صفحه محصول - مبانی نظری و پیشینه تحقیق مدیریت ارتباط با مشتری 8

مبانی نظری و پیشینه تحقیق مدیریت ارتباط با مشتری 8 (docx) 38 صفحه

دسته بندی : تحقیق

نوع فایل : Word (.docx) ( قابل ویرایش و آماده پرینت )

تعداد صفحات: 38 صفحه

قسمتی از متن Word (.docx) :

Contents TOC \o "1-3" \h \z \u 1فصل دوم: PAGEREF _Toc521583169 \h 21.1مدیریت ارتباط با مشتری (CRM) PAGEREF _Toc521583170 \h 31.1.1تاریخچه CRM PAGEREF _Toc521583171 \h 41.1.2ضرورت بهره‌گیری از CRM PAGEREF _Toc521583172 \h 51.1.3علل پیاده‌سازی CRM PAGEREF _Toc521583173 \h 61.1.4انواع مدیریت ارتباط با مشتری PAGEREF _Toc521583174 \h 71.1.5رویگردانی مشتری PAGEREF _Toc521583175 \h 81.2پیشینه تحقیق PAGEREF _Toc521583176 \h 111.2.1تحقیقات انجام شده در خارج از کشور PAGEREF _Toc521583177 \h 121.2.2تحقیقات انجام شده در داخل کشور PAGEREF _Toc521583178 \h 221.2.3خلاصه تحقیقات انجام شده PAGEREF _Toc521583179 \h 23 فصل دوم: مروری بر ادبیات تحقیق مدیریت ارتباط با مشتری (CRM) امروزه در اکثر سازمان‌ها، دیدگاه محصول محوری جای خود را به مشتری محوری داده است و این تغییر نتیجه بکارگیری سیستم‌های مدیریت ارتباط با مشتری است. یک تعریف پذیرفته شده برای مدیریت ارتباط با مشتری عبارت است از: رویکردی یکپارچه برای درک و تاثیرگذاری بر رفتار مشتری از طریق ارتباطات معین با هدف بهبود کسب مشتری، حفظ مشتری، وفاداری مشتری و سودآوری مشتری یا استفاده استراتژیک از اطلاعات، فرایندها، تکنولوژی و افراد برای مدیریت ارتباط با مشتری با شرکت در طول چرخه عمر مشتری ADDIN EN.CITE Ngai20097(Ngai, Xiu et al. 2009)7717E.W.T. NgaiLi XiuD.C.K. ChauExpert Systems with ApplicationsExpert Systems with Applications2592–2602362009(Ngai, Xiu et al. 2009). مدیریت ارتباط با مشتری برنامه پیچیده‌ای است که داده‌های مشتری را از همه کانال‌های ارتباط با مشتری بیرون می‌کشد و دید یکپارچه‌ای را از مشتری در کل سازمان بوجود می‌آورد. تکنولوژی CRM رفتارهای مشتریان را پیگیری و تحلیل می‌نماید و به سازمان‌ها اجازه می‌دهد به راحتی مشتریان خود را بشناسند و بر روی فعالیتهای بازاریابی تمرکز کنند. برآون به این نکته اشاره می‌کند که CRM به عنوان یک استراتژی رقابتی است که شما برای تمرکز روی نیازهای مشتریانتان و یکپارچه‌سازی رویکرد مواجهه با مشتری در کل سازمان به آن نیازمند هستید ADDIN EN.CITE Brown200011(Brown 2000)11116Stanley A. Brown12000 Wiley(Brown 2000). گروه مشاورین گارتنر معتقد است که CRM بصورت راهبردی، فرایندی است که با سازماندهی دسته‌بندی مشتریان، ترویج رفتارهای رضایت بخش برای مشتری و پیاده‌سازی فرایندهای مشتری محور، سودآوری، درآمد و رضایت مشتری را به ارمغان می‌آورد. مدیریت ارتباط با مشتری از سه بخش اصلی تشکیل شده است: مشتری، روابط و مدیریت. منظور از روابط، ایجاد مشتریان وفادارتر و سودمندتر از طریق ارتباطی یادگیرنده می‌باشد و مدیریت عبارت است از خلاقیت و هدایت یک فرایند کسب و کار مشتری‌مدار و قرار دادن مشتری در مرکز فرایندها و تجارب سازمان. سازمان‌ها با استفاده از CRM می‌توانند چرخه فروش را کوتاه‌تر و وفاداری مشتری را با ایجاد روابط نزدیکتر افزایش دهند. سیستم CRM می‌تواند کمک کند تا مشتریان موجود حفظ و مشتریان جدید جذب شوند ADDIN EN.CITE Thompson200210(Thompson 2002)101017Thompson, BCRMguruCRMguru2002(Thompson 2002). مدیریت ارتباط با مشتری، بر مبادله ارزش بین مشتری و سازمان بنا شده و بر ارزش ایجاد شده در این ارتباط تاکید می‌کند. بنابراین، تلاش سازمان‌ها برای توسعه ارتباط بلند مدت با مشتریان، بر مبنای ایجاد ارزش برای هر دو طرف از اهداف اصلی CRM است. به عبارت دیگر، هدف از ارتباط با مشتری ارائه مزایایی از طریق مبادله دوجانبه و عمل به وعده‌ها است. از سوی دیگر CRM یک راهبرد کسب و کار است که با پیشرفت فناوری تقویت می‌شود و از طریق آن، شرکت‌ها به ایجاد ارتباطات سودمند بر پایه بهینه‌سازی ارزش دریافتی و ادراکی مشتریان می‌پردازند. در واقع CRM یک استراتژی است که برای کسب آگاهی بیشتر در مورد نیازها و رفتار مشتریان برای ارتباط بیشتر با آنان استفاده می‌شود. روابط خوب با مشتری رمز موفقیت در تجارت و کسب و کار می‌باشد. تاریخچه CRM سابقه مدیریت ارتباط با مشتری به دهه 90 میلادی باز می‌گردد. اینکه سازمان چگونه به جذب مشتری بپردازد یا اینکه چگونه مشتری فعلی خود را حفظ نماید و به آنها خدمت بهتری ارائه نماید بحث جدیدی نیست، ولیکن مبحث فناوری اطلاعات و ابزار جدیدی که این فناوری فراهم ساخته موجب شده است که CRM به بحث جدیدی تبدیل شود. با بکارگیری فناوری اطلاعات در CRM روش‌های جدیدی برای افزایش سوددهی سازمان و کاهش هزینه‌های آن در روابط با مشتری بوجود آمده است. ضرورت بهره‌گیری از CRM در رقابت روزافزون برای کسب برتری در بازاریابی، بسیاری از شرکت‌ها از سیستم‌های CRM برای بهبود هوش تجاری، تصمیم‌گیری، تقویت ارتباط با مشتری و افزایش کیفیت خدمات و محصولات استفاده کرده‌اند. زیربنای مفهوم مدیریت مشتری‌مدار، شناخت و کسب رضایت مشتریان است که منجر به حفظ آنها می‌شود. مدیریت ارتباط با مشتری یک دید و رویکرد وسیع برای یکپارچه‌سازی تعاملات سازمان و مشتریانش در حوزه‌های فروش، بازاریابی و نگهداری مشتری به منظور ایجاد و افزایش ارزش برای شرکت و مشتریانش ارائه می‌کند. برخی روندهای اخیر بر توانایی سازمان‌ها برای ایجاد روابط پایدارتر با مشتریان اثرگذار بوده است؛ در این میان افزایش قدرت کامپیوترها و در دسترس قرار گرفتن ابزارهای فوق پیشرفته برای انجام فرایندهای داده‌کاوی و تحلیل داده‌ها، ظهور تجارت الکترونیکی و توانایی هدف‌گیری مشتریان از طریق اینترنت با هزینه بسیار کمتر و افزایش توجه به اهمیت حفظ مشتریان و ارزش دوره عمر آنها، مهمترین عوامل موثر بوده‌اند. بسیاری از مطالعات در بازاریابی نشان داده است که استفاده از ابزارهای داده‌کاوی در CRM می‌تواند کارایی شرکت‌ها را افزایش دهد. مدیران برای کاهش مشتریان از دست رفته نیاز به شناخت رفتار مشتریان و عوامل کسب رضایت آنها دارند. بکارگیری داده‌کاوی در پایگاه‌های داده بزرگ کمک می‌کند تا با کشف روابط و روندهای ناشناخته در ارتباط با مشتریان، تصمیم‌های پیچیده تجاری آسانتر و با دانش عمیق‌تر انجام پذیرد. سازمان‌ها باید منابع محدود خود را به مشتریان سودآور خود تخصیص دهند تا بیشترین سود را کسب کنند؛ از اینرو بخش‌بندی مشتریان بر اساس ویژگی‌های آنها و ارزشی که برای سازمان ایجاد می‌کنند اهمیت پیدا می‌کند. همچنین بر اساس دسته‌بندی مشتریان سازمان می‌تواند استراتژی‌های اختصاصی برای برخورد با هر دسته از مشتریان تعریف نماید. علل پیاده‌سازی CRM تحقیقی که توسط سوییت در سالهای 2001 تا 2004 در بین شرکت‌های استفاده کننده از CRM در انگلیس صورت گرفته، نشان می‌دهد که عوامل مهم برای پیاده‌سازی CRM در سازمان‌ها، بهبود رضایت مشتری، حفظ مشتریان موجود، بهبود ارزش طول عمر مشتری، کسب اطلاعات استراتژیک، جذب مشتریان و صرفه‌جویی در هزینه‌ها می‌باشد ADDIN EN.CITE اکبری13896(اکبری 1389)6632(اکبری 1389). بکارگیری سیستم‌های CRM برای جذب مشتریان جدید اهمیت کمتری در این تحقیق داشته است. اکثر مدیران دریافته‌اند که کسب مشتری جدید هزینه بیشتری نسبت به نگهداری مشتری موجود دارد. در تحقیق دیگری نشان داده شده است که بدست آوردن مشتری مهم است اما نگهداری و رضایت آنها اهمیت بیشتری دارد و حفظ مشتری موجود هزینه کمتری دارد ADDIN EN.CITE Zineldin199912(Zineldin 1999)121217Zineldin, MManagement DecisionManagement Decision3791999(Zineldin 1999). جدول STYLEREF 1 \s ‏2 SEQ جدول \* ARABIC \s 1 1: علل پیاده‌سازی مدیریت ارتباط با مشتری ADDIN EN.CITE اکبری13896(اکبری 1389)6632(اکبری 1389) علل پیاده‌سازیسال 2004سال 2003سال 2002سال 2001بهبود سطح رضایت مشتری4.194.4444.32حفظ مشتریان موجود3.953.94.164.46بهبود ارزش دوره عمر مشتری3.484.464.224.38ایجاد اطلاعات استراتژیک بهتر جهت فروش، بازاریابی، مالی و غیره4.083.823.884.12جذب مشتریان جدید3.53.483.603.98صرفه‌جویی در هزینه2.982.983.313.81 عدد 1 به این معنی است که علت پیاده‌سازی مهم نمی‌باشد و عدد 5 یعنی علت پیاده‌سازی بسیار مهم است انواع مدیریت ارتباط با مشتری در مجموع چهار نوع فناوری در CRM وجود داردکه عبارتند از: مدیریت ارتباط با مشتری عملیاتی: داده‌های مشتری از نقاط تماس مانند مرکز تماس، سیستم مدیریت تماس، پست، فکس، پرسنل فروش، وب و غیره گرفته می‌شوند و داده‌ها در یک بانک اطلاعاتی مرکزی مشتری ذخیره و سازماندهی می‌شوند تا در دسترس همه کاربرانی که با مشتری در تعامل هستند قرار بگیرد. یک CRM عملیاتی شامل مرکز تماس و مدیریت تماس است. سیستم مدیریت تماس می‌تواند اطلاعات جامع و کاملی در ارتباط با هر تماس با مشتریان ایجاد نماید و به کاربردهایی از مدیریت ارتباط با مشتری می‌پردازد که در ارتباط رو در رو با مشتری است. مدیریت ارتباط با مشتری تحلیلی: داده‌هایی که در بانک اطلاعاتی مرکز تماس ذخیره شده است، از طریق ابزارهای تحلیلی برای شناسایی مشخصات مشتری، شناسایی الگوهای رفتاری، تعیین سطح رضایت مشتری و تقسیم‌بندی مشتریان تحلیل می‌شود. اطلاعات بدست آمده از CRM تحلیلی جهت توسعه بازاریابی و استراتژی‌های تبلیغاتی کمک می‌کند. این نوع از CRM توسط کتورو به عنوان دید 360 درجه مشتری نامیده شده است ADDIN EN.CITE Kotorov200213(Kotorov 2002)131317Kotorov, RBusiness Process Management JournalBusiness Process Management Journal832002(Kotorov 2002). مدیریت ارتباط با مشتری مشارکتی: به معنای مشارکت تمامی کانالهای ارتباط با مشتری است. سیستم‌های CRM با سیستم‌های سازمانی جهت پاسخگویی بیشتر به مشتریان در کل زنجیره تامین، یکپارچه می‌باشند ADDIN EN.CITE Kracklauer200414(Kracklauer and Mills 2004)141417Kracklauer, A.HMills, D.Q.SpringerSpringer2004(Kracklauer and Mills 2004). مدیریت ارتباط با مشتری الکترونیکی: با استفاده از CRM الکترونیکی، اطلاعات مشتری در تمامی نقاط تماس سازمان از طریق اینترنت و اینترانت در دسترس سازمان و شرکای تجاری سازمان قرار می‌گیرد. رویگردانی مشتری رويگرداني مشتري که با عنوان فرار مشتري نيز شناخته شده است به عنوان تمايل مشتري براي متوقف نمودن تجارت خود با يک شرکت در يک دوره زماني معين تعريف مي شود ADDIN EN.CITE Neslin200623(Neslin, Gupta et al. 2006)232317Neslin, S. AGupta, SKamakura, WLu, J.XMason, C. HJournal of Marketing ResearchJournal of Marketing Research204-2114322006(Neslin, Gupta et al. 2006). رويگرداني مشتري تقريبا مرتبط با حفظ مشتري، یکی از ابعاد اصلی CRM، و وفاداري مشتری است (ابعاد CRM در ادامه توضیح داده خواهند شد). رويگرداني مشتري تبديل به يک نگراني عمده براي شرکت‌ها در تمامي صنايع شده است؛ چراکه این موضوع منجر به کاهش سطح سود شرکت‌ها شده است. يک تحقيق انجام شده توسط ریچهلد و ساسر نشان می‌دهد که افزایش 5 درصدی در نرخ حفظ مشتری به افزایش 85 درصدی در سود بانک‌ها و افزایش 50 درصدی در حق واسطه‌گری شرکت‌های بیمه منجر می‌شود ADDIN EN.CITE Reichheld199049(Reichheld and Sasser 1990)494917Reichheld, F.FSasser, W. EHarvard Business ReviewHarvard Business Review105-111681990(Reichheld and Sasser 1990). بطور کلی سه نوع رویگردانی مشتری وجود دارد ADDIN EN.CITE شهرابی13901(شهرابی 1390a)116(شهرابی 1390a): رویگردانی اختیاری: مشتریان بر اساس تمایل خود و آزادانه تصمیم می‌گیرند که تجارت و خرید خود را در جای دیگری انجام دهند. رویگردانی اجباری: رویگردانی اجباری زمانی اتفاق می‌افتد که شرکت و نه مشتری ارتباط را قطع می‌کند؛ بیشتر این امر به دلیل عدم پرداخت صورت‌حساب‌ها و بدهی‌ها توسط مشتریان اتفاق می‌افتد. رویگردانی پیش‌بینی شده: زمانی که مشتری دیگر در بازار هدف یک محصول قرار نگیرد، رویگردانی پیش‌بینی شده اتفاق افتاده است. کودکانی که رشد کرده‌اند و دیگر به شیر خشک نیاز ندارند مثالی از این دسته مصرف‌کنندگان هستند. بورز و ون دن پائل رويگرداني اختیاری را در سرويس‌هاي مبتني بر اشتراک، مانند سرويس Pay-TV به دو گروه تقسيم کرده‌اند: رويگردان‌هاي تجاري و رويگردان‌هاي مالي . بر طبق تحقيق آنها رويگردانان مالي مشترياني هستند که به دليل عدم استطاعت مالي شرکت را ترک مي‌کنند، يعني نمي‌توانند حق اشتراک را بپردازند و رويگردانان تجاري آنهايي هستند که بعد از اتمام قراردادشان با شرکت ، اقدام به تمديد قرارداد نمي‌کنند. به عبارت ديگر، آگاهانه مي‌خواهند شرکت ديگري را به عنوان سرويس دهنده انتخاب کنند. آنها در تحقيق خود همچنين به بررسي و آناليز بقاي مشتريان در شرکت پرداخته‌اند. بر طبق يافته آنها منحني بقا براي مشترياني که داراي رويگرداني مالي بودند با منحني بقاي مشترياني که داراي رويگرداني تجاري بودند متفاوت است. اين منحني‌ها نشان مي‌داد که رويگردان‌هاي تجاري در خاتمه قراردادشان شرکت را ترک مي‌کنند ولي رويگردان‌هاي مالي در ميانه قراردادشان شرکت را ترک مي‌کنند. آنها هم چنين به اين نتيجه رسيدند که پيش‌بيني رويگردان‌هاي مالي آسان‌تر از پيش‌بيني نوع تجاري است ADDIN EN.CITE Burez200750(Burez and Van den Poel 2007)505017Burez, J Van den Poel, DExpert Systems with ApplicationsExpert Systems with Applications277–2883222007(Burez and Van den Poel 2007). نباید انواع مختلف رویگردانی را بجای یکدیگر اشتباه گرفت؛ به خصوص آنکه تمایز بین آنها ساده است. این موضوع در مورد مشتریان رویگردان اختیاری و اجباری حیاتی‌تر است. شرکت‌هایی که رویگردانی‌های اختیاری و اجباری را اشتباه می‌گیرند به واسطه دو عامل صرف هزینه برای حفظ مشتریان نامطلوب و همچنین افزایش بدهی‌های معوقه مشتریان متضرر می‌شوند. رويگرداني به عنوان درصدي از مشتريان که شرکت را ترک مي‌کنند توصيف مي‌شود. براي مثال يک شرکت که داراي نرخ رويگرداني ساليانه به ميزان 25 درصد است، متوسط طول عمر مشتري در اين شرکت 4 سال است و وفاداري مشتريان 75 درصد است. با در نظر گرفتن نرخ رويگرداني مشتريان در صنايع مختلف، مي‌توان به اين موضوع پي برد که صنعت مخابرات يکي از صنایعی است که در خطر رويگرداني مشتري زیادی است، طوري که نرخ رويگرداني در اين صنعت به طور سالانه 20 تا 40 درصد است ADDIN EN.CITE Berson199951(Berson, Smith et al. 1999)515117Berson, ASmith, STherling, KNew York: McGraw-HillNew York: McGraw-Hill1999(Berson, Smith et al. 1999). با توجه به رقابت شديد در بازار بخش مخابرات و بالا بودن نرخ رويگرداني در اين بخش، بسياري از تحقيقات انجام شده در زمينه پيش‌بيني رويگرداني مشتريان روي موارد مخابراتي صورت گرفته است. پیشینه تحقیق تحقيقات متعددي در زمينه پيش‌بيني رويگرداني مشتري انجام شده است. در اين تحقيقات به دو موضوع بيشتر توجه شده است: ساخت مدل‌هاي پيش‌بيني رويگرداني با کارايي و دقت بالا، در اين زمينه همچنين يافتن متغيرها و ويژگي‌هايي از رفتار مشتري که می‌تواند در ساخت مدل به ما کمک کنند، مد نظر قرار گرفته شده است. يافتن فاکتورهاي تاثيرگذار بر رويگرداني مشتري، به عبارت ديگر، چه فاکتورهايي در رويگرداني مشتري تاثير مثبت يا منفي دارند. از آنجایی که هدف ما در این تحقیق ایجاد یک مدل پیش‌بینی رویگردانی مشتری است، در مرور ادبیات تمرکز بیشتر در تحقیقات نوع اول است. روش‌ها و تکنيک‌هاي متعددي از رشته‌هاي آمار، يادگيري ماشين و علوم کامپيوتر در ساخت مدل‌هاي پيش‌بيني رويگرداني مشتري به کار گرفته شده است. تحقیقات انجام شده در خارج از کشور دو رويکرد پايه‌اي براي حل مشکل رويگرداني مشتري وجود دارد. رويکرد مبتني بر هدف‌گيري و رویکرد غيرهدف‌گيري شده ADDIN EN.CITE Neslin200623(Neslin, Gupta et al. 2006)232317Neslin, S. AGupta, SKamakura, WLu, J.XMason, C. HJournal of Marketing ResearchJournal of Marketing Research204-2114322006(Neslin, Gupta et al. 2006) (شکل 2-8) . رويکردهاي غيرهدف‌گيري شده متکي به تبليغات انبوه و ويژگي‌هاي برتر محصول براي افزايش وفاداري نسبت به برند و حفظ مشتري است. رويکردهاي مبتني بر هدف‌گيري خيلي پيچيده هستند و متکي بر شناسايي مشترياني است که داراي احتمال رويگرداني بالا هستند. نسلين و دیگران رويکردهاي مبتني بر هدف‌گيري را به دو زير دسته تقسيم مي‌کنند ADDIN EN.CITE Neslin200623(Neslin, Gupta et al. 2006)232317Neslin, S. AGupta, SKamakura, WLu, J.XMason, C. HJournal of Marketing ResearchJournal of Marketing Research204-2114322006(Neslin, Gupta et al. 2006): واکنشي و پيشگيرانه. با اتخاذ رويکرد واکنشي شرکت منتظر مي‌ماند تا مشتري با شرکت تماس بگيرد و تقاضاي قطع رابطه نمايد و سپس شرکت به مشتري مشوق‌هايي را براي ماندن پيشنهاد دهد. در رويکرد پيشگيرانه شرکت سعي مي‌کند تا در همان ابتدا مشترياني را که احتمال رويگرداني آنها بالا است را شناسايي کند، سپس شرکت اقدام به هدف‌گيري اين مشتريان نموده و سعي مي‌کند تا با پيشنهاد مشوق‌ها و اجراي برنامه‌هاي خاص از رويگرداني مشتري جلوگيري نمايد. نسلين و دیگران اظهار کرده‌اند که رويکردهاي پيشگيرانه به طور بالقوه نسبت به رويکردهاي واکنشي داراي برتري هستند از اين جهت که در رويکردهاي پيشگيرانه ميزان مشوق‌ها کمتر از رويکردهاي واکنشي است. شکل STYLEREF 1 \s ‏2 SEQ شکل \* ARABIC \s 1 8: رویکردهای برخور با رویگردانی مشتری اهن و ديگران به بررسي عامل‌هاي تعيين‌کننده رويگرداني مشتري در صنعت مخابرات کشور کره پرداخته‌اند. آنها در تحقيق خود به اين نتيجه رسيده‌اند که عامل‌هاي رويگرداني در صنعت مخابرات کشور کره عبارت اند از ADDIN EN.CITE Ahn200624(Ahn, Han et al. 2006)242417Ahn, J. HHan, S. PLee, Y. STelecommunications PolicyTelecommunications Policy552–568302006(Ahn, Han et al. 2006): نارضایتی مشتری: کيفيت سرويس عامل تعيين کننده اي در نارضايتي مشتري است. هزینه‌های سوئیچینگ: مشتريان به دو دليل مي خواهند ارتباطشان را با شرکت حفظ کنند؛ يا حالت اجبار وجود دارد يا مشتري واقعا به شرکت وفادار است. منظور از حالت اجبار اين است که هزیته‌های تغییر شرکت برای مشتري بالاست و مشتری ترجیح می‌دهد در شرکت بماند. میزان استفاده از سرويس: الگوهاي استفاده از سرويس با استفاده از سه معيار توصيف مي‌شوند؛ تعداد دقايق استفاده، فرکانس استفاده، و تعداد گيرنده‌هايي که به وسيله مشترک تماس گرفته‌شده‌اند. سطح استفاده از سرويس که به طور شارژ ماهانه اندازه‌گيري مي‌شود به عنوان يکي از پيش‌بيني‌کننده‌هاي رفتاري فرار مشتري در تحقيقات قبلي درنظر گرفته شده است. اين موضوع قبلا تاييد شده است که بين مقدار استفاده و رويگرداني ارتباط وجود دارد ولي اينکه آيا اين ارتباط مثبت يا منفي است هنوز نامشخص است. وضعیت مشتری: بعضي از مشتريان به طور ناگهاني شرکت را ترک نمي‌کنند در حقيقت يا به طور موقت از سرويس استفاده نمي‌کنند يا به دليل عدم پرداخت قبوض توسط شرکت تعليق مي‌شوند. حالت‌هاي مشتريان به سه دسته تقسيم مي‌شود: 1-فعال،2- تعليق شده ، 3-عدم استفاده. مشترياني که در وضعيت‌هاي2 و 3 هستند احتمال رويگرداني آنها نسبت به کساني که در وضعيت 1 هستند خيلي زياد است. اين تحقيق به اين موضوع مي‌پردازد که وضعيت مشتري نقش واسطه‌اي بين عامل‌هاي تعيين‌کننده رويگرداني و احتمال رويگرداني دارند. به عبارت ديگر، بعضي از اين عامل‌ها ممکن است احتمال رويگرداني را به طور مستقيم يا غير مستقيم به واسطه همين حالت‌ها تحت تاثير قرار دهند. لاريويري و ون دن پائل از تکنيک رندوم فارستس و رگراسيون فارستس به منظور ساخت مدل پيش‌بيني‌کننده رويگرداني استفاده کرده‌اند ADDIN EN.CITE Larivie`re200525(Larivie`re and Van den Poel 2005)252517Larivie`re, BVan den Poel, DExpert Systems with ApplicationsExpert Systems with Applications472–4842922005(Larivie`re and Van den Poel 2005). نتايج تحقيق آنها نشان مي‌دهد که دو روش فوق بترتيب نسبت به رگرسيون لجستيک و رگرسيون خطي داراي کارايي بهتري هستند. هانگ و ديگران از روش‌هاي داده‌کاوي براي مديريت رويگرداني در صنعت مخابرات استفاده کرده‌اند ADDIN EN.CITE Hung200626(Hung, Yen et al. 2006)262617Hung, S. Y.Yen, D. C.Wang, H. Y.Expert Systems with ApplicationsExpert Systems with Applications515–524312006(Hung, Yen et al. 2006). نتايج تحقيق آنها نشان مي‌دهد که تکنيک‌هاي درخت تصميم و شبکه عصبي مي‌توانند مدل‌هاي پيش‌بيني رويگرداني دقيقي را با گرفتن داده‌هاي دموگرافيک، اطلاعات صورتحساب و دیگر اطلاعات مشتريان ارائه دهند. در اين تحقيق، همچنین تعاريفي در مورد رويگرداني و مراحل مختلف داده کاوي آورده شده است. سويني و سويت در تحقيق خود به بررسي نقش برند در حفظ مشتريان مي‌پردازند ADDIN EN.CITE Sweeney200827(Sweeney and Swait 2008)272717Sweeney, J.Swait, J.Journal of Retailing and Consumer ServicesJournal of Retailing and Consumer Services179–193152008(Sweeney and Swait 2008). همچنين، به بررسي روابط بين اعتبار برند و فاکتورهاي ديگر چون رضايتمندي و کيفيت سرويس مي‌پردازند. نتايج بررسي موارد بانکي و مخابراتي نشان مي‌هد که اعتبار برند نقش تدافعي دارد؛ يعني اينکه برند به طور قابل توجهي WOM را افزايش داده و سوئيچينگ مشتريان را کاهش مي‌دهد. مدل استخراج شده از روابط در شکل (2-9) نشان داده شده است. همانطور که در شکل مي‌بينيد اعتبار برند باعث ايجاد وفاداري به طور مستقيم يا غير مستقيم مي‌شود و نيز وفاداري و رضايتمندي مشتري باعث مي‌شود تا تمايل به سوئچينگ مشتري کمتر شود و توصيه‌هاي مشتري به ساير افراد براي استفاده از سرويس‌هاي شرکت زياد شود. شکل STYLEREF 1 \s ‏2 SEQ شکل \* ARABIC \s 1 9: روابط بین برند و سایر فاکتورها کوزمنت و ون دن پائل، اطلاعات مربوط به ارتباط مشتريان و تعامل مشتريان با مراکز تماس را با متغيرهاي رایج در پيش‌بيني رويگرداني ترکيب کرده‌اند تا بدين ترتيب بتوانند يک مدل کارا براي پيش‌بيني رويگرداني توليد کنند ADDIN EN.CITE Coussement200828(Coussement and Van Den Poel 2008a)282817Coussement, K.Van Den Poel, D.Information & Management Information & Management164–174452008a(Coussement and Van Den Poel 2008a). آنها پس از پردازش ايميل‌هاي غير ساخت‌يافته دريافتي از مشتريان و تبدیل به اطلاعات ساخت‌يافته، آنها را با اطلاعات تراکنش‌هاي مشتريان ترکيب کرده‌اند. آنها در تحقيق خود نشان مي‌دهند که با افزودن اطلاعات متني غير ساخت‌يافته به مدل‌هاي پيش‌بيني رويگرداني معمول، عملکرد اين مدل‌ها به ميزان قابل توجهي افزايش يافته است. از نقطه نظر مديريتي، چارچوب مجتمع شده به مديران تصميم‌گيرنده در بخش بازاريابي کمک مي‌کند تا مشترياني را که مستعد سوئيچ هستند بهتر شناسايي کنند. متعاقبا با پيش‌بيني دقيق اينکه کدام مشتري تمايل به ترک شرکت را دارد اقدامات نگهداري و حفظ مشتري به صورت هدفمند خواهد شد. کوزمنت و ون دن پائل، همچنین در تحقيق دیگری قدرت پيش‌بيني تکنيک ماشين‌هاي بردار پشتيبان (SVM) را با رگرسيون لجستيک و نيز رندوم فارست در زمينه پيش‌بيني رويگرداني مشتري مقايسه کردند ADDIN EN.CITE Coussement200829(Coussement and Van Den Poel 2008b)292917Coussement, K.Van Den Poel, D.Expert Systems with Applications Expert Systems with Applications313–327342008b(Coussement and Van Den Poel 2008b). آنها در تحقيق خود از روش SVM با تابع کرنل RBF استفاده کرده‌اند. تابع RBF داراي دو پارامتر است؛ در اين تحقيق از دو تکنيک انتخاب پارامتر براي انتخاب پارامتر هايRBF استفاده شده است. آنها در تحقيق خود به اين نتيجه رسيدند که تکنيک‌هاي انتخاب پارامتر نقش برجسته‌اي در کارايي و دقت پيش‌بيني SVM دارد و نيز تکنيک رندوم فارست در هر صورت بهتر از SVM عمل مي‌کند. تي ساي و لو از شبکه‌هاي عصبي مصنوعي (ANN) به منظور ساخت مدل پيش‌بيني رويگرداني مشتري استفاده کرده‌اند ADDIN EN.CITE Tsai200930(Tsai and Lu 2009)303017Tsai, C. F.Lu, Y. H.Expert Systems with ApplicationsExpert Systems with Applications12547–12553362009(Tsai and Lu 2009). آنها در تحقيق خود از رويکرد ترکيبي استفاده کردند و دو مدل ترکيبي زير را توسعه دادند: ANN + ANN: در اين روش ANN اولي به منظور کاهش داده‌اي استفاده شده است. و دومي براي کار پيش‌بيني رويگرداني به کار برده شده است. SOM + ANN: ابتدا خوشه‌بندي توسط روش نقشه‌هاي خود سازمانده (SOM) انجام مي‌گيرد. دو خوشه داراي بيشترين تعداد رکورد انتخاب شده و وارد ANN براي پيش‌بيني مي‌شوند. نتايج تحقيق آنها نشان مي‌دهدکه دو مدل ترکيبي ساخته شده در پيش‌بيني رويگرداني بهتر از مدل تکي شبکه‌هاي عصبي عمل مي‌کنند. درضمن، مدل (ANN+ANN) عملکرد بهتري در پيش‌بيني نسبت به (SOM+ANN) دارد. پندارکار براي اولين بار از شبکه عصبي مبتني بر الگوريتم ژنتيک براي پيش‌بيني رويگرداني مشتري در سرويس‌هاي اشتراک بي‌سيم استفاده کرده است ADDIN EN.CITE Pendharkar200931(Pendharkar 2009)313117Pendharkar, P.C.Expert Systems with ApplicationsExpert Systems with Applications6714–6720362009(Pendharkar 2009). در اين تحقيق از الگوريتم ژنتيک جستجوي سراسري ابتکاري براي يادگيري وزن‌هاي اتصالات شبکه‌هاي عصبي استفاده شده است. ونگ و ديگران با استفاده از تکنيک‌هاي داده‌کاوي به ايجاد يک سيستم توصيه‌گر به مشتريان پرداخته‌اند ADDIN EN.CITE Wang200932(Wang, Chiang et al. 2009)323217Wang, Y. F.Chiang, D. A.Hsu, M. H.Lin, C. J.Lin, I. L.Expert Systems with ApplicationsExpert Systems with Applications8071–8075362009(Wang, Chiang et al. 2009). با استفاده از اين سيستم دليل رويگرداني مشتريان مشخص شده و يا به عبارت ديگر رفتارهاي استفاده مشتريان رويگردان و مشتريان وفادار مورد بررسي قرار گرفته تا به موجب آنها بتوان استراتژي‌هاي بازاريابي مناسب جهت جلوگيري از رويگرداني مشتريان به مديران شرکت ارائه داد. الگوريتم‌هاي زيادي براي تحليل رويگرداني وجود دارد ولي همه آنها با محدوديت‌هايي رو به رو هستند که اين محدوديت‌ها به دليل طبيعت مسئله رويگرداني به وجود مي‌آيند. مسئله رويگرداني داراي سه ويژگي عمده است: 1- داده‌ها معمولا نامتعادل هستند. ( تعداد مشتريان رويگردان خيلي کم هستند و معمولا تنها 2 درصد از کل نمونه را در بر مي‌گيرند) 2- نويزهايي در داده‌ها وجود دارد. 3- براي پيش‌بيني رويگرداني لازم است تا احتمال رويگرداني موجوديت‌ها را رتبه‌بندي کنيم ADDIN EN.CITE Xie200933(Xie, Li et al. 2009)333317Xie, Y.Li, X.Ngai, E.W.T.Ying, W.Expert Systems with ApplicationsExpert Systems with Applications5445–5449362009(Xie, Li et al. 2009). زاي و همکاران در تحقيق خود يک روشي به نام رندم فارست متوازن بهبوديافته براي پيش‌بيني رويگرداني ارائه کرده‌اند. اين الگوريتم روي يک مطالعه موردی بانکي پياده‌سازی شده. نتايج نشان مي‌دهد که دقت پيش‌بيني اين الگوريتم نسبت به ساير الگوريتم‌هاي حوزه‌ی پيش‌بيني رويگرداني مانند شبکه‌هاي عصبي، درخت تصميم و SVM بالاتر است. همچنين، الگوريتم نسبت به الگوريتم‌هاي مبتني بر رندوم فارست مانند رندم فارست متوازن بهتر عمل مي‌کند. گليدي و ديگران در مقاله خود وفاداري مشتري را از ديدگاه مشتري‌گرايي به جاي ديدگاه محصول‌گرايي تعريف مي‌کنند ADDIN EN.CITE Glady200934(Glady, Baesens et al. 2009)343417Glady, N. Baesens, B. Croux, C.Journal of Operational ResearchJournal of Operational Research402–4111972009(Glady, Baesens et al. 2009). آنها همچنين مشتري رويگردان را به عنوان کسي که ارزش طول عمر آن در حال کاهش است تعريف مي‌کنند. موضوع جديد ديگري که در اين مقاله عنوان شده است اين است که ضرر حاصل شده توسط کاهش CLV به عنوان ضرر حاصل از دسته‌بندي غلط مشتريان در نظر گرفته مي‌شود. نتيجه نهايي که در اين مقاله گرفته شده است اين است که سود و منفعت تنها چيزي است که در محيط تجاري اهميت دارد، شاخص‌هاي استاندارد آماري سنجش دقت و صحت پيش‌بيني بايستي تجديد نظر شده و بايستي سودگرايي در آنها ديده شود. در حوزه ارتباطات از را ه دور، تکنيک‌هاي داده‌کاوي مانند درخت تصميم ،شبکه‌هاي عصبي به منظور توسعه مدل‌هاي پيش‌بيني رويگرداني مشتري به کار رفته‌اند. با اين وجود بسياري از کارهاي انجام شده صرفا کار پيش بيني را انجام داده‌اند و مرحله پيش‌پردازش از داده‌کاوي را ناديده گرفته‌اند. تي ساي و چن از ترکيب الگوريتم‌هاي قواعد همبستگی با الگوريتم‌هاي درخت تصميم و شبکه‌هاي عصبي براي ساخت مدل پيش‌بيني رويگرداني استفاده کرده‌اند ADDIN EN.CITE Tsai201035(Tsai and Chen 2010)353517Tsai, C.F.Chen, M. Y.Expert Systems with ApplicationsExpert Systems with Applications2006–20153732010(Tsai and Chen 2010). روش کارشان به اين صورت است که ابتدا در مرحله پيش‌پردازش با استفاده از قواعد همبستگی متغيرهاي با اهميت شناخته شده، سپس مدل پيش‌بيني رويگرداني توسط شبکه‌هاي عصبي و درخت تصميم ساخته مي‌شود. در این تحقیق از شاخص‌هايي در جهت ارزيابي کارايي مدل‌هاي ساخته شده استفاده شده است. نتيجه تحقيق نشان مي‌دهد که متدهاي ترکيبي قواعد همبستگي و درخت تصميم يا شبکه‌هاي عصبي بهتر از متدهاي تکي درخت تصميم يا شبکه‌هاي عصبي عمل مي‌کنند. هوانگ و ديگران در تحقيق خود يک رويکرد انتخاب ويژگي چند هدفه را براي پيش‌بيني رويگرداني مشتريان در يک شرکت مخابراتي، بر اساس رويکرد بهينه‌سازي NSGA-II ارائه دادند ADDIN EN.CITE Huang201036(Huang, Buckley et al. 2010)363617Huang, B.Buckley, B.Kechadi, T.Expert Systems with ApplicationsExpert Systems with Applications3638–3646372010(Huang, Buckley et al. 2010). هدف رويکردهاي انتخاب ويژگي عبارتند از کاهش ويژگي‌هاي نا‌‌معتبر يا زايد و پيدا کردن ويژگي‌هاي مهم که منجر به افزايش کارايي مدل‌هاي داده‌کاوي مي‌شود. در اين تحقيق از درخت تصميم به دليل کارايي بالا و هزينه محاسباتي پايين به عنوان تابع برازش استفاده شده است. کوزمنت و ديگران در مقاله خود از مدل‌هاي جمع‌پذير عمومي ( GAM) براي پيش‌بيني رويگرداني مشتري استفاده کرده‌اند ADDIN EN.CITE Coussement201037(Coussement, Benoit et al. 2010)373717Coussement, K., F.Benoit, D.Van den Poel, D.Expert Systems with ApplicationsExpert Systems with Applications2132–2143372010(Coussement, Benoit et al. 2010). در مقايسه با رگرسيون لجستيک ، GAM محدوديت خطي بون را برداشته و اجازه مي‌دهد تا رابطه بين متغيرها غيرخطي باشد. اين تحقيق نشان مي‌دهد که: 1- GAM قادر به بهبود دادن تصميم‌گيري‌هاي بازاريابي از طريق شناسايي مشتريان ريسک دار است. 2- GAM خوانايي و تفسيرپذيری مدل‌هاي رويگرداني را با مصورسازي رابطه غيرخطي آنها نشان مي‌دهد. 3- مديران بازاريابي مي‌توانند ارزش کسب و کار خود را با استفاده از GAM در زمينه پيش‌بيني رويگرداني مشتري افزايش دهند. هستی و تيبشيراني اظهار کرده‌اند که روش‌هاي غیرپارامتريک در مواقعي که تعداد متغيرهاي پيش‌بيني‌کننده بيشتر باشد بدتر عمل مي‌کنند ADDIN EN.CITE Hastie199038(Hastie and Tibshirani 1990)383817Hastie, T.Tibshirani, R.CRC pressCRC press1990(Hastie and Tibshirani 1990)؛ براي اينکه پراکندگي داده‌ها ، واريانس تخمين‌ها را متورم مي‌کند. اين موضوع اغلب به عنوان مصيبت بعد ياد مي‌شود. با استفاده از مدل‌هاي جمع‌پذير، مشکل مصيبت بعد بر طرف مي‌شود. روش GAM حداقل دو مزيت نسبت به رگرسيون لجستيک دارد: 1- روابط غيرخطي بين داده‌ها را آشکار مي‌کند. 2- نشان داده شده است که حذف فرض خطي بودن منجر به درک صحيحي از تاثير هر يک از متغيرهاي پيش‌بيني‌کننده روي متغير وابسته مي‌شود که اين موضوع به تصميم‌گيران کمک مي‌کند تا مشکل رويگرداني شرکت را به طور کامل درک کنند ADDIN EN.CITE Coussement201037(Coussement, Benoit et al. 2010)373717Coussement, K., F.Benoit, D.Van den Poel, D.Expert Systems with ApplicationsExpert Systems with Applications2132–2143372010(Coussement, Benoit et al. 2010). در اکثر تحقيقاتي که تاکنون در زمينه پيش‌بيني رويگرداني مشتريان صورت گرفته است، بيشتر به بالا بردن دقت و کارايي مدل‌هاي پيش‌بيني توجه شده است. وربک و ديگران در مقاله خود به جنبه‌هاي جديدي در مورد مدل‌هاي پيش‌بيني رويگرداني مشتري اشاره کرده‌اند ADDIN EN.CITE Verbeke201139(Verbeke, Martens et al. 2011)393917Verbeke, W.Martens, D.Mues, C.Baesens, B.Expert Systems with ApplicationsExpert Systems with Applications2354–2364382011(Verbeke, Martens et al. 2011). اگرچه، اين جنبه‌ها در تحقيقات قبلي به صورت تلويحي مورد توجه قرار گرفته بود ولي در اين مقاله به صورت آشکار اين جنبه‌ها ذکر شده‌اند. دقت پيش‌بيني، قابليت درک و توجيه‌پذيري سه جنبه کليدي مدل‌هاي پيش‌بيني رويگرداني هستند. در حيطه داده‌کاوي يک مدل توجيه‌پذير است اگر با دانش محيط کاربرد هم‌خواني داشته باشد. يک مدل پيش‌بيني رويگرداني با دقت بالا موجب مي‌شود تا مشتريان رويگردان آتي به طور درست مورد هدف کمپين‌هاي نگهداري قرار گيرند. در حالي که يک مجموعه قوانين قابل درک اجازه مي‌دهد تا عوامل و دلايل اصلي رويگرداني مشتريان شناسايي شوند و استراتژي‌هاي موثر نگهداري مشتريان که مطابق با دانش حيطه باشد اتخاذ گردد. در اين تحقيق دو تکنيک جديد داده‌کاوي در زمينه پيش‌بيني رويگرداني مشتريان به کار گرفته شده است. اين تکنيک‌ها عبارتند از: Ant-Miner+ و ALBA. روش Ant-Miner+ يک تکنيک داده‌کاوي با کارايي بالا بر اساس اصول بهينه‌سازي کلوني مورچه‌ها است که اجازه مي‌دهد تا بتوان دانش حيطه را وارد مدل کرد از طريق اعمال محدوديت‌هاي يکنواختي روي مجموعه قوانين نهايي. و تکنيک ALBA دقت بالاي تکنيک SVM را با قابليت درک مجموعه قوانين ترکيب مي‌کند. به عبارت ديگر، ALBA يک روش استخراج مجموعه قوانين از يک مدل SVM است. نتايج مدل‌سازي‌ها نشان مي‌دهد که ALBA منجر به يک مدل قابل درک با کارايي بالا مي‌شود. همچنين برخلاف ساير تکنيک‌هاي استفاده شده در اين تحقيق، Ant-Miner+ منجر به مدل‌هاي دقيق با قابليت درک بالا و از همه مهم‌تر با توجيه‌پذيري بالا مي‌شود. در اين تحقيق از يک ديتاست عمومي استفاده شده است. روش‌هاي فازي و نروفازي نيز در سال‌هاي اخير به صورت خيلي کم در زمينه پيش‌بيني رويگرداني مشتريان کاربرد داشته‌اند. مطالعات ما در اين زمينه نشان مي‌دهد که تنها در دو مقاله از اين روش‌ها استفاده شده است. قرباني و ديگران در تحقيق خود براي اولين بار از روش درخت مدل خطي محلي در پيش‌بيني رويگرداني مشتريان استفاده کرده‌اند ADDIN EN.CITE Ghorbani200940(Ghorbani, Taghiyareh et al. 2009)404017Ghorbani, A.Taghiyareh, F.Lucas, C.SoCPaRSoCPaR472-4772009(Ghorbani, Taghiyareh et al. 2009)؛ که اين روش مزاياي شبکه‌هاي عصبي، مدل درختي و مدل‌سازي فازي را به صورت يکجا دارد. نتايج تحقيق آنها نشان مي‌دهد که اين متد در مقايسه با متدهايي نظير شبکه‌هاي عصبي، درخت تصميم و رگرسيون لجستيک، کارايي پيش‌بيني را به ميزان قابل توجهي بالا مي‌برد. تحقيق ديگر در اين زمينه مربوط به مقاله‌ي کاراهکا و کاراهکا است ADDIN EN.CITE Karahoca201141(Karahoca and Karahoca 2011)414117Karahoca, A.Karahoca, D.Expert Systems with ApplicationsExpert Systems with Applications1814-18223832011(Karahoca and Karahoca 2011). آنها در مقاله خود ابتدا از روش خوشه‌بندي فازي C-means براي خوشه‌بندي مشتريان يک شرکت مخابراتي استفاده کرده و با انجام اين کار به هر مشتري يک برچسب يا ويژگي جديد نسبت دادند. سپس، از تکنيک سيستم استنتاج فازي عصبي تطبيقي به منظور پيش‌بيني رويگرداني مشتريان استفاده کرده‌اند. تکنيک ANFIS دقت سيستم‌هاي دسته‌بندي مبتني بر فازي را با خاصيت تطبيق‌پذيري (پيش انتشار) شبکه‌هاي عصبي ترکيب مي‌کند. بر اساس نتايج تحقيق، آنها اظهار کرده‌اند تکنيک ANFIS می‌تواند به عنوان يک تکنيک جايگزين تکنيک‌هاي فعلي در فعاليت‌هاي کنوني CRM از جمله پيش‌بيني رويگرداني مشتريان استفاده شود. تحقیقات انجام شده در داخل کشور گسترش علم داده‌کاوی و افزایش توانایی تکنیک‌های داده‌کاوی در صنایع مختلف کشور از یک طرف، و اهمیت مسئله رویگردانی مشتری در نرخ نگهداری مشتری در یک بازار رقابتی برای سیستم‌های CRM از طرف دیگر موجب شده است تا در دهه اخیر تحقیقاتی در مورد پیش‌بینی رویگردانی مشتری با استفاده از داده‌کاوی در داخل کشور انجام پذیرد. در ادامه به مواردی از این تحقیقات اشاره خواهیم کرد. ADDIN EN.CITE كرامتي138819(كرامتي, اردبيلي et al. 1388)191917فصلنامه علوم مديريت ايران(كرامتي, اردبيلي et al. 1388) در مقاله خود با استفاده از روش‌های داده‌کاوی به تحلیل رویگردانی مشتری در یکی از اپراتورهای تلفن همراه ایران پرداختند. آنها از تکنیک رگرسیون لاجستیک دوجمله‌ای استفاده کردند و نشان دادند که نارضايتي مشتري، ميزان استفاده از خدمات ارائه شده و نيز مشخصه‌هاي دموگرافيك مشترك مهم‌ترين تأثير را بر تصميم او مبني بر رويگرداني يا ماندگاري دارند. آنها همچنین به بررسی اثر واسطه‌ای وضعیت مشتری (وضعیت فعال یا غیر فعال) در رویگردانی نیز پرداخته‌اند. ADDIN EN.CITE توکلی138920(توکلی, مرتضوی et al. 1389)202017چشم‌انداز مدیریت بازرگانی(توکلی, مرتضوی et al. 1389) با بکارگیری تکنیک درخت تصمیم به پیش‌بینی رویگردانی مشتری در صنعت بیمه پرداخته‌اند. آنها در تحقیق خود از فرایند استاندارد داده‌کاوی CRISP – DM استفاده کردند و به کاوش در پایگاه‌های داده یکی از شرکت‌های سهامی عام بیمه‌ای در بیمه آتش‌سوزی پرداختند. چنانچه پیش‌تر نیز ذکر شد، بیشتر تحقیقات به ارائه مدل‌هایی جهت پیش‌بینی رویگردانی مشتری پرداخته‌اند و کمتر علل رویگردانی را مورد مطالعه قرار داده‌اند. ADDIN EN.CITE سپهری139021(سپهری, نوروزی et al. 1390)212117پژوهش‌های مدیریت در ایران(سپهری, نوروزی et al. 1390) با ترکیب روش‌های داده‌کاوی و تحقیق پیمایشی به کشف دلایل رویگردانی مشتری از خدمات بانکداری پرداخته‌اند. در این تحقیق تلاش شده است تا با بهره‌گیری از تحقیق پیمایشی پرسشنامه محور نظریات مشتریان در خصوص سطوح رضایت‌مندی و مولفه‌های تاثیرگذار بر رویگردانی مشتری ارزیابی شود و از نتایج آن برای تحلیل تاثیر عوامل مختلف بر رویگردانی بهره گرفته‌اند. ADDIN EN.CITE عباسی‌مهر139022(عباسی‌مهر 1390)222232(عباسی‌مهر 1390) در پایان نامه‌ی خود مدلی برای پیش‌بینی رویگردانی مشتریان با ارزش در بخش خدمات ارائه داده است. وی با استفاده از داده‌های مربوط به صنعت مخابرات، ابتدا با استفاده از تکنیک‌های خوشه‌بندی مشتریان با ارزش را شناسایی کرده و سپس بوسیله تکنیک ANFIS و ترکیب آن با الگوریتم بهینه‌سازی اجتماع مورچگان، به پیش‌بینی رویگردانی مشتریان باارزش پرداخته است. خلاصه تحقیقات انجام شده ويژگي‌هايي که تحقيقات انجام شده مربوط به ساخت مدل‌هاي پيش‌بيني رويگرداني مشتريان دارند عبارتند از: در هر تحقيق از يک یا چند ديتاست عمومي يا خصوصي استفاده شده است. تکنيک‌هاي به کارگرفته شده براي پيش‌بيني رويگرداني مشتريان متنوع هستند و هيچ تکنيکي براي همه مسائل و ديتاست‌ها بهتر از ساير تکنيک‌ها عمل نمي‌کند. براي مثال نتايج يک تحقيق نشان داده است که شبکه عصبي بهتر از درخت تصميم عمل کرده است در حالي که نتايج تحقيق ديگر نشان داده است که درخت تصميم بهتر از شبکه عصبي عمل کرده است. شايد دليل اين امر به ماهيت مسئله برگردد زيرا اساسا مسئله پيش‌بيني رويگرداني مشتريان يک مسئله دسته بندي است و از تکنيک‌هاي داده‌کاوي براي ساخت مدل پيش‌بيني استفاده مي‌شود. در داده‌کاوي هيچ تکنيک دسته‌بندي نمي‌توان يافت که در همه شرايط و ديتاست‌ها بهتر از ساير تکنيک‌ها عمل کند ADDIN EN.CITE Han20114(Han, Kamber et al. 2011)446Jiawei HanMicheline KamberJian PeiThird2011Morgan Kaufmann(Han, Kamber et al. 2011). در بيشتر تحقيقات، تکنيک‌هاي استفاده شده فقط روي يک ديتاست اعمال شده‌اند و کارايي تکنيک‌ها روي ديتاست‌هاي متعدد تست نشده است. حتي در مواردي که يک تکنيک پيش‌بيني جديد توسعه داده شده است، کارايي آن فقط روي يک ديتاست تست شده است. در اکثر تحقيقات انجام شده فقط کارايي تکنيک‌ها از لحاظ معيارهاي دقت پيش‌بيني و قابليت درک ارزيابي شده است. معيارهاي ديگر نظير سرعت محاسباتي (پيچيدگي زماني) و مسائل مربوط به حافظه زياد مورد توجه قرار نگرفته‌اند. با توجه به افزايش داده‌هاي مربوط به مشتريان و حجيم شدن پايگاه داده‌هاي مربوط به مشتريان توجه به اين معيارها امري اجتناب ناپذير است. تحقيقات انجام شده در اين زمينه، هر کدام مربوط به يک صنعت خاص هستند. در بيشتر تحقيقات انجام شده از تکنيک‌هاي مربوط به داده‌کاوي استفاده شده است. در بیشتر تحقیقات ارزش مشتری مورد توجه نبوده و فقط رویگردانی مشتریان بدون توجه به ارزش آنها مد نظر بوده. در جدول (2-4) خلاصه‌اي از تحقيقات انجام شده در زمينه ساخت مدل‌هاي پيش‌بيني رويگرداني مشتريان آورده شده است. در اين جدول ويژگي‌هاي مربوط به اين تحقيقات از قبيل نوع تکنيک‌هاي به کار گرفته شده در آنها، ديتاست‌ها و نيز صنعت يا سرويسي که تحقيق در آن صورت گرفته است آورده شده. جدول STYLEREF 1 \s ‏2 SEQ جدول \* ARABIC \s 1 4 :خلاصه سابقه تحقیق ردیفعنواننویسنده یا نویسندگانسالتکنیک‌هاصنعت،عمومی (1) یا خصوصی (2) بودن داده‌ها1کاربرد الگوريتم C4.5 براي ساخت مدل پيش‌بيني رويگرداني با استفاده از تعداد ويژگي‌هاي محدودوي و چیو2002درخت تصميم C4.5مخابرات بي‌سيم،(2)2استفاده از مدل پيش‌بيني رويگرداني به عنوان بخشي از مدل ارزش طول عمر مشتريونگ و همکاران2004رگرسيون لجستيک، درخت تصميم، شبکه عصبيمخابرات بي‌سيم،(2)3مقايسه تکنيک‌ها براي پيش‌بيني فرار نا تمام در يک محيط غيرقرارداديبوکينکس و ون دن پائل2005رگرسيون لجستيک، شبکه‌عصبي، رندوم فارستسخرده فروشي(2)4بررسي متغيرهاي توصيفي و متدهاي مدل‌سازي در پيش‌بيني رويگرداني مشتريانلاريويري و ون دن پائل2005رگرسيون لجستيک و خطي، رندوم فارستسمالي(2)5مقايسه تطبيقي و به کارگيري متدهاي مدل‌سازي پيش‌بيني رویگردانیهانگ و همکاران2006درخت تصميم، شبکه عصبيمخابرات بي‌سيم،(2)6کاربرد تکنيک‌هاي bagging و Boosting براي افزايش کارايي تکنيک‌هاي پيش‌بيني رويگرداني مشتريانلمنس و کروکس2006رگرسيون لجستيک، درخت تصميممخابرات بي‌سيم،(1)7توسعه مدل‌هاي پيش‌بيني رويگرداني و تست آنها در يک کمپين نگهداري واقعيبورز و ون دن پائل2007رگرسيون لجستيک (با زنجيره مارکوف)، رندوم فارستسسرويس Pay-TV(2)8کاربرد تکنيک ماشين بردار پشتيبان در پیش‌بيني رويگرداني مشتريان در يک سرويس اشتراک روزنامهکوزمنت و ون دن پائل2008رگرسيون لجستيک، ماشين بردار پشتيبان، رندوم فارستسسرويس اشتراک روزنامه(2)9مطالعه متدهاي نمونه برداري، متد و معيار‌هاي ارزيابي و تکنيک‌هاي مدل‌سازيبورز و ون دن پائل2009رگرسيون لجستيک، Boosting، رندوم فارستسبانک، مخابرات، اشتراک روزنامه، pay TV – خرده‌‎فروشي سوپرمارکت10گنجاندن دانش محيط کاربرد در مدل‌هاي پيش‌بيني رويگردانيلیما و همکاران2009رگرسيون لجستيک، درخت تصميممخابرات بي‌سيم(1)11کاربرد دو شبکه عصبي مبتني بر الگوريتم ژنتيک در زمينه پيش‌بيني رويگردانيپندارکار2009شبکه عصبي مبتني بر الگوريتم ژنتيکمخابرات بي‌سيم(1)12توسعه يک تکنيک جديد به نام رندوم فارستس متوازن بهبود يافته در پاسخ به برخي محدوديت‌هاي مسائل پيش‌بيني رويگردانيزای و همکاران2009شبکه عصبي، درخت تصميم، SVM ، رندوم فارستس متوازن بهبود يافتهبانک(2)13توسعه دو مدل ترکيبي به منظور پيش‌بيني رويگرداني مشتريانتي ساي و لو2009شبکه عصبي، نقشه‌هاي خود سازماندهمخابرات(1)14استفاده از مفهوم طول عمر مشتري براي تعريف مشتريان رويگردان و توسعه مدل‌هاي پيش‌بيني رويگرداني و ارزيابي آنها به وسيله يک معيار ارزيابي توسعه داده شده که معيار سود و زيان را درنظر مي‌گيردگليدي و همکاران2009رگرسيون لجستيک، شبکه‌هاي عصبي، درخت تصميم، تکنيک توسعه داده شده به نام Ada Costبانک(2)15به کارگيري مدل‌هاي جمع‌پذير عمومي در پيش‌بيني رويگرداني مشتريانکوزمنت و همکاران2010رگرسيون لجستيک، GAMاشتراک روزنامه (2)16کاربرد NSGA-II براي انتخاب ويژگي‌ها بهينه در پيش‌بيني رويگرداني مشتريانهوانگ و همکاران2010درخت تصمیممخابرات (2)17استفاده از تکنيک‌هاي داده‌کاوي به منظور ساخت مدل‌هاي پيش‌بیني رويگرداني مشتريان و با تاکيد بر مرحله پيش پردازش داده‌هاتي ساي و چن2010قوانين تلازمي، درخت تصميم، شبکه عصبيتقاضا(2)18توسعه تکنيک SVM توسعه يافته که نامتعادل بودن داده‌ها را در نظر مي‌گيردیو و همکاران2010شبکه عصبي، SVM، SVM توسعه يافتهوب سايت تجارت الکترونيکي(2)19ارائه سيستمي براي مديريت رويگرداني بر اساس تکنيک‌هاي خوشه‌بندي فازي و سيستم استنتاج فازي عصبي تطبيقيکاراهکا و کاراهکا2011Fuzzy C-means، ANFIS، درخت تصميممخابرات(2)20کاربرد دو تکنيک جديد داده‌کاوي به نامهاي Antminer+ و ALBA براي پيش‌بيني رويگرداني مشتريانوربک و همکاران2011Antminer+، ALBA،SVM، درخت تصميم، رگرسيون لجستيکمخابرات(1)21تحليل رويگرداني مشتريان، بررسي وضعيت يكي از اپراتورهاي تلفن همراه ايران با كمك روش‌هاي داده‌كاويعباس کرامتی و همکاران1388رگرسیون لاجستیک دو سطحیمخابرات(2)22به کارگیری فرایند داده‌کاوی برای پیش‌بینی الگوهای رویگردانی مشتری در بیمهاحمد توکلی و همکاران1389درخت تصمیمبیمه(1)23کشف دلایل رویگردانی مشتری از خدمات بانکداری با ترکیب روش‌های داده‌کاوی و تحقیق پیمایشیمحمد مهدی سپهری و همکاران1390درخت تصمیم، k-meansبانک(1)24مدل پيش‌بيني رويگرداني مشتريان با ارزش در بخش خدماتحسین عباسی‌مهر1390ANFISk-meanscAnt-minerمخابرات(2) منابع و مآخذ اکبری, ا. (1389). کاربرد داده‌کاوی در مدیریت ارتباط با مشتریان: مطالعه موردی در شرکت سایپا یدک. دانشکده مهندسی صنایع, دانشگاه شریف. توکلی, ا., س. مرتضوی, )1389). "به کارگیری فرایند داده کاوی برای پیش بینی الگوهای رویگردانی مشتری در بیمه." چشم‌انداز مدیریت بازرگانی 4(37): 55-41. سپهری, م. م., ا. نوروزی, )1390). "کشف دلایل رویگردانی مشتری از خدمات بانکداری با ترکیب روش‌های داده‌کاوی تحقیق پیمایشی." پژوهش‌های مدیریت در ایران 15(4): 126-197. شهرابی, ج. (1390a). داده‌کاوی, جهاد دانشگاهی واحد صنعتی امیرکبیر. شهرابی, ج. (1390b). داده‌کاوی 2, جهاد دانشگاهی واحد صنعتی امیرکبیر. شهرابی, ج. و ع. ذ. شجاعی (1388). داده‌کاوی پیشرفته - مفاهیم و الگوریتم‌ها, جهاد دانشگاهی واحد صنعتی امیرکبیر. عباسی‌مهر, ح. (1390). مدل پيش بيني رويگرداني مشتريان با ارزش در بخش خدمات. دانشکده مهندسی صنایع. تهران, دانشگاه صنعتی خواجه نصیر الدین طوسی. كرامتي, ع., س. م. س. اردبيلي, (1388). "تحليل رويگرداني مشتريان، بررسي وضعيت يكي از اپراتورهاي تلفن همراه ايران با كمك روش هاي داده كاوي." فصلنامه علوم مديريت ايران 14: 91-63. Ahn, J. H., S. P. Han, et al. (2006). "Customer churn analysis: Churn determinants and mediation effects of partial defection in the Korean mobile telecommunications service industry." Telecommunications Policy 30: 552-568. Auria, L. and R. A. Moro (2008) "Support Vector Machines (SVM) as a technique for solvency analysis." Discussion papers // German Institute for Economic Research 811. Berson, A., S. Smith, et al. (1999). "Building data mining applications for CRM." New York: McGraw-Hill. Bishop, C. M. (1995). Neural Networks for Pattern Recognition, CLARENDON PRESS • OXFORD. Bishop, C. M. (2006). Pattern recognition and machine learning, Springer Science. Brown, S. A. (2000). Customer relationship management , A strategic Imperative in the world of E- Business, Wiley. Burez, J. and D. Van den Poel (2007). "CRM at a pay-TV company: Using analytical models to reduce customer attrition by targeted marketing for subscription services." Expert Systems with Applications 32(2): 277-288. Chang, H. and S. F. Tsay (2004). "Integrating of SOM and K-mean in data mining clustering: An empirical study of CRM and profitability evaluation." Journal of Information Management 11:161-203. Cheng, C.-H. and Y.-S. Chen (2008). "Classifying the segmentation of customer value via RFM model and RS theory.",expert system with application. Coussement, K., F., D. Benoit, et al. (2010). "Improved marketing decision making in a customer churn prediction context using generalized additive models." Expert Systems with Applications 37: 2132-2143. Coussement, K. and D. Van Den Poel (2008a). "Integrating the voice of customers through call center emails into a decision support system for churn prediction." Information & Management 45: 164-174. Coussement, K. and D. Van Den Poel (2008b). "Churn prediction in subscription services: An application of support vector machines while comparing two parameter-selection techniques." Expert Systems with Applications 34: 313-327. Edelstein, H. (1998). Introduction to Data Mining and Knowledge Discovery, Two Crows Corporation. Edelstein, h. (2000). "build profitable customer relationship with data mining." Two Crows Corp. Gabrys, B. and D. Ruta (2006). "Genetic algorithms in classifier fusion." Applied Soft Computi 6: 337-347. Ghorbani, A., F. Taghiyareh, et al. (2009). "The Application of the Locally Linear Model Tree on Customer Churn Prediction." SoCPaR: 472-477. Ghosh, J. (2002). Multiclassifier Systems: Back to the Future. Multiple Classifier Systems. F. Roli and J. Kittler, Springer Berlin Heidelberg:1-15. Glady, N., B. Baesens, et al. (2006). "Modeling churn using customer lifetime value, European " Journal of Operational Research 197: 402-411. Han, J., M. Kamber, et al. (2011). Data Mining: Concepts and Techniques, Morgan Kaufmann. Hastie, T. and R. Tibshirani (1990). "Generalized additive models." CRC press. Hu, Y. (2011). "The Comparison of Five Discriminant Methods." Management and Service Science (MASS), International Conference on 2011 Huang, B., B. Buckley, et al. (2010). "Multi-objective feature selection by using NSGA-II for customer churnprediction in telecommunications." Expert Systems with Applications 37: 3638-3646. Hung, S. Y., D. C. Yen, et al. (2006). "Applying data mining to telecom churn management." Expert Systems with Applications 31: 515-524. Karahoca, A. and D. Karahoca (2011). "GSM churn management by using fuzzy c-means clustering and adaptive neuro fuzzy inference system." Expert Systems with Applications 38(3): 1814-1822 Karray, F. O. and C. d. Silva (2004). Soft Computing and Intelligent Systems design Theory, Tools and Applications. England, Pearson Education Limited. Kotorov, R. (2002). "Ubiquitous organization: organizational design for e-CRM." Business Process Management Journal 8(3) Kracklauer, A. H. and D. Q. Mills (2004). "Collaborative Customer Relationship Management: Taking CRM to the Next Level." Springer. Larivie`re, B. and D. Van den Poel (2005). "Predicting customer retention and profitability by using random forests and regression forests techniques." Expert Systems with Applications 29(2): 472-484. Larose, D. T. (2005). Discovering knowledge in data : an introduction to data mining. Hoboken, New Jersey, John Wiley & Sons, Inc. Lin, S.-Y., J.-T. Wei, et al. (2011). "A Case Study of Using Classification and Regression Tree and LRFM Model in A Pediatric Dental Clinic." International Conference on Innovation, Management and Service IPEDR 14. Mitra, S. and T. Acharya (2003). Data Mining: Multimedia, Soft Computing, and Bioinformatics, A JOHN WILEY & SONS, INC. Neslin, S. A., S. Gupta, et al. (2006). "Defection detection: Measuring and understanding the predictive accuracy of customer churn models." Journal of Marketing Research 43(2):204-211. Ngai, E. W. T., L. Xiu, et al. (2009). "Application of data mining techniques in customer relationship management: A literature review and classification." Expert Systems with Applications 36:2592-2602. Pendharkar, P. C. (2009). "Genetic algorithm based neural network approaches for predicting churn in cellular wireless network services." Expert Systems with Applications 36:6714-6720. Reichheld, F. F. and W. E. Sasser (1990). "Zero defections: quality comes to service." Harvard Business Review 68:105-111. Ruta, D. and B. Gabrys (2000). "An Overview of Classifier Fusion Methods." Computing and Information Systems 7:1-10. Rygielski, C., J.-C. Wang, et al. (2002). "Data mining techniques for customer relationship management." Technology in Society 24:483-502. Sumathi, S. and S. N. Sivanandam (2006). Introduction to Data Mining and its Applications, Springer. Sweeney, J. and J. Swait (2008). "The effects of brand credibility on customer loyalty." Journal of Retailing and Consumer Services 15:179-193. Thompson, B. (2002). "what is CRM? The Customer Relationship Management Primer, What You Need to Know to Get Started." CRMguru. Tsai, C. F. and M. Y. Chen (2010). "Variable selection by association rules for customer churn prediction of multimedia on demand." Expert Systems with Applications 37(3):2006-2015. Tsai, C. F. and Y. H. Lu (2009). "Customer churn prediction by hybrid neural networks." Expert Systems with Applications 36:12547-12553. Verbeke, W., D. Martens, et al. (2011) "Building comprehensible customer churn prediction models with advanced rule induction techniques." Expert Systems with Applications 38:2354-2364. Wang, Y. F., D. A. Chiang, et al. (2009). "A recommender system to avoid customer churn: A case study." Expert Systems with Applications 36:8071-8075. Witten, I. H. and E. Frank (2005). Data Mining Practical Machine Learning Tools and Techniques. Xie, Y., X. Li, et al. (2009). "Customer churn prediction using improved balanced random forests." Expert Systems with Applications 36:5445-5449. Xu, L., A. Krzyzk, et al. (1992). "Methods of combining multiple classifiers and their application to handwriting recognition." IEEE Transactions on Systems, Man and Cybernetics 22(3):418-435. Zineldin, M (1999) "Exploring the common ground of total relationship management and total quality management (TQM)." Management Decision 37(9).