ارائه مدلی بمنظور پیش بینی ریزش کاربران تلفن همراه اعتباری

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 639

فایل این مقاله در 7 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ICIKT08_059

تاریخ نمایه سازی: 5 بهمن 1395

چکیده مقاله:

حرکت مشتریان از یک سازمان به سازمان دیگر برای پیدا کردن محصولات و خدمات بهتر و ارزانتر ریزش نام دارد. هزینه های جابجایی کم و رقابتشدید در صنعت خدمات مخابراتی، مدیریت ریزش مشتریان را در کانون توجه بسیاری از شرکت ها قرار داده است. هدف از انجام پژوهش حاضر، ارائه مدلی بمنظور پیش بینی رفتارهای آتی ریزشگران در شرایط غیر قراردادی می باشد. در گام نخست، با استفاده از تکنیک های خوشه بندی، رفتارهای مختلفمشتریان را تفکیک کرده، و مفهوم ریزش را برای هر خوشه تعریف می نماییم. سپس در گام دوم، با استفاده از الگوریتم درخت تصمیم C5.0 مشتریانیرا که احتمال بیشتری برای ریزش دارند را شناسایی می کنیم. نتایج این تحقیق نشان می دهد که ویژگی های مصرفی مشتریان مانند مدت زمان مصرفو تازگی مصرف نسبت به ویژگی های دموگرافی تاثیر بیشتری بر تصمیم به ریزش دارد.

کلیدواژه ها:

پیش بینی ریزش ، مدیریت ارتباط با مشتری ، تلفن همراه اعتباری ، داده کاوی

نویسندگان

حامد هاشمی

سازمان ملی استاندارد ایران

مصطفی درزی رامندی

سازمان ملی استاندارد ایران

سیاوش سیاوشیان رشیدی

سازمان ملی استاندارد ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Lemmens A, Croux C. (2006). Bagging and boosting classification trees ...
  • Jamal Z, Bucklin RE. (2006). Improving the diagnosis and prediction ...
  • Ngai EWT, Xiu L, Chau DCK. (2009). Application of data ...
  • Bhattacharya CB. (1998). when customers are members: Customer retention in ...
  • Colgate MR, Danaher PJ. (2000). implementing a customer relationship strategy: ...
  • Rasmusson . (1999). Complaints can build relationships, Sales and Marketing ...
  • Cui G. (2010). A methodologic application of Customer Retention based ...
  • Glady N, Baesens B, Croux C. (2009). Modeling churn using ...
  • Reinartz WJ, Kumar V. (2000). On the profitability of long-life ...
  • Lejeune MA. (2001). measuring the impact of data mining on ...
  • Mozer MC, Wolniewicz R, Grimes DB, Johnson E, Kaushansky H. ...
  • Ferreira JB, Vellasco M, Pacheco MA, Barbosa CH. (2004). ...
  • Seo D, Ranganathan C, Babad Y. (2008). Two-level model of ...
  • Hu X. A (2005). Data mining approach for retailing bank ...
  • Euler T. (2005). Churn prediction in te l ecommun ications ...
  • Karakostas B, Kardaras D, Papathanassiou E. (2005). The state of ...
  • Neslin S, Gupta S, Kamakura W, Lu J, Mason C. ...
  • Hadden J, Tiwari A, Roy R, Ruta D. (2006). Churn ...
  • Hung SY, Yen DC, Wang HY. (2006). Applying data mining ...
  • Hadden J, Tiwari A, Roy R, Ruta D. (2007). Computer ...
  • Roy R, Tiwari A, Shah SR, Hadden J. (2006). Soft ...
  • Turban E, Sharda R, Delen D. (2007). Decision support and ...
  • Japkowicz N, Stephen S. (2002), the class imbalance problem: A ...
  • Estevez PA, Held CM, Perez CA. (2006), Subscription fraud prevention ...
  • Ahola J, Rinta-Runsal E. (2001), Data mining case studies in ...
  • نمایش کامل مراجع