عنوان پایان‌نامه

تدوین چارچوب جلوگیری از ریزش مشتریان موثر در بازارهای پویا



    دانشجو در تاریخ ۱۶ شهریور ۱۳۹۲ ، به راهنمایی ، پایان نامه با عنوان "تدوین چارچوب جلوگیری از ریزش مشتریان موثر در بازارهای پویا" را دفاع نموده است.


    مقطع تحصیلی
    کارشناسی ارشد
    محل دفاع
    کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 2424;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 62307
    تاریخ دفاع
    ۱۶ شهریور ۱۳۹۲
    دانشجو
    علی ناظمیان
    استاد راهنما
    فتانه تقی یاره

    در بازار تنگاتنگ رقابتی، راهبرد حفظ مشتریان کنونی یکی از رموز بقای سازمان است. لذا به‌منظور جلوگیری از ریزش مشتریان، شناسایی ریزش‌کنندگان احتمالی و نحوه‌ی حفظ آن‌ها، راهکارهای گوناگونی در این عرصه ارائه گردیده است. روش‌های مرسوم مدیریت ریزش مشتری بر پایه این رویکرد استوار هستند که بایستی مشتریان در حال ریزش را شناسایی کرده و از طریق اجرای کمپین‌های حفظ مشتری در صدد حفظ آن‌ها برآییم. امروزه با بهبود فناوری‌های ارتباطی، هزینه‌ی تغییر کاهش یافته و بازارها بسیار پویا شده‌اند. این پویایی سبب شده است که تغییرات در این بازارها به‌سرعت رخ داده و نرخ ریزش مشتریان افزایش یابد. بنابراین با توجه به سرعت تغییرات در این بازارها صرفاً شناسایی مشتریان در حال ریزش نمی‌تواند چندان کارا باشد. هدف اصلی این رساله ارائه‌ی چارچوب جدیدی جهت مدیریت ریزش مشتری است که بتواند در بازارهای پویا به طور کارا عمل کند. در این راستا رویکرد جدیدی در مدیریت ریزش مشتری مطرح میگردد. هدف رویکرد مذکور شناسایی مشتریان موثر سازمان به جای شناسایی مشتریان در حال ریزش، میباشد. بر این اساس یک مسئله‌ی بهینه‌سازی جهت حداکثر‌سازی حفظ مشتریان در بازارهای پویا ارائه می‌گردد. علاوه‌براین نشان داده خواهد‌ شد که این مسئله، یک مسئله NP-سخت بوده و یک الگوریتم اکتشافی حریصانه برای فائق آمدن بر این مهم ارائه گردیده است. همچنین به‌واسطه‌ی راه‌حل تخمینی این الگوریتم، تضمینی جهت حداقل بهینگی آن ارائه شده‌است. جهت ارزیابی چارچوب ارائه‌شده در این پایان‌نامه صنعت مخابرات سیار به عنوان یک صنعت بسیار پویا انتخاب شده و روش و رویکرد ارائه‌شده در این تحقیق با استفاده از اطلاعات جزئیات تماس و اطلاعات میزان استفاده مشتریان از خدمات مختلف، ارزیابی می‌گردد. نتایج حاصل از ارزیابی گویای این ادعاست که روش مذکور در مقایسه با روش‌های مرسوم و سایر روش‌های برگرفته از متون گذشته، بهبود قابل‌ملاحظه‌ای را به لحاظ تعداد مشتریان و سرمایه حفظ‌شده، نشان میدهد.
    Abstract
    Customer loyalty is a survival key for companies in today competitive markets. Churn management has a great role in this regard which try to save churners by running retention campaigns. Classification and pattern recognition techniques are two main approaches that have been applied in the churn management literature. Using these approaches, churn management systems try to predict churners by monitoring customers’ behaviors. In these methods, in order to identify churners, the startup trigger of churning process should be occurred and hence it would be late to initiate customer retention campaign. In dynamic markets, it is very critical to apply retention campaign before customer churning happens, due to the low level of switching cost. Thus, the existing method of customer churn management may not be effective in dynamic markets. The purpose of this study is to leverage companies in dynamic markets by introducing an applicable framework for managing customer churn. Hereby we maximize customer retention via inhibiting churn of some selective customers. Customer Retention Maximization is a new optimization problem which is introduced in this research and is shown as NP-hard problem. We also provided an approximation guarantee of (1-1/e) for a greedy solution of this problem by proving that the expected number of customers that could be saved from churn is a sub-modular function. Also in this study two types of customers have been introduced, influenced customers and valuable ones. We targeted managing customer churn in dynamic markets by running short-term retention campaigns on influenced customers and long-term retention campaigns on valuable ones. Moreover we provided computational experiments on social network derived from telecommunication industry call detail records, indicating that our method of churn management significantly outperforms other methods, such as traditional churn management methods and node selection heuristics based on well-studied notions from the field of social networks.