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

• Months: مدت زمان حضور مشتری در شرکت.
• Complete-mean: میانگین تعداد تماس‌های کامل صوتی و داده‌ای.
• Mou-mean: میانگین ماهانه تعداد دقایق استفاده.
• Recv-vce-mean: میانگین تعداد تماس‌های صوتی وارده به مشتری.
• Rev-Mean: میانگین درآمد ماهانه.

متغیر استخراج شده از شبکه اجتماعی مشتری
برای شناسایی مشتریان با ارزش از دیدگاه رویگردانی فقط در نظر گرفتن متغیرهای سنتی CRM کافی نیست بلکه باید تاثیر وی بر نظر افراد دیگر را نیز مورد توجه قرار بدهیم. ممکن است یک فرد که دارای احتمال رویگردانی بالایی است از نظر مدل LRFM دارای ارزش زیادی نباشد ولی همین فرد دارای ارتباطات موثری در اجتماع باشد و رویگردانی وی تبلیغات منفی کسترده‌ای را برای شرکت در پی داشته باشد. انتشار دهان به دهان خبر و یا تبلیغات در اجتماعی از افراد را با اصطلاح WOM^[189] بیان می‌کنند. لازم است برای بررسی ارزش مشتریان رویگردان علاوه بر متغیرهای سنتی CRM به دنبال استخراج متغیرهای موثر بر WOM نیز باشیم.
واضح است که یک شبکه اجتماعی می‌تواند از روابط موجود بین اعضای یک خانواده تشکیل گردد و WOM هم از طریق این شبکه تشکیل شده ایجاد گردد. تاثیر WOM منتشر شده درشبکه اجتماعی ناشی از روابط خانوادگی می‌تواند به صورت بالقوه بسیار زیاد باشد. زیرا اعضای یک خانواده اعتماد زیادی نسبت به یکدیگر دارند و در تصمیم‌گیری‌ها از یکدیگر کمک می‌گیرند. ممکن است در یک خانواده چندین نفر از سرویس‌های یک شرکت استفاده کنند. در این صورت با نارضایتی و رویگردانی یک نفر از اعضا خانواده ممکن است اعضای دیگر خانواده هم تحت تاثیر قرار گیرند.
در پایگاه داده مربوط به مسابقات مدل‌سازی رویگردانی دانشگاه دوک متغیری به نام ACTVSUBS وجود دارد که نشان دهنده تعداد مشترکین فعال در خانواده است. به عبارت دیگر، این متغیر بیان می‌کند که چند مشترک فعال در خانواده یک مشترک وجود دارد. برای مثال اگر این عدد ۲ باشد، آنگاه در این خانواده علاوه بر این مشترک، ۲ مشترک فعال دیگر وجود دارد. این فیلد از دید تحلیل شبکه‌های اجتماعی برابر با درجه هر گره در شبکه است. یک فرد که دارای مقدار بیشتری برای این متغیر است ارتباطات WOM بیشتری دارد و از دید رویگردانی فردی با ارزش است، چراکه می‌تواند تعداد افراد بیشتری را تحت تاثیر قرار دهد.
در پایان برای ارزیابی خوشه‌بندی از معیار دیویس – بولدین^[۱۹۰] استفاده کردیم. این شاخص معیاری برای ارزیابی خوشه‌بندی است که فشردگی و تفکیک‌پذیری را مورد توجه قرار می‌دهد و به صورت زیر محاسبه می‌شود:
که در آن k برابر با تعداد خوشه‌ها است. برابر با فاصله درون خوشه‌ای مربوط به خوشهi است. برابر با فاصله بین خوشه i و j است . خوشه‌بندی که کمترین مقدار index را داشته باشد مناسب‌تر است.
نتیجه‌گیری
ما در این فصل به شرح نحوه پیاده‌سازی مدل ارائه شده برای پیش‌بینی رویگردانی مشتریان با ارزش در صنعت مخابرات و انتخاب استراتژی مناسب بازاریابی جهت جلوگیری از رویگردانی این مشتریان کلیدی، پرداختیم. مدل پیشنهادی ما از سه