مدلسازی ریسک ریزش مشتری در لحظه با چارچوب یادگیری عمیق چندوجهی و بهینه سازی فراابتکاری ادغام تحلیل احساسات مبتنی بر زبان عامیانه و ویژگی های فرآیند کاوی

این تحقیق یک چارچوب هوشمند و نوین یادگیری عمیق چندوجهی را برای مدلسازی ریسک ریزش مشتری در زمان واقعی معرفی می کند. هدف اصلی، غلبه بر محدودیت های مدل های سنتی تک وجهی است که در تشخیص به موقع نشانه های رفتاری و احساسی پنهان ناتوان هستند. چارچوب پیشنهادی با یک رویکرد سیستماتیک چهار ماژولی دو بعد حیاتی و مکمل داده های مشتری را به طور همزمان ادغام می کند. اول ویژگی های رفتاری فرایندی که از طریق فرایند کاوی (Process Mining) از لاگ های رویداد استخراج می شوند مانند شاخص انحراف و حلقه های تکراری تا الگوهای نارضایتی در تعاملات خدماتی را شناسایی کنند. دوم ویژگی های احساسی که از طریق تحلیل احساسات مبتنی بر زبان عامیانه از محتوای متنی غیر رسمی مشتری مانند چت ها استخراج می شوند تا نگرش های زیرپوستی و سیگنال های پنهان نارضایتی را ثبت کنند. داده های تلفیق شده سپس به یک شبکه عصبی عمیق چندوجهی منتقل می شوند. برای تضمین حداکثر دقت و کارایی، مدل از الگوریتم های بهینه سازی فراابتکاری (مانند PSO) برای تنظیم بهینه ابر پارامترهای شبکه استفاده می شود. نتایج شبیه سازی نشان داد که مدل پیشنهادی بهینه سازی شده با AUC معادل ۰.۹۳۵ و Recall کلاس ریزش معادل ۰.۸۵، عملکردی به طور چشمگیر برتر نسبت به مدل های تک وجهی پایه دارد و یک ابزار قدرتمند برای مداخله فعال و حفظ مشتری در زمان واقعی فراهم می آورد.

کلیدواژه ها:

ریزش مشتری ، یادگیری عمیق ، چندوجهی ، فرآیند کاوی ، تحلیل احساسات عامیانه ، بهینه سازی فراابتکاری