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

محورهای موضوعی : مدیریت صنعتی

vida sadeghi ¹ , Anvar Bahrampour ² , Seyed Ali Hosseini ³

1 - Master's student in Computer Engineering, Sanandaj Branch, Islamic Azad University, Sanandaj, Iran - Kurdistan province telecommunication employee
2 - Assistant Professor, Department of Computer Engineering, Sanandaj Branch, Islamic Azad University, Sanandaj, Iran
3 - Lecturer, Department of Computer Engineering, Sanandaj Branch, Islamic Azad University, Sanandaj, Iran

تاریخ دریافت : 1402/03/09 تاریخ پذیرش : 1402/06/06 تاریخ انتشار : 1402/07/01

کلید واژه: شبکه‌های عصبی مصنوعی, پیش بینی, داده کاوی, یادگیری ماشین, رویگردانی مشتریان,

چکیده مقاله :

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.

چکیده انگلیسی:

The main sources of income and assets are important for any organization. With this view, companies have started to do more to maintain health. Since in many companies the cost of acquiring a new customer is much higher than actual customer satisfaction, customer churn has become the main area of evaluation for these companies. Client-facing companies, including those active in the technology industry, are facing a major challenge due to customer attrition. With the rapid development of the telecommunications industry, dropout prediction becomes one of the main activities in gaining a competitive advantage in the market. Predicting customer churn allows operators a period of time to remediate and implement a series of preventative measures before customers migrate to other operators. In this research, a decision support system for predicting and estimating the churn of customers of Kurdistan Telecommunication Company (with 52,900 subscribers) with different data-mining and machine methods (including simple linear regression (SLR), multiple linear regression (MLR). Polynomial regression. (PR), logistic regression, artificial neural networks, Adabust and random forest) are presented. The results of the evaluations carried out on the data set of the Kurdistan Province Telecommunication Company, the high performance of artificial neural network methods with 99.9% accuracy, Adabust with 99.9% accuracy, 100% accuracy and random forest It shows 100% with accuracy.

منابع و مأخذ:

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.