یک روش ترکیبی موثر برای پیش ‌بینی ریزش و الگوپردازی مشتری

یکی ﺍﺯ نگرانی‌ ﻫﺎی ﻋﻤﺪۀ ﺍﻗﺘﺼﺎﺩی ﺑﺴﯿﺎﺭی ﺍﺯ ﺷﺮکتﻫﺎ ﺍﺯ ﺟﻤﻠﻪ ﺑﺎنکﻫﺎ ریزش مشتری است ﻭ ﺑﺎنکﻫﺎ ﺗﻮﺟﻪ ﺧﻮﺩ ﺭﺍ ﺑﺮ ﺣﻔﻆ ﻣﺸﺘﺮی ﻣﺘﻤﺮکز کرده‌اند، ﺯیرﺍ ﻫﺰینهﻫﺎی ﺟﺬﺏ یک ﻣﺸﺘﺮی ﺟﺪید ﺑﺴﯿﺎﺭ ﺑﯿﺸﺘﺮ ﺍﺯ ﻫﺰینهﻫﺎی نگهداری یک مشتری ﺍﺳﺖ. بنابراین، پیش‌بینی و الگوپردازی ریزش مشتریان دو دغدغه اقتصادی مهم برای بسیاری از شرکت‌هاست. روش‌های مختلف یادگیری ماشین، برای این اهداف پیشنهاد شده‌اند، اما انتخاب بهترین مدل برای انجام این دو امر، به دلیل وابستگی زیاد به ویژگی‌های ذاتی داده‌های ریزش، کار ساده‌ای نیست. ﺩﺭ ﺍین مقاله، چندین ﺭﻭﺵ یادگیری ﻣﺎﺷﯿﻦ ﺑﺎ رویکردهای مختلف ﺑﺎﺯﻧﻤﻮﻧﻪگیری ﺑﺮﺍی ﻣﺘﻌﺎﺩﻝﺳﺎﺯی ﺩﺍﺩﻩﻫﺎ، ﺭﻭی ﺩﺍﺩﻩﻫﺎی ﺑﺎنک پیاده‌ﺳﺎﺯی ﺷﺪﻩ ﺍﺳﺖ.  ارزیابی‌ها که براساس معیار سطح زیر منحنی و ﻧﺮﺥ ﻣﺜﺒﺖ ﺩﺭﺳﺖ گزارش شده‌اند، تاثیر روش‌های متعادل‌سازی و عملکرد روش‌های مختلف یادگیری ماشین را بررسی می‌کند. در این مطالعه، مناسب‌ترین روش‌ها در زمینه ریزش به همراه یک فرآیند موثر مبتنی بر رویکرد ترکیبی و خوشه‌بندی معرفی شده است. این روش‌ها می‌تواند به خدمات بازاریابی یا منابع انسانی در درک الگوهای رفتاری مشتریان و احتمال ریزش آن‌ها کمک کند. 

an effective hybrid method for churn prediction and customer profiling

customer churn is one of the major economic concerns of many companies, including banks, and banks have focused their attention on customer retention, because the cost of attracting a new customer is much higher than the cost of keeping a customer.customer churn prediction and profiling are two major economic concerns for many companies. different learning approaches have been proposed; however, a priori choice of the most suitable model to perform both tasks remains non-trivial as it is highly dependent on the intrinsic characteristics of the churn data. our study compares several machine learning methods with several resampling approaches for data balancing of a public bank data set.our evaluations, reported in terms of area under the curve (auc) and sensitivity, explore the influence of rebalancing strategies and difference machine learning methods. this work identifies the most appropriate methods in an attrition context and an effective pipeline based on an ensemble approach and clustering. our strategy can enlighten marketing or human resources services on the behavioral patterns of customers and their attrition probability.