يك روش تركيبي موثر براي پيش ‌بيني ريزش و الگوپردازي مشتري

يكي ﺍﺯ نگراني‌ ﻫﺎي ﻋﻤﺪۀ ﺍﻗﺘﺼﺎﺩي ﺑﺴﯿﺎﺭي ﺍﺯ ﺷﺮكتﻫﺎ ﺍﺯ ﺟﻤﻠﻪ ﺑﺎنكﻫﺎ ريزش مشتري است ﻭ ﺑﺎنكﻫﺎ ﺗﻮﺟﻪ ﺧﻮﺩ ﺭﺍ ﺑﺮ ﺣﻔﻆ ﻣﺸﺘﺮي ﻣﺘﻤﺮكز كرده‌اند، ﺯيرﺍ ﻫﺰينهﻫﺎي ﺟﺬﺏ يك ﻣﺸﺘﺮي ﺟﺪيد ﺑﺴﯿﺎﺭ ﺑﯿﺸﺘﺮ ﺍﺯ ﻫﺰينهﻫﺎي نگهداري يك مشتري ﺍﺳﺖ. بنابراين، پيش‌بيني و الگوپردازي ريزش مشتريان دو دغدغه اقتصادي مهم براي بسياري از شركت‌هاست. روش‌هاي مختلف يادگيري ماشين، براي اين اهداف پيشنهاد شده‌اند، اما انتخاب بهترين مدل براي انجام اين دو امر، به دليل وابستگي زياد به ويژگي‌هاي ذاتي داده‌هاي ريزش، كار ساده‌اي نيست. ﺩﺭ ﺍين مقاله، چندين ﺭﻭﺵ يادگيري ﻣﺎﺷﯿﻦ ﺑﺎ رويكردهاي مختلف ﺑﺎﺯﻧﻤﻮﻧﻪگيري ﺑﺮﺍي ﻣﺘﻌﺎﺩﻝﺳﺎﺯي ﺩﺍﺩﻩﻫﺎ، ﺭﻭي ﺩﺍﺩﻩﻫﺎي ﺑﺎنك پياده‌ﺳﺎﺯي ﺷﺪﻩ ﺍﺳﺖ.  ارزيابي‌ها كه براساس معيار سطح زير منحني و ﻧﺮﺥ ﻣﺜﺒﺖ ﺩﺭﺳﺖ گزارش شده‌اند، تأثير روش‌هاي متعادل‌سازي و عملكرد روش‌هاي مختلف يادگيري ماشين را بررسي مي‌كند. در اين مطالعه، مناسب‌ترين روش‌ها در زمينه ريزش به همراه يك فرآيند مؤثر مبتني بر رويكرد تركيبي و خوشه‌بندي معرفي شده است. اين روش‌ها مي‌تواند به خدمات بازاريابي يا منابع انساني در درك الگوهاي رفتاري مشتريان و احتمال ريزش آن‌ها كمك كند.