Scientific mapping for customer lifetime value research in organizations using cluster analysis method
Notice bibliographique
Résumé
The aim of this research is to analyze and map international scientific publications related to Customer Lifetime Value (CLTV). This study adopts an interpretive paradigm and employs a descriptive approach using a systematic review method. By utilizing specific search terms in the Web of Science database, covering the period from 1985 to 2024, and after thorough screening and qualitative assessment of the studies, the final analysis was conducted on 639 articles. An in-depth examination of the selected articles revealed a notable increase in international research in this field, particularly during the last twenty years. However, there have been periods of decreased research activity in years such as 2008, 2017, and 2023. The primary focus of this research has been on customer lifetime value and customer segmentation, with a significant association to the keyword "data mining," highlighting the importance of this technique in the discipline. Moreover, it was found that countries like Iran, Canada, and Turkey have lower average citation rates, whereas the United States, France, and Germany exhibit higher average citation rates. This suggests different patterns of co-authorship among these countries. By examining the most and least productive countries and researchers through scientometrics, new research opportunities in the field of customer lifetime value can be identified, providing insights for Iranian researchers to enhance the visibility of their findings on an international scale.
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 | 0,022 | 0,064 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,082 | 0,072 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,007 | 0,004 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».