طراحی مدل تخصیص نیروی پشتیبانی به دریافت کنندگان خدمات پس از فروش در سیستم های یکپارچه (مطالعه موردی: شرکت چارگون)

در دنیای رقابتی امروز، استفاده از سیستم های یکپارچه یکی از نیاز های اساسی سازمان ها است. دغدغه اصلی مدیرانی که به سازمان ها خدمتی در این راستا ارائه می دهند، شناسایی مشتریان وفادار جهت ایجاد روابط طولانی مدت با مشتریان، در راستای سودآوری سازمان است. هدف اصلی در این پژوهش اختصاص نیروی پشتیبانی به تماس‌ها و درخواست‌های مشتریان به نحوی است که حداکثر رضایت‌مندی مشتریان حاصل گردد. لذا پس از جمع‌آوری داده‌های مشتریان شرکت چارگون و شناسایی و تحلیل رفتار مشتریان، به کمک الگوریتم های درخت تصمیم اعم از جنگل تصادفی، درخت تصادفی، c5، id3، chaid و gradient boosted trees و بر مبنای معیار دقت، خطای طبقه بندی، فراخوانی و صحت هر درخت که با استفاده از قابلیت های نرم افزار rapid miner به‌دست‌آمده بود، درخت‌هایی استخراج شد. سپس بر مبنای میانگین معیارهای ارزیابی کیفیت و معیار دقت بیشتر از %67، معیار خطای طبقه بندی کمتر 27%، معیار فراخوانی بیشتر از 62% و معیار صحت بیشتر از 66%، درخت های برتر به دست آمد و قواعد و قوانینی از این درخت های برتر مورد تحلیل و ارزیابی قرار گرفت. درنهایت، قواعد استخراج‌شده با نظر خبرگان رتبه‌بندی شدند. بررسی نتایج حاصل از پژوهش نشان می دهد که قواعد و قوانین استخراج‌شده، معتبر و قابل پیاده‌سازی در سازمان است.

designing the backup unit allocation model for customers in the post-sale services by integrated system (case study: chargoon company)

in today’s competitive world, integrated systems constitute an essential need in organizations. managers providing such services are mainly concerned about identifying loyal customers and establishing longterm relations and a sustainable profitability. this study aimed to assign support forces to answer customer calls and requests in order to gain their utmost satisfaction. first, research data was collected from customers of chargoon co. in iran, and the customer behavior was identified and analyzed. then, using decision tree algorithms such as: random forest, gradient boosted trees, random tree, chaid, c5, and id3, a number of trees were extracted based on accuracy, classification error, weighted mean recall, and weighted mean precision criteria using rapid miner features. next, the best trees were identified based on mean of quality assessment and accuracy of over 67%, classification error of under 27%, weighted mean recall of over 62%, and weighted mean precision of over 66%. then, rules from these trees were extracted and analyzed. finally, the extracted rules were examined and ranked based on expert views. the results indicated that the extracted rules are reliable and can be implemented in the organization.