شناسایی عوامل تاثیرگذار در رویگردانی مشتریان شرکت مخابرات کردستان و ارائه مدل هایی برای پیش بینی رویگردانی با استفاده از الگوریتم های یادگیری ماشین

الموضوعات :

vida sadeghi ¹ ( Master's student in Computer Engineering, Sanandaj Branch, Islamic Azad University, Sanandaj, Iran - Kurdistan province telecommunication employee )
Anvar Bahrampour ² ( Assistant Professor, Department of Computer Engineering, Sanandaj Branch, Islamic Azad University, Sanandaj, Iran )
Seyed Ali Hosseini ³ ( Lecturer, Department of Computer Engineering, Sanandaj Branch, Islamic Azad University, Sanandaj, Iran )

تاريخ الإرسال : 10 الثلاثاء , ذو القعدة, 1444 تاريخ التأكيد : 12 الإثنين , صفر, 1445 تاريخ الإصدار : 08 السبت , ربيع الأول, 1445

الکلمات المفتاحية: شبکه‌های عصبی مصنوعی, پیش بینی, داده کاوی, یادگیری ماشین, رویگردانی مشتریان,

ملخص المقالة :

مشتریان منبع اصلی درآمد و دارایی مهم برای هر سازمان هستند. با این دیدگاه، امروزه شرکت‌ها تلاش بیشتری را برای حفظ مشتریان موجود آغاز کرده‌اند. از آنجا که در بسیاری از شرکت‌ها هزینه به‌دست آوردن مشتری جدید بسیار بالاتر از هزینه ایجاد رضایتمندی مشتری فعلی است، رویگردانی مشتری به حوزه اصلی نگرانی این شرکت‌ها تبدیل شده است. لذا شرکت‌های مبتنی بر مشتری از جمله شرکت‌های فعال در صنعت مخابرات به دلیل رویگردانی مشتریان با چالش بزرگی روبرو هستند. با توسعه سریع صنعت مخابرات، پیش‌بینی رویگردانی به عنوان یکی از فعالیتهای اصلی در به ‌دست آوردن مزیت رقابتی در بازار محسوب می‌شود. پیش‌بینی رویگردانی مشتری به اپراتورها اجازه می‌دهد تا قبل از مهاجرت مشتریان فعلی به اپراتورهای دیگر، یک دوره زمانی برای اصلاح و اجرای یک سری اقدامات پیشگیرانه داشته باشند. در این پژوهش یک سیستم پشتیبانی تصمیم برای پیش‌بینی و تخمین رویگردانی مشتریان شرکت مخابرات استان کردستان (دارای 529000 مشترک) با روش‌های مختلف داده‌کاوی و یادگیری ماشین (شامل رگرسیون خطی چندگانه (MLR)، رگرسیون چند جمله-ای(PR)، رگرسیون لجستیک، شبکه‌های عصبی مصنوعی، آدابوست و جنگل تصادفی) ارایه شده است. نتایج ارزیابی‌های انجام شده بر روی مجموعه داده‌های شرکت مخابرات استان کردستان عملکرد بالای روش‌های شبکه‌های عصبی مصنوعی با دقت 99.9% ، آدابووست با دقت 100% و جنگل تصادفی با دقت 100% را نشان می‌دهد.

المصادر:

1. Dhote, S., Vichoray, C., Pais, R., Baskar, S., & Mohamed Shakeel, P. (2020). Hybrid geometric sampling and AdaBoost based deep learning approach for data imbalance in E-commerce. Electronic Commerce Research, 20, 259-274.


2. Hammoudeh, A., Fraihat, M., & Almomani, M. (2019). Selective ensemble model for telecom churn prediction. 2019 IEEE jordan international joint conference on electrical engineering and information technology (JEEIT),


3. Jafari-Marandi, R., Denton, J., Idris, A., Smith, B. K., & Keramati, A. (2020). Optimum profit-driven churn decision making: innovative artificial neural networks in telecom industry. Neural Computing and Applications, 32, 14929-14962.


4. Lemmens, A., & Gupta, S. (2020). Managing churn to maximize profits. Marketing Science, 39(5), 956-973.


5. Rogić, S., Kašćelan, L., Kašćelan, V., & Đurišić, V. (2022). Automatic customer targeting: a data mining solution to the problem of asymmetric profitability distribution. Information Technology and Management, 23(4), 315-333.


6. Sivasankar, E., & Vijaya, J. (2019). A study of feature selection techniques for predicting customer retention in telecommunication sector. International Journal of Business Information Systems, 31(1), 1-26.


7. Sohaib, O., Naderpour, M., Hussain, W., & Martinez, L. (2019). Cloud computing model selection for e-commerce enterprises using a new 2-tuple fuzzy linguistic decision-making method. Computers & Industrial Engineering, 132, 47-58.


8. Vo, N. N., Liu, S., Li, X., & Xu, G. (2021). Leveraging unstructured call log data for customer churn prediction. Knowledge-Based Systems, 212, 106586.


9. Wu, Z., Jing, L., Wu, B., & Jin, L. (2022). A PCA-AdaBoost model for E-commerce customer churn prediction. Annals of Operations Research, 1-18.


10. Kratsch, W., Manderscheid, J., Röglinger, M., & Seyfried, J. (2021). Machine learning in business process monitoring: a comparison of deep learning and classical approaches used for outcome prediction. Business & Information Systems


11. Alpaydin, E. (2020). Introduction to machine learning. MIT press


12. Ostertagová, E. (2012). Modelling using polynomial regression. Procedia Engineering, 48, 500-506.


13. Tavakoli, Ahmad; Mortezaei, Saeed; Kahani, Mohsen; Hosseini, Zahra. (2011). Application of Data Mining Process for Customer Churn Prediction in Insurance. Journal of Business Management Perspective, 9(4).


14. Najmi, Parvin; Rad, Abbas; Shouar, Maryam. (2018). Customer Churn Prediction in Banks Using Data Mining Techniques. Journal of Strategic Management in Industrial Systems (Formerly Industrial Management Journal), 13(44), 99-111.


15. Amiri, Sahar; Hasan Zadeh, Alireza; Sahraei, Shaghayegh. (2022). A Model for Customer Churn Management in an Internet Service Provider Company. Studies in Intelligent Business Management, 10(39), 67-95.