قیمت محصول :     10000 تومان
  افزودن به سبد خرید

سبد خرید

  • سبد خریدتان خالی است.
  • تاریخ ارائه محصول : 09 / 08 / 2019
  • بازدید : 65 بار
  • دسته بندی :
  • امتیاز کاربران :

پیش‌بینی رویگردانی مشتریان در مدیریت ارتباط با مشتری با استفاده از تکنیک‌های داده‌کاوی

پیش‌بینی رویگردانی مشتریان در مدیریت ارتباط با مشتری با استفاده از تکنیک‌های داده‌کاوی؛ مورد مطالعه: اپراتور تلفن همراه تالیا

حفظ مشتری یکی از مهمترین ابعاد مدیریت ارتباط با مشتری (CRM) و به عبارت دیگر هسته اصلی CRM بشمار می‌رود. از جمله مفاهیم مرتبط با حفظ مشتری مفهوم رویگردانی مشتری است که انصراف مشتریان را از ادامه همکاری با شرکت مورد توجه قرار می‌دهد. رویگردانی مشتری موضوع مهمی برای همه شرکت‌ها است زیرا امروزه در سازمان‌ها هزینه‌ای که صرف جذب مشتری جدید می‌شود بسیار بیشتر از هزینه‌ای است که برای نگهداری مشتریان موجود انجام می‌شود. از طرف دیگر، به دلیل محدود بودن منابع سازمانی، شناسایی مشتریان با ارزش برای شرکت از اهمیت بالایی برخوردار است. شرکت می‌تواند با شناسایی مشتریان با ارزش از میان مشتریان مستعد رویگردانی منابع محدود خود را برای جلوگیری از رویگردانی این مشتریان با ارزش تخصیص دهد. داده‌کاوی ابزاری را فراهم می‌آورد که می‌توان بوسیله آن مدل‌هایی را برای پیش‌بینی رویگردانی مشتری و همچنین شناسایی مشتریان با ارزش طراحی کرد.

ما در این پروژه به ارائه مدلی خواهیم پرداخت که به پیش‌بینی رویگردانی مشتریان و شناسایی مشتریان با ارزش از میان آنها برای تعیین استراتژی‌های بازاریابی مناسب جهت جلوگیری از رویگردانی مشتریان کلیدی از میان مشتریان تلفن همراه در صنعت مخابرات می‌پردازد. این مدل از دو بخش مجزا تشکیل شده است؛ فاز اول شامل یک مدل پیش‌بینی رویگردانی مشتری است. در این فاز با استفاده از یک سیستم چند دسته‌بند(MCS) که ساختار آن بوسیله الگوریتم ژنتیک چند بعدی بهینه شده است به دسته‌بندی مشتریان به دو کلاس رویگردان و غیر رویگردان پرداخته‌ایم. مدل MCS پیشنهادی بر روی دو پایگاه داده اپراتور تلفن همراه تالیا و داده‌های مرتبط به مسابقات مدل‌سازی رویگردانی دانشگاه دوک پیاده‌سازی شد و نتایج آن با MCS بدون الگوریتم ژنتیک و هر یک از تکنیک‌های استفاده شده در MCS مقایسه شد.

فاز دوم، به ارائه مدلی برای شناسایی مشتریان با ارزش از میان مشتریان رویگردان می‌پردازد. در این فاز پس از استخراج متغیرهای موثر بر ارزش عمر مشتری، با استفاده از تکنیک شبکه عصبی SOM به خوشه‌بندی مشتریان رویگردان پرداخته‌ایم. پس از انجام خوشه‌بندی و مشخص شدن خوشه حاوی مشتریان با ارزش، مشتریان کلیدی مستعد رویگردانی قابل شناسایی‌اند.

افزودن به سبد خرید
مطلب مفیدی برای شما بود ؟؟ پس به اشتراک بگذارید برای دوستانتان

دیدگاه کاربران ...

    لطفا قبل از ارسال سئوال یا دیدگاه سئوالات متداول را بخونید.
    جهت رفع سوالات و مشکلات خود از سیستم پشتیبانی سایت استفاده نمایید .
    دیدگاه ارسال شده توسط شما ، پس از تایید توسط مدیران سایت منتشر خواهد شد.
    دیدگاهی که به غیر از زبان فارسی یا غیر مرتبط با مطلب باشد منتشر نخواهد شد.

    دیدگاه خود را بیان کنید

0