شناسایی عوامل تاثیرگذار در رویگردانی مشتریان شرکت مخابرات کردستان و ارائه مدل هایی برای پیش بینی رویگردانی با استفاده از الگوریتم های یادگیری ماشین (مقاله پژوهشی دانشگاه آزاد)
درجه علمی: علمی-پژوهشی (دانشگاه آزاد)
آرشیو
چکیده
مشتریان منبع اصلی درآمد و دارایی مهم برای هر سازمان هستند. با این دیدگاه، امروزه شرکت ها تلاش بیشتری را برای حفظ مشتریان موجود آغاز کرده اند. از آنجا که در بسیاری از شرکت ها هزینه به دست آوردن مشتری جدید بسیار بالاتر از هزینه ایجاد رضایتمندی مشتری فعلی است، رویگردانی مشتری به حوزه اصلی نگرانی این شرکت ها تبدیل شده است. لذا شرکت های مبتنی بر مشتری از جمله شرکت های فعال در صنعت مخابرات به دلیل رویگردانی مشتریان با چالش بزرگی روبرو هستند. با توسعه سریع صنعت مخابرات، پیش بینی رویگردانی به عنوان یکی از فعالیتهای اصلی در به دست آوردن مزیت رقابتی در بازار محسوب می شود. پیش بینی رویگردانی مشتری به اپراتورها اجازه می دهد 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 پیش بینی و تخمین رویگردانی مشتریان شرکت مخابرات استان کردستان (دارای 529000 مشترک) با روش های مختلف داده کاوی و یادگیری ماشین (شامل رگرسیون خطی چندگانه (MLR)، رگرسیون چند جمله-ای(PR)، رگرسیون لجستیک، شبکه های عصبی مصنوعی، آدابوست و جنگل تصادفی) ارایه شده است. نتایج ارزیابی های انجام شده بر روی مجموعه داده های شرکت مخابرات استان کردستان عملکرد بالای روش های شبکه های عصبی مصنوعی با دقت 99.9% ، آدابووست با دقت 100% و جنگل تصادفی با دقت 100% را نشان می دهد.Identifying the influencing factors in customer churn of Kurdistan Telecommunications Company and presenting models for predicting churn using machine learning algorithms
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.
تبلیغات
