the derived optimal policy recommends a decreasing level of spending over time. This paper was accepted by Eric Anderson, marketing.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».