عنوان پایان‌نامه
آنالیز ریزش مشتریان و ارائه مدل پیش بینی در فروشگاه ورزشی برند
- رشته تحصیلی
- مهندسی صنایع- صنایع
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس البرز شماره ثبت: 377;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 67177
- تاریخ دفاع
- ۳۰ بهمن ۱۳۹۳
- دانشجو
- محمدرضا صفری واریانی
- استاد راهنما
- عباس کرامتی
- چکیده
- در سال¬های اخیر، استفاده¬ی مؤثر از داده¬های مشتریان در سازمان¬ها و مؤسسات فعال بـا اهـداف بازرگـانی و تجـاری، آموزشـی و پرسـنلی مـی¬توانـد بـه بهتـرین نحـو بـه مـدیران، برنامه¬ریزان و پژوهشگران در اتخاذ تصمیم¬های راهبردی و توصـیف و شناسـایی وضـعیت موجود یاری رساند و باعث انجام و اجرای علمی¬تر و دقیقتر فعالیت¬های شغلی برای ایـن دسته از افـراد شـود. ایـن امـر بـه خصـوص بـا افـزایش سـطح پوشـش پایگـاه¬هـای داده در سازمان¬های دولتی، خصوصی یا بنگاه¬های اقتصادی در کشور اهمیتی دوچندان پیدا کرده است. در این میـان از جمله صنایعی که در آن استفاده از داده¬های مشتریان باعـث افـزایش دقـت تصـمیم¬گیـری و کاهش هزینه¬های مادی و معنوی تصمیم¬گیری می¬شود، صنعت پوشاک و به خصوص پوشاک ورزشی اسـت. امـروزه بـا اســتفاده از تکنیــک¬هــای گونــاگون ســعی در اســتفاده¬ی بهینــه از داده¬هــای عظــیم در ایــن مجموعه¬ها شده است. لذا در این پژوهش سعی خواهـد شـد تـا بـا بهـره¬گیـری از تکنیک¬های داده کاوی در یک فرآیند سیستماتیک به محاسبه میزان رویگردانی مشتریان و علل آن باشیم. به طور واضح¬تر هدف از انجام این پژوهش، تهیه-ی مدلی یا ساختاری فرآیندی به¬ منظور تحقق ایـن امـر مـی¬باشـد. با توجه بـه ایـن امـر در ایـن پژوهش مسئله¬ی رویگردانی مشتریان فروشگاه¬های زنجیره¬ای نایک سالامون مورد بررسی قرار گرفتـه است و پس از مرور ادبیات و مطالعات نظری در ایـن زمینـه و جمـع¬آوری داده¬هـای مـورد نیاز، مدلسازی رویگردانی مشتریان با رویکرد فرآیندی انجام گرفته اسـت کـه در ابتـدای این رویکرد گروه مشتریان با کمک خوشه¬بندی K-mean تعیین شده است. بر این اساس مشـتریان در 5 خوشه با خصوصیات رفتاری یکسان قرار گرفته¬اند. در مرحله دوم کار، با استفاده از درخت تصمیم CART به تشخیص الگوی رفتاری مشتریان انتخاب مهمترین متغیر تاثیرگذار در مسئله تحقیق می¬پردازیم. در مرحله¬ی سوم نیز مدلسازی با کمک روش ماشین بردارهـای پشـتیبانی صـورت گرفتـه اسـت. نتـایج حاصـل از تحلیل ماشین بردار پشتیبان مهمترین متغیر در علل ریزش مشتریان نوع سن افراد که منجر به نگرش متفاوت به رفتار شرکت سرویس گیرنده دارند. براین اساس 5 معادله بدست آمده برای پیش-بینی رفتار مشتریان برای هر خوشه با استفاده از رگرسیون ماشین بردار پشتیبان استخراج گردیده است.
- Abstract
- In recent years, the effective use of customer data in active organizations and institutions with business, commercial, training and personnel objectives can best help managers, strategic planners and researchers in making guideline decisions and identification and description of the present conditions and cause more scientific and accurate implementation of business activities for this group of people. The importance of the issue has been doubled specially with an increase in database cover throughout the public and private organizations and business agencies in the country. In the meantime, one of the industries in which the use of customer data will increase the accuracy of decision making and reduce the material and moral costs is the clothing industry, especially sports clothing. Today, by using various techniques it has been tried to optimize the use of massive data included in such data sets. in this study, by taking advantage of data mining techniques in a systematic process, it was tried to measure customer churn and corresponding causes. More clearly, the aim of this study was to develop a process model or structure to achieve this measurement. Therefore, the customer churn problem of Solomon Nike chain stores was studied in this paper. After reviewing the literature and theoretical studies in the field and collecting the required data, customer churn was modeled using a process technique. At the beginning of this technique, the group of customers was determined by using K-mean clustering. Accordingly, customers were placed in 5 clusters each with the same behavioral characteristics. In the second step, using CART decision tree, the behavioral patterns of the customers were identified and the most effective parameter on the problem was selected. The third step, modeling was performed by using support vector machine technique. The results of the support vector machine analysis showed that the customer age type was the most important parameter causing different attitudes to the service company and hence, leading to customer churn. Accordingly, a total of five equations were developed using support vector machine regression in order to predict customer behavior in the clusters.
