فهرست نشریات علمی دسترسی آزاد ایران

هدف: در بازارهای رقابتی، شرکت‌ها روی برقراری روابط بلندمدت با مشتریان و تقویت وفاداری تمرکز دارند. به‌علت هزینه‌های سنگین جذب مشتری جدید، کسب‌وکارها روی نگهداری مشتریان موجود تمرکز می‌کنند. پیش‌بینی مشتریانی که احتمال روی‌گردانی آن‌ها در آینده وجود دارد، بخش مهمی از راهبرد حفظ مشتری است. در این مقاله پیش‌بینی ریزش مشتری در صنعت بانکداری، روی دادگان واقعی مشتریان یکی از بانک‌های بزرگ ایران انجام شده است.روش: در صنعت بانکداری، کاهش شدید میانگین مانده مؤثر یک مشتری در یک بازۀ زمانی نسبت به بازۀ زمانی قبلی، به‌عنوان ریزش مشتری در نظر گرفته می‌شود. در این مقاله، ابتدا با پردازش حجم زیادی از تراکنش‌های بانکی در یک بازۀ زمانی مشخص، ویژگی‌های رفتاری متفاوت در سطوح مختلف برای مشتریان به‌دست آمد؛ سپس برای پیش‌بینی ریزش، از الگوریتم‌های پُراستفاده در یادگیری ماشین و روش‌های یادگیری جمعی استفاده شد. در ادامه، با استفاده از روش‌های یادگیری عمیق و واحدهای نوین آن، معماری مدل مدنظر ارائه شد. در نهایت، با انجام آزمایش‌های جامع، عملکرد روش‌های نام برده بررسی شد.یافته‌ها: این پژوهش در یکی از بانک‌های بزرگ ایران اجرا شد و آزمایش‌ها روی دادگان واقعی مشتریان بانک صورت پذیرفت. در این آزمایش‌ها، از اطلاعات جمعیت‌شناختی و رفتار گذشته مشتریان بهره گرفته شد؛ اما از اطلاعات شخصی افراد استفاده نشد تا حریم خصوصی مشتریان حفظ شود. در آزمایش‌های صورت‌گرفته، پیش‌بینی ریزش مشتری روی بازۀ زمانی یک ماهه انجام گرفت. بدین ترتیب دو بازۀ یک‌ماهه متوالی مدنظر قرار گرفت و ویژگی‌های رفتاری مشتریان، از بازۀ زمانی اول استخراج شد. متغیر هدف نیز از مقایسه میانگین مانده مؤثر در بازه‌های زمانی اول و دوم به‌دست آمد. در صورتی که میانگین ماندۀ مؤثر یک مشتری، در بازۀ دوم نسبت به بازۀ اول با بیش از ۷۰درصد کاهش همراه بود، به‌عنوان ریزش در نظر گرفته شد. در نتایج به‌دست‌آمده الگوریتم‌های یادگیری جمعی و همچنین مدل‌های عمیق ارائه‌شده، عملکرد بهتری را نسبت به مدل‌های مبنا نشان دادند. افزایش اندازۀ مجموعۀ آموزش در عملکرد بهتر مدل‌ها مؤثر بود. مدل تقویت گرادیان با 8984/0 بیشترین مساحت زیر منحنی مشخصۀ عامل گیرنده نسبت به مجموعۀ اعتبارسنجی را به‌دست آورد.نتیجه‌گیری: استخراج ویژگی‌های رفتاری از تراکنش‌های بانکی مشتریان و استفاده از روش‌های یادگیری جمعی و همچنین مدل‌های ارائه‌شده مبتنی‌بر یادگیری عمیق، در پیش‌بینی ریزش مشتری مؤثرند. پس از تحلیل رفتار و شناسایی مشتریان در شرف روی‌گردانی، پیشنهادهایی برای جلوگیری از ریزش و حفظ مشتری ارائه شد. برای نمونه، تفکیک مشتریان بر اساس سن، شغل، تحصیلات و غیره به‌منظور ارائه خدمات و تولید محصولات بانکی بر این مبنا، ایجاد تنوع در خدمات موجود، ارائۀ خدمات مورد نیاز مشتریان از طریق بسترهای مجازی و در صورت نیاز در محل فعالیت و زندگی مشتریان، تسهیل در ارائۀ خدمات مطلوب به مشتریان، افزایش اعتماد مشتریان از طریق ارائۀ کاربردیِ امن و همچنین، حفاظت از اطلاعات مشتریان، به حفظ مشتری کمک می‌کند.