طراحی راهبرد نگهداشت مشتری با استفاده از الگوی پیش‌بینی رویگردانی مشتری مبتنی بر یادگیری عمیق

نوع مقاله : پژوهشی اصیل

نویسندگان
سید محمد فرقانی دهنوی 1
علی رجب زاده قطری 2
عادل آذر 2
آمنه خدیور 3
1 دانشجوی دکتری مدیریت صنعتی، دانشکده مدیریت و اقتصاد، دانشگاه تربیت مدرس، تهران، ایران.
2 استاد، گروه مدیریت و اقتصاد، دانشکده مدیریت و اقتصاد، دانشگاه تربیت مدرس، تهران، ایران.
3 دانشیار، گروه مدیریت، دانشکده علوم اجتماعی و اقتصاد، دانشگاه الزهرا، تهران، ایران.
چکیده
نگهداری و حفظ روابط با مشتریان و جلوگیری از رویگردانی مشتری از وظایف مهم سازمان‌ها در بازارهای به‌شدت رقابتی کنونی است. در این پژوهش مسئله رویگردانی مشتری و استراتژی‌های حفظ و نگهداشت مشتری بررسی شده‌اند. این موضوعات از راه مرور ادبیات نظام‌مند و از زوایای مختلف از جمله زمینه فعالیت سازمان، درجه فردی‌سازی مدیریت ارتباط با مشتری، دسته‌بندی مشتریان، انتخاب مشتریان کلیدی، تعلق خاطر کارمندان به سازمان و ارزیابی عملکرد کارکنان سازمان بررسی قرار شده‌اند.

علاوه‌بر‌این، ابزاری مبتنی بر شبکه‎‌های یادگیری عمیق جهت پیش‌بینی رویگردانی مشتری استفاده شده است. در‌نتیجه یک چارچوب و مدل مفهومی بر پایه ادبیات موجود در این حوزه ایجاد شده و بعد از آن با مدل پیش‌بینی رویگردانی مشتری با استفاده از شبکه‌های یادگیری عمیق ترکیب شده است. نتایج نشان می‌دهد استفاده از یادگیری عمیق در پیش‌بینی رویگردانی مشتری یک شیوه کاملاً مؤثر و کارآمد برای حل مسئله ارتباط، حفظ و نگهداشت مشتری است. این رویکرد نه‌تنها قادر به پیش‌بینی دقیق این است که کدام یک از مشتریان سازمان در حال رویگردانی از سازمان و قطع ارتباط خود با سازمان هستند، بلکه می‌تواند به‌طور دقیق عوامل و پارامترهای مؤثر بر رویگردانی مشتری را شناسایی کند و بینش‌ بسیار ارزشمندی برای واحد بازاریابی سازمان‌ها به ارمغان آورد.
کلیدواژه‌ها
مدیریت ارتباط با مشتری
رویگردانی مشتری
یادگیری عمیق
استراتژی‌های حفظ و نگهداشت مشتری

موضوعات

عنوان مقاله English

Designing a Customer Retention Strategy Using a Deep Learning Based Customer Churn Prediction Model

نویسندگان English

Seyed Mohammad Forghani Dehnavi 1
Ali Rajabzadeh Ghatari 2
Adel Azar 2
Ameneh Khadivar 3
1 Ph.D. Student, Industrial Management, Tarbiat Modares University, Tehran, Iran.
2 Professor, Faculty of Management and Economics, Tarbiat Modares University, Tehran, Iran.
3 Associate Professor, Department of Management, Alzahra University, Tehran, Iran.
چکیده English

Customer Retention and maintaining customer relationships and preventing customers from Churn is one of the most important tasks of organizations in today's highly competitive markets. In this study, the issue of customer churn and customer retention strategies have been investigated. These issues have been studied through systematic literature review and from different angles such as the field of organization, degree of individualization of customer relationship management, customer segmentation, and selection of key customers, employee engagement and evaluation.

In addition, a model based on deep learning networks has been used to predict customer churn. As a result, a conceptual framework and model is created based on the existing literature in this field and then combined with the customer churn prediction model using deep learning networks. The results show that the use of deep learning in predicting customer churn is a very effective and efficient way to solve the problem of customer retention and customer churn. This approach is not only able to accurately predict which of the organization's customers are turning away from the organization and disconnecting from the organization, but also can accurately identify the factors and parameters affecting customer churn and bring very valuable insight for the organization.

کلیدواژه‌ها English

customer relationship management
Customer churn
deep learning
Customer Retention Strategies
[1] Ahmad, R. and Buttle, F. (2001). “Customer retention: a potentially potent marketing management strategy”. Journal of Strategic Marketing, 9(1), pp.29-45.
[2] Yixin Li, Bingzhang Hou, Yue Wu, Donglai Zhao, Aoran Xie, Peng Zou, (2021). “Giant fight: Customer churn prediction in traditional broadcast industry”. Journal of Business Research,Volume 131,2021,Pages 630-639.
[3] Yim, F. H., Anderson, R. E., and Swaminathan, S., (2005). “Customer Relationship Management: Its Dimensions and Effect on Customer Outcomes”. Journal of Personal Selling and Sales Management, 24(4), 265-280.
[4] Ryals, L. (2005). “Making Customer Relationship Management Work: The Measurement and Profitable Management of Customer Relationships”. Journal of Marketing, 69(4), pp.252-261.
[5] Zineldin, M. (2006). “The royalty of loyalty: CRM, quality and retention”. Journal of Consumer Marketing, 23(7), pp.430-437.
[6] Kumar, V. and Petersen, J. (2005). “Using a Customer-Level Marketing Strategy to Enhance Firm Performance: A Review of Theoretical and Empirical Evidence”. Journal of the Academy of Marketing Science, 33(4), pp.504-519.
[7] Payne, A. and Frow, P. (2006). “Customer Relationship Management: from Strategy to Implementation”. Journal of Marketing Management, 22(1-2), pp.135-168.
[8] Frow, P. and Payne, A. (2009). “Customer Relationship Management: A Strategic Perspective”. Journal of business market management, 3(1), pp.7-27.
[9] Jyh-Fu Jeng, D. and Bailey, T. (2012). “Assessing customer retention strategies in mobile telecommunications”. Management Decision, 50(9), pp.1570-1595.
[10] Soumaya Lamrhari, Hamid El Ghazi, Mourad Oubrich, Abdellatif El Faker,. (2022). “A social CRM analytic framework for improving customer retention, acquisition, and conversion”. Technological Forecasting and Social Change,Volume 174,2022
[11] AkerejolaWilliams Olasojumi, IboboEzekiel Opone, OhikhenaPatrick Stephen, AlabiBolaji,. (2021). “THE EFFECT OF CUSTOMER RELATIONSHIP MARKETING ON CUSTOMER RETENTION –A CASE STUDY OF GUARANTY TRUST BANK PLC. BENIN-CITY”. Innovative Journal of Research in Marketing and Customer SuccessVol.1, No.2; September-2021
[12] Ascarza, E., Neslin, S., Netzer, O., Anderson, Z., Fader, P., Gupta, S., Hardie, B., Lemmens, A., Libai, B., Neal, D., Provost, F. and Schrift, R. (2017). “In Pursuit of Enhanced Customer Retention Management: Review, Key Issues, and Future Directions”. Customer Needs and Solutions, 5(1-2), pp.65-81.
[13] DeMuro, J. (2018). “What is a neural network?”. [online] TechRadar. Available at: https://www.techradar.com/news/what-is-a-neural-network.
[14] Goodrum, W. (2016). Balance: Accuracy vs. Interpretability in Regulated Environments. [online] Elderresearch.com. Available at: https://www.elderresearch.com/blog/predictive-model-accuracy-versus-interpretability.
[15] Gui, C. (2017). “Analysis of imbalanced data set problem: The case of churn prediction for telecommunication”. Artificial Intelligence Research, 6(2), p.93.
[16] Bronshtein, A. (2017). “Train/Test Split and Cross Validation in Python”. [online] Towards Data Science. Available at: https://towardsdatascience.com/train-test-split-and-cross-validation-in-python-80b61beca4b6.
[17] Yin, R. (2003). “Case study research”. Thousand Oaks, Calif.: SAGE Publications.
پژوهش های مدیریت منابع سازمانی
دوره 12، شماره 3
دی 1401
صفحه 98-128