Thus, the individual-level utilitie

Thus, the individual-level utilities result in individual-level switching matrices, which result in an individual-level CLV.
Brand switching and customer equity. To make the CLV calculation more specific, each customer i has an associated J × J switching matrix, where J is the number of brands, with switching probabilities pijk, indicating the probability that customer i will choose brand k in the next purchase, condi- tional on having purchased brand j in the most recent pur- chase. The Markov switching matrix is denoted as Mi, and the 1 × J row vector Ai has as its elements the probabilities of purchase for customer i’s current transaction. (If longitu- dinal data are used, the Ai vector will include a one for the brand next purchased and a zero for the other brands.)
For brand j, dj represents firm j’s discount rate, fi is cus- tomer i’s average purchase rate per unit time (e.g., three pur- chases per year), vijt is customer i’s expected purchase vol- ume in a purchase of brand j in purchase t,6 πijt is the expected contribution margin per unit of firm j from cus- tomer i in purchase t, and Bit is a 1 × J row vector with ele- ments Bijt as the probability that customer i buys brand j in purchase t. The probability that customer i buys brand j in purchase t is calculated by multiplying by the Markov matrix t times:

ผลลัพธ์ (ไทย) 1:

ดังนั้น สาธารณูปโภคระดับบุคคลส่งผลบุคคลระดับสลับเมทริกซ์ ซึ่งส่งผลในการบุคคลระดับส์
แบรนด์หุ้นสลับและลูกค้า จะส์คำนวณเฉพาะ ลูกค้าแต่ละรายที่ฉันมีการเชื่อมโยง J × J สลับเมตริกซ์ ที่ J เป็นจำนวนแบรนด์ กับสลับกิจกรรม pijk บ่งชี้ความน่าเป็นลูกค้าที่ผมจะเลือกแบรนด์ k ในการซื้อถัดไป tional เบาะ ๆ ว่าพวกเขาบนมีซื้อแบรนด์เจในเทนแบบไล่ล่าล่าสุด สามารถระบุเป็น Mi Markov สลับเมตริกซ์ และ 1 × J แถวเวกเตอร์ไอมีเป็นองค์ประกอบของกิจกรรมสำหรับลูกค้าที่สั่งซื้อ i's ธุรกรรมปัจจุบัน (ถ้าใช้ longitu - dinal ข้อมูล เวกเตอร์ Ai จะมีหนึ่งในแบรนด์ที่ซื้อต่อไป และมีศูนย์ยี่ห้ออื่น ๆ)
สำหรับแบรนด์เจ ดีเจแทนอัตราส่วนลดของบริษัท j's, fi คือ cus-tomer i's อัตราซื้อเฉลี่ยต่อหน่วยเวลา (เช่น สามเทนแบบ-chases ต่อปี), vijt เป็นลูกค้า i's คาดว่าซื้อ vol-ออฟฟิศในการซื้อของแบรนด์เจในซื้อ t6 πijt คือ คาดกำไรส่วนเกินต่อหน่วยของบริษัทเจจาก cus-tomer ฉันในซื้อ t และบิตเป็น 1 × J แถวเวกเตอร์กับเอเล ments Bijt เป็นความน่าเป็นลูกค้าที่ผมซื้อแบรนด์เจในซื้อ t ความน่าเป็นลูกค้าที่ผมซื้อแบรนด์เจใน t ซื้อจะถูกคำนวณ โดยคูณด้วยเวลา t เมตริกซ์ Markov:

ผลลัพธ์ (ไทย) 2:

ดังนั้นสาธารณูปโภคแต่ละระดับมีผลในแต่ละระดับการฝึกอบรมการเปลี่ยนซึ่งส่งผลให้ในแต่ละระดับ CLV
เปลี่ยนยี่ห้อและส่วนของลูกค้า ที่จะทำให้การคำนวณ CLV เฉพาะเจาะจงมากขึ้นของลูกค้าแต่ละฉันมี J เกี่ยวข้อง× J สลับเมทริกซ์ที่ J คือจำนวนของแบรนด์ที่มีความน่าจะเป็นเปลี่ยน pijk แสดงให้เห็นความน่าจะเป็นที่ลูกค้าฉันจะเลือก k แบรนด์ในการซื้อครั้งต่อไปที่สภาวะ tional ในการซื้อแบรนด์ญในการไล่ล่าวัตถุประสงค์ล่าสุด เมทริกซ์สลับมาร์คอฟที่แสดงเป็น Mi และ 1 × J แถวเวกเตอร์ Ai มีเป็นองค์ประกอบของความน่าจะเป็นของการซื้อสำหรับลูกค้าที่ทำธุรกรรมในปัจจุบันของฉัน (ถ้าข้อมูล Dinal longitu- มีการใช้เวกเตอร์ไอจะรวมถึงหนึ่งสำหรับแบรนด์ที่ซื้อถัดไปและเป็นศูนย์สำหรับแบรนด์อื่น ๆ ).
สำหรับแบรนด์เจ, ดีเจเป็นอัตราคิดลดญของ บริษัท , ไฟเป็น Tomer กาหนดเองอัตราการซื้อเฉลี่ยของฉัน ต่อหน่วยเวลา (เช่นสามไล่วัตถุประสงค์ต่อปี) vijt เป็นลูกค้าผมคาดว่าการซื้อปริมาตรในการซื้อของแบรนด์เจในเซื้อ 6 πijtเป็นกำไรส่วนที่คาดว่าจะต่อหน่วยของ บริษัท เจจาก Tomer กาหนดเองฉัน ในเซื้อและบิตเป็น 1 ×เวกเตอร์แถว J กับ ments ele- Bijt เป็นความน่าจะเป็นของลูกค้าที่ฉันซื้อแบรนด์ญในการซื้อเสื้อ น่าจะเป็นที่ลูกค้าผมซื้อแบรนด์เจทีในการซื้อที่มีการคำนวณโดยการคูณโดยมาร์คอฟ t คูณเมทริกซ์:

ผลลัพธ์ (ไทย) 3:

ดังนั้น ระดับบุคคล ในระดับบุคคล ต่างๆ ผลเปลี่ยนเมทริกซ์ซึ่งผลในระดับบุคคล CLV .
แบรนด์เปลี่ยนบริษัทและลูกค้า เพื่อให้ CLV การคำนวณเฉพาะแต่ละลูกค้าผมมีความเกี่ยวข้อง J × J เปลี่ยนเมทริกซ์ที่ J เป็นหมายเลขของแบรนด์ ด้วยการ pijk ความน่าจะเป็นไปได้ ,ระบุว่า โอกาสที่ลูกค้าจะเลือกแบรนด์ K ในการซื้อครั้งต่อไป condi - tional ที่จะซื้อยี่ห้อ J ในล่าสุด Pur - เชส มีแบบเปลี่ยนเมทริกซ์แทน เป็น มี และ 1 × J แถวมีองค์ประกอบเวกเตอร์ของความน่าจะเป็นของการซื้อสำหรับลูกค้า ผมทำในปัจจุบัน ( ถ้า longitu - ข้อมูล dinal ใช้เวกเตอร์ AI จะรวมถึงหนึ่งสำหรับแบรนด์ต่อไปซื้อและศูนย์สำหรับแบรนด์อื่น ๆ . )
แบรนด์เจ , ดีเจแทน บริษัท เจ คือ ส่วนลดเท่ากัน ฟีเป็นยูเอส - อย่างไรก็ตามผมก็ซื้อเฉลี่ย อัตราต่อหน่วยเวลา ( เช่นสามเปอร์ - ไล่ต่อปี ) vijt เป็นลูกค้า ผมก็คาดว่า ซื้อ Vol - อุเมะในการซื้อแบรนด์ เจ ที6 π ijt เป็นคาดกำไรต่อหน่วยของ บริษัท เจ จากยูเอส - อย่างไรก็ตาม ผมซื้อ T และบิตเป็น 1 × J แถวเวกเตอร์กับเขา - ments bijt เป็นโอกาสที่ลูกค้าผมซื้อแบรนด์ เจ ซื้อที โอกาสที่ลูกค้าผมซื้อยี่ห้อ T J ในการคำนวณโดยคูณด้วยส่วนแบบเมทริกซ์ :
t ครั้ง