بهبود سيستم مديريت شكايات با استفاده از ماشين بردار پشتيبان

Improving complaints management system Using Support Vector Machine

طراحي سيستم مديريت يكپارچه شكايات به سازمان ها اين امكان را مي دهد كه از بازخورد مشتريان اطلاعات بگيرند و از اين اطلاعات به منظور كاهش نقاط ضعف عملكرد كسب و كار،استفاده بهينه از منابع سازمان وپايه گذاري رضايت و حفظ رابطه بلند مدت با مشتريان استفاده كنند. به همين منظور در اين مقاله مدلي ارائه شده است كه اولا بتواند نقاط ضعف سازمان را شفاف كند، به عبارت ديگر به كشف و شناخت الگوهاي كاري و عوامل موثر بر آن بپردازد. ثانيا بتواند براي اين مشكل راه حل ارايه دهد.به عنوان مطالعه موردي، داده هاي واحد مديريت ارتباط با مشتريان بانك خصوصي آينده مورد استفاده قرار گرفته است. اين داده ها مربوط به شكايات مشتريان به يكي از مراكز تماس تهران مي باشد.در مدل پيشنهادي ايتدا به منظور ارائه يك روش توصيفي، اطلاعات با استفاده از روش كاي ميانگين خوشه بندي شده، خوشه هاي بهينه بر مبناي شاخص ديويس- بولدين تعيين و بر اساس تحليل‌هاي به دست آمده ساختار سيستم پاسخگويي طراحي مي شود. در مرحله بعد به منظور ارائه راه حل براي مشكل سازمان از روش ماشين بردار پشتيبان استفاده شده است. نتايج به دست آمده اعتبارسنجي شده و پيشنهاداتي به منظور بهبود سيستم مديريت شكايات ارائه شده است.

Integrated complaints management system designed to give organizations the opportunity to learn from customer feedback information and use information to reduce weaknesses in business performance, efficient use of resources and maintain satisfactory capital base long term relationship with their customers. Therefore in this paper, a model is provided that could clear weak points first, in other words, discover and understand the Working patterns and factors affecting it. Second, it can provide solutions to the problem. As a case study customer relationship management data unit of Ayandeh private Bank is used. This data related to customer complaints in one of the call centers in Tehran. In order to provide a descriptive model, the data is clustered by using data mining tools, optimal clusters based on Davis– Bouldin Indicator is determined and based on the analysis obtained, the architecture of response system is designed. Next, in order to provide a prediction model, support vector machine is used. The result is validated and suggestions to improve complaints management system are presented