پیش بینی ریزش مشتری با رویکرد یادگیری عمیق مبتنی بر شبکه عصبی مصنوعی

ریزش مشتری یا فرسایش مشتری به قطع رابطه مشتریان بازیکنان مشترکان کاربران و غیره با یک کسب و کار اشاره دارد که به ویژه در محیطهای آنلاین بر اساس مدت زمان عدم تعامل آنها با خدمات تشخیص داده می شود. این پدیده نه تنها باعث کاهش درآمد مستقیم می شود بلکه هزینه های مضاعفی را نیز به همراه دارد؛ از جمله هزینه های بازاریابی برای جذب مشتریان جدید و زیان ناشی از جبران ناپذیری سرمایه اولیه صرف شده برای جذب مشتریان ریزشی هدف اصلی این پژوهش، طراحی و پیاده سازی یک مدل پیش بینی ریزش مشتری با بهره گیری از رویکرد یادگیری عمیق مبتنی بر شبکه های عصبی مصنوعی (ANN) است. با توجه به رقابت فزاینده در فضای کسب و کار و اهمیت حفظ مشتریان، وفادار، شناسایی زودهنگام مشتریان در معرض ریزش به عنوان یک راهبرد کلیدی مطرح می شود در این راستا با استفاده از تکنیک های داده کاوی و یادگیری ماشین مجموعه ای از ویژگی های رفتاری مشتریان استخراج و پس از انجام مراحل پیش پردازش مدل پیشنهادی طراحی و پیاده سازی گردید. پژوهش حاضر ابتدا به تبیین مفاهیم نظری از جمله رضایت مشتری نرخ ریزش هوش مصنوعی، یادگیری ماشین و یادگیری عمیق پرداخته و سپس با مرور پژوهش های پیشین جایگاه و اهمیت مدل سازی پیش بینی ریزش در صنایع مختلف مانند بانکداری، مخابرات و تجارت الکترونیک تبیین شده است. در گام بعد، مدل ANN پیشنهادی در محیط پایتون پیاده سازی و با استفاده از مجموعه داده Telco Customer Churn و شاخص هایی نظیر دقت، صحت، فراخوانی و امتیاز F۱ ارزیابی گردید. نتایج نشان داد مدل پیشنهادی دقت ۰.۸۸، صحت ۰.۷۵، فراخوانی ۰.۷۰ و امتیاز F۱ معادل ۰.۷۲ را به دست آورده و نسبت به دو مدل مرجع CNN (با ۰.۶۶) و RNN (با ۰.۶۶) عملکرد برتری دارد. این نتایج حاکی از اثربخشی بالای ساختار پیشنهادی در شناسایی دقیق تر مشتریان در معرض ریزش است.

کلیدواژه ها:

ریزش مشتری ، یادگیری عمیق ، شبکه عصبی مصنوعی ، مدل سازی ، پیش بینی ، داده کاوی