論文の概要: Customer Relationship Intelligence: Integrating CRM and MDM for Enhanced Customer Engagement
- arxiv url: http://arxiv.org/abs/2609.06189v1
- Date: Sat, 05 Sep 2026 17:13:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.216561
- Title: Customer Relationship Intelligence: Integrating CRM and MDM for Enhanced Customer Engagement
- Title（参考訳）: 顧客関係インテリジェンス:顧客エンゲージメント向上のためのCRMとMDMの統合
- Abstract要約: 本研究は、顧客関係管理(CRM)、マスターデータ管理(MDM)、顧客知識管理(CKM)が、顧客関係情報(CRI)フレームワークと協調して、顧客関係管理(CE)を強化する方法について検討する。
小売業、医療業、電気通信業の参加者100人を対象にした横断調査。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This study examines how Customer Relationship Management (CRM), Master Data Management (MDM), and Customer Knowledge Management (CKM) jointly constitute a Customer Relationship Intelligence (CRI) framework for enhanced Customer Engagement (CE). A cross-sectional survey of 100 participants across retail, healthcare, IT, and telecommunications sectors was analysed using Spearman rho correlation and ordinal logistic regression (IBM SPSS). Bivariate correlations were weak and non-significant (r<0.19, p>0.06). Regression identified CRM (beta=0.717, p=0.002) and CKM (beta=0.581, p=0.009) as significant positive predictors of CE; MDM showed a positive but non-significant direct effect (beta=0.346, p=0.071). The model explained 20.5% of CE variance (Nagelkerke R^2=0.205). Parallel mediation analysis (Hayes PROCESS Model 4, 5,000 bootstrap samples) found no significant indirect effects of MDM on CE via CRM (IE=0.021, 95% BC CI [-0.072, 0.121]) or CKM (IE=0.032, 95% BC CI [-0.061, 0.126]); Hypothesis H4 was not supported. CRM and CKM emerge as the principal drivers of CE within the CRI framework, while MDM functions as a foundational data quality enabler whose strategic value is realised through its enabling effect on CRM execution and knowledge management. Findings should be treated as exploratory given the sample size and cross-sectional design. Future research should replicate with larger sector-specific samples and longitudinal designs, particularly in regulated BFSI contexts where MDM architecture is shaped by data governance mandates.
- Abstract（参考訳）: 本研究では、顧客関係管理(CRM)、マスターデータ管理(MDM)、顧客知識管理(CKM)が、顧客関係情報(CRI)フレームワークと協調して、顧客関係管理(CE)を強化する方法について検討する。
小売業,医療業,IT業,通信業の参加者100名を対象に,Spearman rho相関と順序ロジスティック回帰(IBM SPSS)を用いて分析を行った。
両変量相関は弱く非有意(r<0.19, p>0.06。
回帰はCRM (beta=0.717, p=0.002) とCKM (beta=0.581, p=0.009) をCEの有意な正の予測因子として同定した。
モデルではCE分散の20.5%が説明されている(Nagelkerke R^2=0.205)。
並列媒介分析(Hayes Process Model 4, 5000 ブートストラップサンプル)では,CRM (IE=0.021, 95% BC CI [-0.072, 0.121]) やCKM (IE=0.032, 95% BC CI [-0.061, 0.126]) によるCEに対する MDM の間接的影響は認められなかった。
CRMとCKMはCRIフレームワーク内のCEの主要なドライバとして登場し、MDMはCRMの実行と知識管理に対する効果によって戦略的価値が実現された基礎データ品質の実現者として機能する。
標本のサイズと断面設計を考えると、発見は探索として扱われるべきである。
将来の研究は、特にデータガバナンスの委任によってMDMアーキテクチャが形成される規制されたBFSIコンテキストにおいて、より大きなセクター固有のサンプルと縦断的な設計で複製されるべきである。
関連論文リスト
- Integrating Persuasion Theory into the Epidemiological Modelling of Health Misinformation Spread on Social Media [0.0]
本研究では,ソーシャルメディア上での健康情報拡散をシミュレートする,ハイブリッドな疫学的・行動的枠組みを提案する。
従来のSIRモデルからSIRMMM(Misinformed Susceptible)、MI(Misinformed Infected)、MR(Misinformed Recovered)の6成分構造に拡張した。
その結果,EMM-SIRMMMモデルにより予測精度と動的リアリズムが向上することが示唆された。
論文 参考訳（メタデータ） (2026-08-16T11:34:25Z) - Tracing the Heart: An Evidence-Linked Pipeline for Heart-Failure Feature Engineering [18.09162983861884]
自動心不全機能工学のためのエビデンスリンク型ルーリックグラウンドパイプラインを開発した。
nMASは, 構造整合性, ルブリック適合性, 証明性を検証し, 制限されたLDMで検査した132個の構造と70個のルブリックの集合特性を作成した。
これらの結果は、複雑な心血管系ERHデータに対する自動監査機能工学の可能性を示している。
論文 参考訳（メタデータ） (2026-08-06T17:57:37Z) - Data-Driven Telecom Marketing Optimization: A Machine Learning-Based Churn Prediction and Customer Segmentation Framework [0.0]
カスタマーチャーン(Customer Churn)は、通信企業にとって大きな課題であり、収益と長期的な顧客関係を直接侵食する。
伝統的なリテンションプログラムは、パーソナライズされたインセンティブではなく、一般的なインセンティブに依存している。
本稿では、機械学習に基づくチャーン予測と、チャーンリスクと顧客価値を組み合わせた顧客セグメンテーションと、セグメンテーション特異的マーケティングとReturn on Investment ROI戦略を組み合わせたデータ駆動マーケティング最適化フレームワークを提案する。
論文 参考訳（メタデータ） (2026-07-11T11:17:16Z) - Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。
We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
論文 参考訳（メタデータ） (2025-11-04T17:22:22Z) - Exploring the Hierarchical Reasoning Model for Small Natural-Image Classification Without Augmentation [51.56484100374058]
MNIST、CIFAR-10、CIFAR-100で意図的に生の条件下で評価される。
拡張性のない小型画像分類では、HRMは単純な畳み込みアーキテクチャと競合するものではないと結論付けている。
論文 参考訳（メタデータ） (2025-10-04T01:22:41Z) - From Static to Dynamic: Adaptive Monte Carlo Search for Mathematical Process Supervision [49.59309446816251]
既存手法は, 定予算サンプリング戦略に基づいて, 推論ステップの質を推定する。
本稿では,データ生成を静的から適応に変換するフレームワークであるAdaptive Monte Carlo Search (AMCS)を提案する。
AMCSは、より多くのサンプルを不確実な推論ステップに割り当てることによって、予測を適応的に洗練し、予測しやすくする。
論文 参考訳（メタデータ） (2025-09-29T06:52:35Z) - The Lessons of Developing Process Reward Models in Mathematical Reasoning [62.165534879284735]
Process Reward Models (PRM) は、推論プロセスにおける中間エラーを特定し、緩和することを目的としている。
我々は,モンテカルロ (MC) 推定とLarge Language Models (LLM) を効果的に統合するコンセンサスフィルタリング機構を開発した。
私たちは、既存のオープンソース代替品よりも優れた、最先端のPRMを新たにリリースしています。
論文 参考訳（メタデータ） (2025-01-13T13:10:16Z) - RRM: Robust Reward Model Training Mitigates Reward Hacking [51.12341734942797]
リワードモデル(RM)は、大きな言語モデルと人間の嗜好の整合において重要な役割を果たす。
これらのアーティファクトとは無関係に好みを学習する因果的枠組みを導入する。
実験の結果,提案手法は望ましくないアーティファクトをフィルタし,より堅牢な報酬モデルを実現することができた。
論文 参考訳（メタデータ） (2024-09-20T01:46:07Z) - Identifying Factors to Help Improve Existing Decomposition-Based PMI Estimation Methods [3.2048813174244795]
ビッグデータの出現により、より大規模なサンプルを使用してPMI推定法を改善することができる。
この研究は、大規模な分解データセットから249人の被験者のサンプルをキュレーションすることを含む。
その結果, 総分解率 (TDS), 人口統計因子 (年齢, 生物性, BMI) および気象関連因子 (発見, 温度履歴, 湿度履歴) はPMI/ADDモデルの精度を高めた。
論文 参考訳（メタデータ） (2024-08-31T15:00:31Z) - It Takes Two: On the Seamlessness between Reward and Policy Model in RLHF [33.197077764166536]
ヒューマンフィードバックからの強化学習(Reinforcement Learning from Human Feedback)は、言語モデルと人間の好みを合わせるためのトレーニングポリシーモデル(PM)と報酬モデル(RM)を含む。
PMとRMを独立に焦点をあてるのではなく、微調整中の相互作用を調べることを提案する。
本研究は、RMとPMの連続的な改善がRLHFの進行に変換されない飽和現象を観察することから始まる。
分析の結果, RMはPM応答に適切なスコアを割り当てず, 人間の嗜好に35%のミスマッチ率を示し, PMとRMの相違が顕著であった。
論文 参考訳（メタデータ） (2024-06-12T07:52:17Z) - InfoRM: Mitigating Reward Hacking in RLHF via Information-Theoretic Reward Modeling [66.3072381478251]
Reward Hacking(報酬の過度な最適化)は依然として重要な課題だ。
本稿では,報奨モデル,すなわちInfoRMのためのフレームワークを提案する。
InfoRMの過度な最適化検出機構は、有効であるだけでなく、幅広いデータセットにわたって堅牢であることを示す。
論文 参考訳（メタデータ） (2024-02-14T17:49:07Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。