(۱)۲۴

مدل پیش‌بینی رویگردانی مشتریان با ارزش در بخش خدماتحسین عباسی‌مهر۱۳۹۰ANFIS
k-means
cAnt-minerمخابرات
(۲)

جمع‌بندی
چنانچه ذکر شد در اکثر این تحقیقات، مدل ارائه شده فقط بر روی یک پایگاه داده پیاده‌سازی شده است. همچنین، هیچ یک از این تحقیقات به بررسی تکنیک سیستم چند دسته‌بند (MCS) بر دقت پیش‌بینی رویگردانی نپرداخته‌اند. از طرف دیگر، فقط یک تحقیق علاوه بر پیش‌بینی رویگردانی مشتری به ارزش مشتریان نیز توجه داشته؛ بطوری که ابتدا مشتریان با ارزش را مشخص کرده و سپس به پیش‌بینی رویگردانی در میان آنها پرداخته است.

ما در این تحقیق، ابتدا با بهره گرفتن از MCS پیشنهادی به پیش‌بینی رویگردانی مشتریان پرداخته‌ایم. در MCS پیشنهادی سعی شده است از تکنیک‌هایی استفاده شود که در تحقیقات مذکور به کار رفته‌اند؛ همچنین ساختار این سیستم با بهره گرفتن از الگوریتم ژنتیک چندبعدی بهینه‌سازی شده است که در هیچ یک از تحقیقات گذشته چنین اقدامی انجام نشده بود. این مدل علاوه بر این که بر روی پایگاه داده اپراتور تلفن همراه تالیا پیاده‌سازی می‌شود، بر روی پایگاه داده مرتبط به دانشگاه دوک نیز پیاده‌سازی خواهد شد و نتایج به دست آمده با یکدیگر مقایسه خواهند شد. پس از این که مشتریان مستعد رویگردانی شناسایی شدند، با بهره گرفتن از ابزار داده‌کاوی به شناسایی مشتریان با ارزش از میان آنها خواهیم پرداخت تا سازمان با تمرکز بیشتر بر روی مشتریان کلیدی، به اتخاذ رویکرد بازاریابی مناسب جهت جلوگیری از رویگردانی این مشتریان بپردازد.
اپراتور تلفن همراه تالیا
شرکت تالیا به عنوان اولین شبکه مستقل پیش پرداخت^[۱۶۹] تلفن همراه از سال ۱۳۸۳ با بهره گرفتن از تجهیزات سخت افزاری و نرم افزاری شرکت های زیمنس، آلکاتل و اریکسون و با مشاوره یکی از برجسته ترین مشاوران GSM در دنیا (شرکت Tel 2 ) آغاز به کار کرد. این شرکت که توسط مجتمع صنعتی رفسنجان تاسیس گردید، به طور رسمی از سوم خرداد ۱۳۸۴ ابتدا در تهران و به تدریج در سایر شهرها و مراکز استان‌ها سرویس‌دهی خود را آغاز کرده و تاکنون ادامه دارد.
شرکت تعاونی مجتمع صنعتی رفسنجان اولین عرضه‌کننده سیم‌کارت‌های اعتباری در کشور پس از گذشت هفت سال از شروع به کار رسمی، نزدیک به ۲۰۰ هزار مشترک دارد. تعاونی مجتمع صنعتی رفسنجان ، در آغاز سال ۱۳۹۱ تمام سهام خود و اجرای پروژه تالیا را به شرکت جدیدالتاسیسی به نام ” گسترش ارتباطات تالیا ” واگذار کرد از این پروژه بیرون رفت. تالیا پس از تغییر و تحولات مدیریتی‌اش، فعالیت‌های بازاریابی خود را به طور محسوسی افزایش و بهبود داده است و تلاش دارد تا خاطره خوش و لذت استفاده از خدمات تالیا را در بین مردم مجدداً زنده نماید.
فصل سوم:
مدل پیشنهادی
مقدمه
در این تحقیق، پیش‌بینی رویگردانی مشتریان و شناسایی مشتریان با ارزش از میان آنها برای مشتریان تلفن همراه در صنعت مخابرات مورد توجه قرار گرفته است. این هدف طی یک فرایند دو مرحله‌ای با بهره گرفتن از تکنیک‌های داده‌کاوی مدل‌سازی شده است. در این فصل، ابتدا ساختار کلی مدل پیشنهادی معرفی می‌شود؛ سپس نحوه پیاده‌سازی هر یک از مراحل مدل پیشنهادی در بخش‌های جداگانه‌ای توضیح داده شده است.
روش تحقیق
روش تحقیق از نظر هدف، کاربردی است و به کاربرد دانش داده‌کاوی در مدیریت ارتباط با مشتری در صنعت تلفن همراه می‌پردازد. به عبارت دیگر، در این تحقیق با بهره گرفتن از مدل‌های داده‌کاوی سعی در بهبود دقت پیش‌بینی رویگردانی مشتری و همچنین شناسایی مشتریان با ارزش از میان آنها داریم. از سوی دیگر با توجه به اینکه در این پژوهش به بررسی همبستگی بین متغیرهای پیشگو و متغیر هدف پرداخته می‌شود، می‌توان بیان کرد که پژوهش حاضر بر اساس ماهیت و روش گردآوری داده‌ها، یک پژوهش توصیفی-همبستگی است.
روش‌های استفاده شده برای تجزیه و تحلیل داده‌ها در این تحقیق به قرار زیر است:

• استفاده از سیستم چند دسته‌بند (MCS) برای پیش‌بینی رویگردانی مشتری
• استفاده از الگوریتم ژنتیک چند بعدی برای بهینه‌سازی ساختار MCS
• استفاده از نرم‌افزار SPSS Clementine برای پیش‌پردازش داده‌ها
• استفاده از نرم‌افزار MATLAB برای پیاده‌سازی مدل‌های پیشنهادی
• استفاده از تکنیک خوشه‌بندی SOM برای شناسایی مشتریان با ارزش

ساختار کلی مدل
شکل ۳-۱ شمای کلی از ساختار مدل پیشنهادی را نشان می‌دهد. چنانچه در شکل نیز مشخص است، مدل پیشنهادی این تحقیق از یک ساختار دو مرحله‌ای تشکیل شده است.
شکل ‏۳‑۱: ساختار کلی مدل پیشنهادی
در فاز اول، مشتریانی که به احتمال زیاد رویگردان خواهند بود شناسایی می‌شوند. در این فاز با بهره گرفتن از داده‌های مشتریان پیشین، به ایجاد یک مدل داده‌کاوی می‌پردازیم. داده‌های پیشین که جمعیتی از مشتریان را در یک بازه زمانی توصیف می‌کند، با برچسبی^[۱۷۰] که نشان می‌دهد آیا مشتری در زمان‌های بعدی فعال بوده یا نه ترکیب می‌شوند. وظیفه مدل‌سازی، ایجاد تمایز بین مشتریانی است که مانده‌اند و آنهایی که رفته‌اند. در این فاز سعی شده است که از ابزاری مانند شبکه‌های عصبی، سیستم چند دسته‌بند^[۱۷۱] (MCS) و الگوریتم ژنتیک برای ارائه یک مدل دسته‌بندی استفاده شود.