20145

۲۰۱۴۵

ﺑﻬﯿﻨﻪ ﺳﺎزي ﻃﺮح ﻫﺎي ﺣﻔﻆ ﻣﺸﺘﺮي ﺑﺎ اﺳﺘﻔﺎده از ﭘﯿﺸﺒﯿﻨﯽ رﯾﺰش در ﮐﺴﺐ و ﮐﺎرﻫﺎﯾﯽ ﺑﺎ ﻣﺪل ﺗﺠﺎري از ﺑﻨﮕﺎه ﺑﻪ ﺑﻨﮕﺎه در ﻓﻀﺎﯾﯽ ﻏﯿﺮ ﻗﺮاردادي

كارشناسي ارشد

مديريت اجرايي

۱۳۹۵

۱۳۹۷/۱۱/۲۷

دكتر علي بنيادي نائيني

مهندسي پيشرفت

هم اكنون به طور گسترده اهميت حفظ پايگاه مشتريان موجود بر جذب مشتريان جديد در بدنه ادبيات بازاريابي ملموس است. از اين رو نزديك به 20 سال است كه تكنيك هاي داده كاوي به ميدان آمده اند تا با در سطوح مختلف، روابط مشتريان با سيستم هاي تجاري را تسهيل بخشند. در اين ميان پيش بيني ريزش مشتريان از پايگاه مشتريان فعلي امري است كه در دهه اخير مورد توجه پژوهشگران قرار گرفته است و سازمان ها از حاصل اين پيش بيني و تركيب آن با كمپين هاي حفظ مشتري در قالب ارائه انگيزنده به آنها ، بهره‌مند مي شوند. اگرچه كه سهم شركت هايي كه از مدل بازارگاني از بنگاه به بنگاه تبعيت مي كنند در اين كم رنگ تر بوده است. در اين مطالعه قصد داريم تا با پرورش مدل هاي مختلف از دنياي داده كاوي به فرآيندي جامع دست پيدا كنيم كه در آن مشترياني كه در شرف ريزش از سيستم هستند در ابتدا شناسايي گردند، سپس بر اساس احتمال سود آوري آنان رتبه بندي گردند و در انتها كمپيني تدارك گردد تا با استفاده از آن به درصد خاصي از مشترياني كه بيشترين سودآوري را براي مجموعه دارند، انگيزنده اهدا گردد. در اين مسير مدل هاي پرورش يافته با استفاده از ليفت تجمعي و اندازه گيري مساحت زير نمودار مشخصه عملكرد با يكديگر قياس مي گردند تا درصد بهينه مشتريان كه نيازمند تحت تاثير قرارگرفتن انگيزنده هستند مشخص شوند.

1397/12/13

Optimization of Customer Conservation Campaigns Using Prediction of Customer Deflection with Business Models from Business to Business in Non-Contractual Settings

2/16/2020 12:00:00 AM

It is now widely accepted to maintain the customer base for attracting new customers in the body of tangible marketing literature. Henceforth, for nearly 20 years, data mining techniques have been developed to facilitate customer relationships with business systems at various levels. Meanwhile, the anticipation of the loss of customers from the current customer base is something that has attracted the attention of researchers in the last decade, and organizations benefit from this prediction and combine it with customer retention campaigns in the form of motivating incentives for them. Though the share of companies that follow the busiest model from firm to firm has been less pronounced. In this study, we intend to develop a variety of models from the world of data mining in a comprehensive process in which customers who are at the risk of system failure are first identified, then ranked according to their profitability, and finally A campaign will be provided to give a motive to the percentage of customers who have the most profits for the portfolio. In this way, the developed models are compared with the use of cumulative elevation and area measurements below the characteristics charts of the performance to determine the optimal percentage of customers who need to be influenced by the motive.