پیش‌بینی رویگردانی مشتریان در مدیریت ارتباط با مشتری با استفاده از تکنیک‌های داده‌کاوی؛ مورد مطالعه …

تحقیق دیگر در این زمینه مربوط به مقاله‌ی کاراهکا و کاراهکا است (Karahoca and Karahoca 2011). آنها در مقاله خود ابتدا از روش خوشه‌بندی فازی C-means برای خوشه‌بندی مشتریان یک شرکت مخابراتی استفاده کرده و با انجام این کار به هر مشتری یک برچسب یا ویژگی جدید نسبت دادند. سپس، از تکنیک سیستم استنتاج فازی عصبی تطبیقی[۱۶۳] به منظور پیش‌بینی رویگردانی مشتریان استفاده کرده‌اند. تکنیک ANFIS دقت سیستم‌های دسته‌بندی مبتنی بر فازی را با خاصیت تطبیق‌پذیری (پیش انتشار) شبکه‌های عصبی ترکیب می‌کند. بر اساس نتایج تحقیق، آنها اظهار کرده‌اند تکنیک ANFIS می‌تواند به عنوان یک تکنیک جایگزین تکنیک‌های فعلی در فعالیت‌های کنونی CRM از جمله پیش‌بینی رویگردانی مشتریان استفاده شود.
تحقیقات انجام شده در داخل کشور
گسترش علم داده‌کاوی و افزایش توانایی تکنیک‌های داده‌کاوی در صنایع مختلف کشور از یک طرف، و اهمیت مسئله رویگردانی مشتری در نرخ نگهداری مشتری در یک بازار رقابتی برای سیستم‌های CRM از طرف دیگر موجب شده است تا در دهه اخیر تحقیقاتی در مورد پیش‌بینی رویگردانی مشتری با استفاده از داده‌کاوی در داخل کشور انجام پذیرد. در ادامه به مواردی از این تحقیقات اشاره خواهیم کرد.
(کرامتی, اردبیلی et al. 1388) در مقاله خود با استفاده از روش‌های داده‌کاوی به تحلیل رویگردانی مشتری در یکی از اپراتورهای تلفن همراه ایران پرداختند. آنها از تکنیک رگرسیون لاجستیک دوجمله‌ای[۱۶۴] استفاده کردند و نشان دادند که نارضایتی مشتری، میزان استفاده از خدمات ارائه شده و نیز مشخصه‌های دموگرافیک مشترک مهم‌ترین تأثیر را بر تصمیم او مبنی بر رویگردانی یا ماندگاری دارند. آنها همچنین به بررسی اثر واسطه‌ای وضعیت مشتری (وضعیت فعال یا غیر فعال) در رویگردانی نیز پرداخته‌اند.
(توکلی, مرتضوی et al. 1389) با بکارگیری تکنیک درخت تصمیم به پیش‌بینی رویگردانی مشتری در صنعت بیمه پرداخته‌اند. آنها در تحقیق خود از فرایند استاندارد داده‌کاوی CRISP – DM استفاده کردند و به کاوش در پایگاه‌های داده یکی از شرکت‌های سهامی عام بیمه‌ای در بیمه آتش‌سوزی پرداختند.
چنانچه پیش‌تر نیز ذکر شد، بیشتر تحقیقات به ارائه مدل‌هایی جهت پیش‌بینی رویگردانی مشتری پرداخته‌اند و کمتر علل رویگردانی را مورد مطالعه قرار داده‌اند. (سپهری, نوروزی et al. 1390) با ترکیب روش‌های داده‌کاوی و تحقیق پیمایشی به کشف دلایل رویگردانی مشتری از خدمات بانکداری پرداخته‌اند. در این تحقیق تلاش شده است تا با بهره‌گیری از تحقیق پیمایشی پرسشنامه محور نظریات مشتریان در خصوص سطوح رضایت‌مندی و مولفه‌های تاثیرگذار بر رویگردانی مشتری ارزیابی شود و از نتایج آن برای تحلیل تاثیر عوامل مختلف بر رویگردانی بهره گرفته‌اند.
(عباسی‌مهر ۱۳۹۰) در پایان نامه‌ی خود مدلی برای پیش‌بینی رویگردانی مشتریان با ارزش در بخش خدمات ارائه داده است. وی با استفاده از داده‌های مربوط به صنعت مخابرات، ابتدا با استفاده از تکنیک‌های خوشه‌بندی مشتریان با ارزش را شناسایی کرده و سپس بوسیله تکنیک ANFIS و ترکیب آن با الگوریتم بهینه‌سازی اجتماع مورچگان، به پیش‌بینی رویگردانی مشتریان باارزش پرداخته است.
خلاصه تحقیقات انجام شده
ویژگی‌هایی که تحقیقات انجام شده مربوط به ساخت مدل‌های پیش‌بینی رویگردانی مشتریان دارند عبارتند از:

برای دانلود متن کامل این فایل به سایت torsa.ir مراجعه نمایید.

  1. در هر تحقیق از یک یا چند دیتاست عمومی یا خصوصی استفاده شده است.
  2. تکنیک‌های به کارگرفته شده برای پیش‌بینی رویگردانی مشتریان متنوع هستند و هیچ تکنیکی برای همه مسائل و دیتاست‌ها بهتر از سایر تکنیک‌ها عمل نمی‌کند. برای مثال نتایج یک تحقیق نشان داده است که شبکه عصبی بهتر از درخت تصمیم عمل کرده است در حالی که نتایج تحقیق دیگر نشان داده است که درخت تصمیم بهتر از شبکه عصبی عمل کرده است. شاید دلیل این امر به ماهیت مسئله برگردد زیرا اساسا مسئله پیش‌بینی رویگردانی مشتریان یک مسئله دسته بندی است و از تکنیک‌های داده‌کاوی برای ساخت مدل پیش‌بینی استفاده می‌شود. در داده‌کاوی هیچ تکنیک دسته‌بندی نمی‌توان یافت که در همه شرایط و دیتاست‌ها بهتر از سایر تکنیک‌ها عمل کند (Han, Kamber et al. 2011).
  3. در بیشتر تحقیقات، تکنیک‌های استفاده شده فقط روی یک دیتاست اعمال شده‌اند و کارایی تکنیک‌ها روی دیتاست‌های متعدد تست نشده است. حتی در مواردی که یک تکنیک پیش‌بینی جدید توسعه داده شده است، کارایی آن فقط روی یک دیتاست تست شده است.
  4. در اکثر تحقیقات انجام شده فقط کارایی تکنیک‌ها از لحاظ معیارهای دقت پیش‌بینی و قابلیت درک ارزیابی شده است. معیارهای دیگر نظیر سرعت محاسباتی (پیچیدگی زمانی) و مسائل مربوط به حافظه زیاد مورد توجه قرار نگرفته‌اند. با توجه به افزایش داده‌های مربوط به مشتریان و حجیم شدن پایگاه داده‌های مربوط به مشتریان توجه به این معیارها امری اجتناب ناپذیر است.
  5. تحقیقات انجام شده در این زمینه، هر کدام مربوط به یک صنعت خاص هستند.
  6. در بیشتر تحقیقات انجام شده از تکنیک‌های مربوط به داده‌کاوی استفاده شده است.
  7. در بیشتر تحقیقات ارزش مشتری مورد توجه نبوده و فقط رویگردانی مشتریان بدون توجه به ارزش آنها مد نظر بوده.

در جدول (۲-۴) خلاصه‌ای از تحقیقات انجام شده در زمینه ساخت مدل‌های پیش‌بینی رویگردانی مشتریان آورده شده است. در این جدول ویژگی‌های مربوط به این تحقیقات از قبیل نوع تکنیک‌های به کار گرفته شده در آنها، دیتاست‌ها و نیز صنعت یا سرویسی که تحقیق در آن صورت گرفته است آورده شده.
جدول ‏۲‑۴ :خلاصه سابقه تحقیق

ردیف عنوان نویسنده یا نویسندگان سال تکنیک‌ها صنعت،
عمومی (۱) یا خصوصی (۲) بودن داده‌ها
۱ کاربرد الگوریتم C4.5 برای ساخت مدل پیش‌بینی رویگردانی با استفاده از تعداد ویژگی‌های محدود وی و چیو[۱۶۵] ۲۰۰۲ درخت تصمیم C4.5 مخابرات بی‌سیم،
(۲)