Predicción del comportamiento ciudadanía del cliente y su valor económico-financiero para la empresa
| Autor | José Ramón Segarra Moliner |
| Cargo del Autor | Universitat Jaume I de Castellón (España) |
| Páginas | 650-669 |
CAPÍTULO 29
PREDICCIÓN DEL COMPORTAMIENTO
CIUDADANÍA DEL CLIENTE Y SU VALOR
ECONÓMICO-FINANCIERO PARA LA EMPRESA
JOSÉ RAMÓN SEGARRA MOLINER
Universitat Jaume I de Castellón (España)
1. INTRODUCCIÓN
El comportamiento de ciudadanía del cliente (CCB) es el comporta-
miento voluntario, discrecional y extra-rol del cliente (Groth, 2005),
siendo el comportamiento in-rol el que la empresa requiere o espera de
los clientes. Un resultado de servicio exitoso depende de las funciones
de producción obligatorias del cliente que pueden garantizarlo (Zeit-
haml et al., 2006), por lo que CCB no es necesario para la creación de
valor exitosa, pero puede contribuir a mejorar el valor de las empresas
y sus empleados, los propios clientes y otros clientes (Assiouras et al,
2019). Su interés radica en ayudar a la empresa a nivel global (Gruen,
1995, Bettencourt, 1997; Yi et al., 2011) debido a que CCB también es
un tipo de comportamiento prosocial o ayuda directa activa entre los
clientes de una empresa (Bove et al., 2009). Como una forma de com-
promiso activo o engagement (CE), CCB fortalece la relación de la
marca con el cliente y reduce los costes del servicio, por lo que propor-
ciona un gran valor a los gestores de marketing (Groth, 2005). Por lo
tanto, la investigación debería estimar estos CCB que benefician finan-
cieramente a la organización y, más específicamente, considerar el va-
lor de por vida del cliente (Bove et al., 2009; Gong & Yi, 2021).
Los investigadores aplican el valor de vida del cliente (CLV) en los
principales modelos de la cadena de efectos que analizan la creación de
valor y la co-creación desde una perspectiva centrada en el cliente. El
CLV también es simplemente una medida del valor de los clientes como
activos a largo plazo (Blattberg & Deighton, 1996) con el fin de aislar
el valor económico total de los clientes utilizando flujos de efectivo
descontados (o margen), la tasa de retención y la tasa de descuento
(Rust et al., 2000). Es una buena medida financiera indirecta de la va-
loración de la empresa (Gupta et al., 2004) porque CLV usa los com-
portamientos de los clientes antes de que sean visibles para los gerentes
de marketing con el fin de modelar el valor de un cliente en el futuro.
Rust et al., (2004) extienden el CLV a un cliente individual sobre la
marca de una firma específica, demostrando la importancia de las per-
cepciones y actitudes del cliente (equidad del cliente y sus subdimen-
siones: valor, marca y relación) en la gestión del CLV. Por lo tanto,
CLV permite comparar una medida a nivel macro que se puede aplicar
directamente para comprender el valor de la marca-empresa en el mer-
cado (Zhang et al., 2010) y, en su caso, predecir los resultados finan-
cieros en función de los comportamientos del cliente, sean o no los ne-
cesarios para la prestación del servicio.
Este estudio responde a la siguiente pregunta: ¿Cómo predecir el im-
pacto financiero del CCB en la industria de servicios? El objetivo de
este estudio es analizar la brecha de investigación entre CCB y CLV.
El punto de partida de la mejora de CLV es determinar qué impulsores
lo hacen para establecer estrategias de retención y adquisición (Rust et
al., 2004). Rust et al. (2000) sugieren valor, marca y relación como es-
tos tres impulsores o tres acciones, por lo que revisamos la literatura
previa de CCB para diseñar y proponer un modelo utilizando tres fir-
mas-marcas de telecomunicaciones en el contexto de servicios contrac-
tuales. Posteriormente, también presentamos las hipótesis de nuestro
modelo que incorpora tres antecedentes CCB con cada una de estas ac-
ciones: valor, marca y relación. Finalmente, utilizamos la segmentación
orientada a la predicción PLS o POS (Becker et al., 2013) para formar
dos grupos homogéneos de observaciones con el fin de profundizar en
el análisis de los datos (muestra completa y dos segmentos) sobre la
estimación del modelo. Probamos nuestras hipótesis utilizando la téc-
nica de mínimos cuadrados parciales (PLS) y también evaluamos la ca-
lidad predictiva del modelo en función de la potencia predictiva, la ca-
pacidad predictiva, así como la relevancia predictiva considerando una
muestra reservada para validar de la muestra final.
Para continuar leyendo
Solicita tu prueba