مدلی برای مدیریت رویگردانی مشتریان یک شرکت ارائه‌دهنده‌ی سرویس اینترنت

رویگردانی مشتری یکی از مسائل مهمی است که شرکت‌های ارائه دهنده‌ی سرویس اینترنت در بازار رقابتی و به سرعت درحال اشباع با آن روبه‌رو هستند. به دلیل هزینه‌های بالای مرتبط با جذب مشتری جدید، این شرکت‌ها به رویکرد حفظ مشتری که صریحاً به دنبال کاهش رویگردانی است، روی آورده‌اند. این تحقیق، رویگردانی مشتریان سرویس‌های اینترنت یکی از بزرگ‌ترین شرکت‌های مخابراتی ایران را مورد بررسی قرار داده است. به منظور پیش‌بینی رویگردانی، داده‌های مشتریان طی شش ماه جمع‌آوری شده و رویگردانی آن‌ها در یک بازه‌ی یک ساله بررسی شده است. علاوه بر پیش‌بینی رویگردانی، مهم‌ترین عوامل موثر بر آن نیز تعیین شده است. در مرحله‌ی پیش‌پردازش از روش کم‌نمونه‌برداری تصادفی برای متعادل‌سازی مجموعه‌ی داده و از روش حداقل افزونگی، حداکثر ارتباط برای انتخاب ویژگی استفاده شده است. سپس الگوریتم‌های جنگل تصادفی ، ماشین بردار پشتیبان و k نزدیک‌ترین همسایگان برای طبقه‌بندی مشتریان رویگردان و غیررویگردان به کار رفتند که معیارهای ارزیابی، نشان دهنده‌ی برتری الگوریتم جنگل تصادفی است. مدل نهایی که از ترکیب روش‌های متعادل‌سازی، انتخاب ویژگی و طبقه‌بندی به دست آمد تحت عنوان مدل rus-mrmr-rf به عنوان یک مدل کارآمد در پیش‌بینی رویگردانی مشتریان و شناسایی مهم‌ترین عوامل موثر بر رویگردانی محسوب می‌گردد. نتایج این مطالعه بینش ارزشمندی را جهت تدوین استراتژی‌های حفظ مشتری به سازمان ارائه می‌دهد.

a model for customer churn management of an internet service provider

customer churning is one of the most important issues facing internet service providers in a competitive and rapidly saturating market. due to the high costs associated with attracting new customers, isps have turned to a customer retention approach that explicitly seeks to reduce churn. this study has been surveyed the churning of internet service customers in one of the largest telecommunications companies in iran. in order to predict the churn, customer data has been collected during six months, and their churning behavior has been investigated over a period of one year after. in addition to churn prediction, the most important factors affecting churn have been identified. in the preprocessing step, the random under-sampling method is used to balance the data set and the minimum-redundancy, maximum-relevance method is used to feature selection. then, the random forest , support vector machine and k-nearest neighbors algorithms were applied to classify churning and non-churning customers, and the evaluation criteria show the superiority of the random forest algorithm. the final model, which was obtained from a combination of balancing, feature selection and classification methods, called the rus-mrmr-rf model, is considered as an efficient model in customer churn prediction and identifying the most important factors affecting churn. the results of this study provide valuable insights to the company to develop customer retention strategies.