1. ANN + ANN: در این روش ANN اولی به منظور کاهش داده‌ای استفاده شده است. و دومی برای کار پیش‌بینی رویگردانی به کار برده شده است.

    پایان نامه - مقاله - پروژه

 

    1. SOM + ANN: ابتدا خوشه‌بندی توسط روش نقشه‌های خود سازمانده (SOM) انجام می‌گیرد. دو خوشه دارای بیشترین تعداد رکورد انتخاب شده و وارد ANN برای پیش‌بینی می‌شوند.

 

نتایج تحقیق آنها نشان می‌دهدکه دو مدل ترکیبی ساخته شده در پیش‌بینی رویگردانی بهتر از مدل تکی شبکه‌های عصبی عمل می‌کنند. درضمن، مدل (ANN+ANN) عملکرد بهتری در پیش‌بینی نسبت به (SOM+ANN) دارد.
پندارکار برای اولین بار از شبکه عصبی مبتنی بر الگوریتم ژنتیک برای پیش‌بینی رویگردانی مشتری در سرویس‌های اشتراک بی‌سیم استفاده کرده است (Pendharkar 2009). در این تحقیق از الگوریتم ژنتیک جستجوی سراسری ابتکاری برای یادگیری وزن‌های اتصالات شبکه‌های عصبی استفاده شده است.
ونگ و دیگران با بهره گرفتن از تکنیک‌های داده‌کاوی به ایجاد یک سیستم توصیه‌گر به مشتریان پرداخته‌اند (Wang, Chiang et al. 2009). با بهره گرفتن از این سیستم دلیل رویگردانی مشتریان مشخص شده و یا به عبارت دیگر رفتارهای استفاده مشتریان رویگردان و مشتریان وفادار مورد بررسی قرار گرفته تا به موجب آنها بتوان استراتژی‌های بازاریابی مناسب جهت جلوگیری از رویگردانی مشتریان به مدیران شرکت ارائه داد.
الگوریتم‌های زیادی برای تحلیل رویگردانی وجود دارد ولی همه آنها با محدودیت‌هایی رو به رو هستند که این محدودیت‌ها به دلیل طبیعت مسئله رویگردانی به وجود می‌آیند. مسئله رویگردانی دارای سه ویژگی عمده است: ۱- داده‌ها معمولا نامتعادل هستند. ( تعداد مشتریان رویگردان خیلی کم هستند و معمولا تنها ۲ درصد از کل نمونه را در بر می‌گیرند) ۲- نویزهایی در داده‌ها وجود دارد. ۳- برای پیش‌بینی رویگردانی لازم است تا احتمال رویگردانی موجودیت‌ها را رتبه‌بندی کنیم (Xie, Li et al. 2009). زای و همکاران در تحقیق خود یک روشی به نام رندم فارست متوازن بهبودیافته[۱۵۴] برای پیش‌بینی رویگردانی ارائه کرده‌اند. این الگوریتم روی یک مطالعه موردی بانکی پیاده‌سازی شده. نتایج نشان می‌دهد که دقت پیش‌بینی این الگوریتم نسبت به سایر الگوریتم‌های حوزه‌ی پیش‌بینی رویگردانی مانند شبکه‌های عصبی، درخت تصمیم و SVM بالاتر است. همچنین، الگوریتم نسبت به الگوریتم‌های مبتنی بر رندوم فارست مانند رندم فارست متوازن بهتر عمل می‌کند.
گلیدی و دیگران در مقاله خود وفاداری مشتری را از دیدگاه مشتری‌گرایی به جای دیدگاه محصول‌گرایی تعریف می‌کنند (Glady, Baesens et al. 2009). آنها همچنین مشتری رویگردان را به عنوان کسی که ارزش طول عمر آن در حال کاهش است تعریف می‌کنند. موضوع جدید دیگری که در این مقاله عنوان شده است این است که ضرر حاصل شده توسط کاهش CLV به عنوان ضرر حاصل از دسته‌بندی غلط مشتریان در نظر گرفته می‌شود. نتیجه نهایی که در این مقاله گرفته شده است این است که سود و منفعت تنها چیزی است که در محیط تجاری اهمیت دارد، شاخص‌های استاندارد آماری سنجش دقت و صحت پیش‌بینی بایستی تجدید نظر شده و بایستی سودگرایی در آنها دیده شود.
در حوزه ارتباطات از را ه دور، تکنیک‌های داده‌کاوی مانند درخت تصمیم ،شبکه‌های عصبی به منظور توسعه مدل‌های پیش‌بینی رویگردانی مشتری به کار رفته‌اند. با این وجود بسیاری از کارهای انجام شده صرفا کار پیش بینی را انجام داده‌اند و مرحله پیش‌پردازش از داده‌کاوی را نادیده گرفته‌اند.
تی سای و چن از ترکیب الگوریتم‌های قواعد همبستگی با الگوریتم‌های درخت تصمیم و شبکه‌های عصبی برای ساخت مدل پیش‌بینی رویگردانی استفاده کرده‌اند (Tsai and Chen 2010). روش کارشان به این صورت است که ابتدا در مرحله پیش‌پردازش با بهره گرفتن از قواعد همبستگی متغیرهای با اهمیت شناخته شده، سپس مدل پیش‌بینی رویگردانی توسط شبکه‌های عصبی و درخت تصمیم ساخته می‌شود. در این تحقیق از شاخص‌هایی در جهت ارزیابی کارایی مدل‌های ساخته شده استفاده شده است. نتیجه تحقیق نشان می‌دهد که متدهای ترکیبی قواعد همبستگی و درخت تصمیم یا شبکه‌های عصبی بهتر از متدهای تکی درخت تصمیم یا شبکه‌های عصبی عمل می‌کنند.
هوانگ و دیگران در تحقیق خود یک رویکرد انتخاب ویژگی چند هدفه را برای پیش‌بینی رویگردانی مشتریان در یک شرکت مخابراتی، بر اساس رویکرد بهینه‌سازی [۱۵۵]NSGA-II ارائه دادند (Huang, Buckley et al. 2010). هدف رویکردهای انتخاب ویژگی عبارتند از کاهش ویژگی‌های نا‌‌معتبر یا زاید و پیدا کردن ویژگی‌های مهم که منجر به افزایش کارایی مدل‌های داده‌کاوی می‌شود. در این تحقیق از درخت تصمیم به دلیل کارایی بالا و هزینه محاسباتی پایین به عنوان تابع برازش استفاده شده است.
کوزمنت و دیگران در مقاله خود از مدل‌های جمع‌پذیر عمومی[۱۵۶] ( GAM) برای پیش‌بینی رویگردانی مشتری استفاده کرده‌اند (Coussement, Benoit et al. 2010). در مقایسه با رگرسیون لجستیک ، GAM محدودیت خطی بون را برداشته و اجازه می‌دهد تا رابطه بین متغیرها غیرخطی باشد. این تحقیق نشان می‌دهد که: ۱- GAM قادر به بهبود دادن تصمیم‌گیری‌های بازاریابی از طریق شناسایی مشتریان ریسک دار است. ۲- GAM خوانایی و تفسیرپذیری مدل‌های رویگردانی را با مصورسازی رابطه غیرخطی آنها نشان می‌دهد. ۳- مدیران بازاریابی می‌توانند ارزش کسب و کار خود را با بهره گرفتن از GAM در زمینه پیش‌بینی رویگردانی مشتری افزایش دهند.
هستی و تیبشیرانی اظهار کرده‌اند که روش‌های غیرپارامتریک در مواقعی که تعداد متغیرهای پیش‌بینی‌کننده بیشتر باشد بدتر عمل می‌کنند (Hastie and Tibshirani 1990)؛ برای اینکه پراکندگی داده‌ها ، واریانس تخمین‌ها را متورم می‌کند. این موضوع اغلب به عنوان مصیبت بعد یاد می‌شود. با بهره گرفتن از مدل‌های جمع‌پذیر، مشکل مصیبت بعد بر طرف می‌شود. روش GAM حداقل دو مزیت نسبت به رگرسیون لجستیک دارد: ۱- روابط غیرخطی بین داده‌ها را آشکار می‌کند. ۲- نشان داده شده است که حذف فرض خطی بودن منجر به درک صحیحی از تاثیر هر یک از متغیرهای پیش‌بینی‌کننده روی متغیر وابسته می‌شود که این موضوع به تصمیم‌گیران کمک می‌کند تا مشکل رویگردانی شرکت را به طور کامل درک کنند (Coussement, Benoit et al. 2010).
در اکثر تحقیقاتی که تاکنون در زمینه پیش‌بینی رویگردانی مشتریان صورت گرفته است، بیشتر به بالا بردن دقت و کارایی مدل‌های پیش‌بینی توجه شده است. وربک و دیگران در مقاله خود به جنبه‌های جدیدی در مورد مدل‌های پیش‌بینی رویگردانی مشتری اشاره کرده‌اند (Verbeke, Martens et al. 2011). اگرچه، این جنبه‌ها در تحقیقات قبلی به صورت تلویحی مورد توجه قرار گرفته بود ولی در این مقاله به صورت آشکار این جنبه‌ها ذکر شده‌اند. دقت پیش‌بینی[۱۵۷]، قابلیت درک[۱۵۸] و توجیه‌پذیری[۱۵۹] سه جنبه کلیدی مدل‌های پیش‌بینی رویگردانی هستند. در حیطه داده‌کاوی یک مدل توجیه‌پذیر است اگر با دانش محیط کاربرد هم‌خوانی داشته باشد. یک مدل پیش‌بینی رویگردانی با دقت بالا موجب می‌شود تا مشتریان رویگردان آتی به طور درست مورد هدف کمپین‌های نگهداری قرار گیرند. در حالی که یک مجموعه قوانین قابل درک اجازه می‌دهد تا عوامل و دلایل اصلی رویگردانی مشتریان شناسایی شوند و استراتژی‌های موثر نگهداری مشتریان که مطابق با دانش حیطه باشد اتخاذ گردد.
در این تحقیق دو تکنیک جدید داده‌کاوی در زمینه پیش‌بینی رویگردانی مشتریان به کار گرفته شده است. این تکنیک‌ها عبارتند از: Ant-Miner+ و [۱۶۰]ALBA. روش Ant-Miner+ یک تکنیک داده‌کاوی با کارایی بالا بر اساس اصول بهینه‌سازی کلونی مورچه‌ها[۱۶۱] است که اجازه می‌دهد تا بتوان دانش حیطه را وارد مدل کرد از طریق اعمال محدودیت‌های یکنواختی روی مجموعه قوانین نهایی. و تکنیک ALBA دقت بالای تکنیک SVM را با قابلیت درک مجموعه قوانین ترکیب می‌کند. به عبارت دیگر، ALBA یک روش استخراج مجموعه قوانین از یک مدل SVM است. نتایج مدل‌سازی‌ها نشان می‌دهد که ALBA منجر به یک مدل قابل درک با کارایی بالا می‌شود. همچنین برخلاف سایر تکنیک‌های استفاده شده در این تحقیق، Ant-Miner+ منجر به مدل‌های دقیق با قابلیت درک بالا و از همه مهم‌تر با توجیه‌پذیری بالا می‌شود. در این تحقیق از یک دیتاست عمومی استفاده شده است.
روش‌های فازی و نروفازی نیز در سال‌های اخیر به صورت خیلی کم در زمینه پیش‌بینی رویگردانی مشتریان کاربرد داشته‌اند. مطالعات ما در این زمینه نشان می‌دهد که تنها در دو مقاله از این روش‌ها استفاده شده است. قربانی و دیگران در تحقیق خود برای اولین بار از روش درخت مدل خطی محلی[۱۶۲] در پیش‌بینی رویگردانی مشتریان استفاده کرده‌اند (Ghorbani, Taghiyareh et al. 2009)؛ که این روش مزایای شبکه‌های عصبی، مدل درختی و مدل‌سازی فازی را به صورت یکجا دارد. نتایج تحقیق آنها نشان می‌دهد که این متد در مقایسه با متدهایی نظیر شبکه‌های عصبی، درخت تصمیم و رگرسیون لجستیک، کارایی پیش‌بینی را به میزان قابل توجهی بالا می‌برد.
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 بهره گرفتن 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 بهره گرفتن 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 مشخصه‌ های 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 بهره گرفتن از داده‌های مربوط به صنعت مخابرات، ابتدا با بهره گرفتن 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:

 

    1. در هر تحقیق از یک یا چند دیتاست عمومی یا خصوصی استفاده شده است.

 

    1. 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).

 

    1. 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.

 

    1. 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.

 

    1. تحقیقات انجام شده در این زمینه، هر کدام مربوط به یک صنعت خاص هستند.

 

    1. در بیشتر تحقیقات انجام شده از تکنیک‌های مربوط به داده‌کاوی استفاده شده است.

 

    1. 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
موضوعات: بدون موضوع  لینک ثابت


فرم در حال بارگذاری ...