پديد آورندگان :
ابراهيم زاده، شراره دانشگاه خوارزمي - دانشكده فني و مهندسي، تهران , سبط، محمد وحيد دانشگاه خوارزمي - دانشكده فني و مهندسي - گروه مهندسي صنايع، تهران , داوري اردكاني، حامد دانشگاه خوارزمي - دانشكده فني و مهندسي - گروه مهندسي صنايع، تهران
كليدواژه :
خدمات پس از فروش , داده‌كاوي , درخت تصميم , سيستم هاي يكپارچه , مشتريان وفادار
چكيده فارسي :
در دنياي رقابتي امروز، استفاده از سيستم هاي يكپارچه يكي از نيازهاي اساسي سازمان ها است. دغدغه اصلي مديراني كه به سازمان ها خدمتي در اين راستا ارائه مي دهند، شناسايي مشتريان وفادار جهت ايجاد روابط طولاني مدت با مشتريان، در راستاي سودآوري سازمان است. هدف اصلي در اين پژوهش اختصاص نيروي پشتيباني به تماس‌ها و درخواست‌هاي مشتريان به نحوي است كه حداكثر رضايت‌مندي مشتريان حاصل گردد. لذا پس از جمع‌آوري داده‌هاي مشتريان شركت چارگون و شناسايي و تحليل رفتار مشتريان، به كمك الگوريتم هاي درخت تصميم اعم از جنگل تصادفي، درخت تصادفي، C5، ID3، Chaid و Gradient Boosted Trees و بر مبناي معيار دقت، خطاي طبقه بندي، فراخواني و صحت هر درخت كه با استفاده از قابليت هاي نرم افزار Rapid Miner به دست آمده بود، درخت‌هايي استخراج شد. سپس بر مبناي ميانگين معيارهاي ارزيابي كيفيت و معيار دقت بيشتر از %67، معيار خطاي طبقه بندي كمتر 27%، معيار فراخواني بيشتر از 62% و معيار صحت بيشتر از 66%، درخت هاي برتر به دست آمد و قواعد و قوانيني از اين درخت هاي برتر مورد تحليل و ارزيابي قرار گرفت. درنهايت، قواعد استخراج شده با نظر خبرگان رتبه‌بندي شدند. بررسي نتايج حاصل از پژوهش نشان ميدهد كه قواعد و قوانين استخراج‌شده، معتبر و قابل پياده‌سازي در سازمان است.
چكيده لاتين :
In today's competitive world, integrated systems constitute an essential need in organizations. Managers providing such services are mainly concerned about identifying loyal customers and establishing long-term relations and a sustainable profitability. This study aimed to assign support forces to answer customer calls and requests in order to gain their utmost satisfaction. First, research data was collected from customers of Chargoon Co. in Iran, and the customer behavior was identified and analyzed. Then, using decision tree algorithms such as: random forest, gradient boosted trees, random tree, CHAID, C5, and ID3, a number of trees were extracted based on accuracy, classification error, weighted mean recall, and weighted mean precision criteria using Rapid Miner features. Next, the best trees were identified based on mean of quality assessment and accuracy of over 67%, classification error of under 27%, weighted mean recall of over 62%, and weighted mean precision of over 66%. Then, rules from these trees were extracted and analyzed. Finally, the extracted rules were examined and ranked based on expert views. The results indicated that the extracted rules are reliable and can be implemented in the organization.
