فایل ورد پيش بيني ترک خدمت مشتريان در شرکت هاي مخابراتي با استفاده از روش هاي ترکيبي داده کاوي

لینک دانلود

 فایل ورد پيش بيني ترک خدمت مشتريان در شرکت هاي مخابراتي با استفاده از روش هاي ترکيبي داده کاوي دارای 14 صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد فایل ورد پيش بيني ترک خدمت مشتريان در شرکت هاي مخابراتي با استفاده از روش هاي ترکيبي داده کاوي  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ريختگي احتمالي در متون زير ،دليل ان کپي کردن اين مطالب از داخل فایل ورد مي باشد و در فايل اصلي فایل ورد پيش بيني ترک خدمت مشتريان در شرکت هاي مخابراتي با استفاده از روش هاي ترکيبي داده کاوي،به هيچ وجه بهم ريختگي وجود ندارد


بخشی از متن فایل ورد پيش بيني ترک خدمت مشتريان در شرکت هاي مخابراتي با استفاده از روش هاي ترکيبي داده کاوي :


سال انتشار : 1395

نام کنفرانس یا همایش : کنفرانس بين المللي فناوري اطلاعات ايران

تعداد صفحات :14

چکیده مقاله:

امروزه وفاداری مشتریان کلید موفقیت تجاری محسوب می شود ، تحقیقات نشان می دهد افزایش وفاداری مشتریان بر میزان سوددهی اثر گذاشته و سازمان ها با برنامه ریزی می توانند منافع بلند مدت خود را تضمین کنند.این مقاله با توجه به اهمیت مشتریان در صنعت مخابرات به مطالعه تحقیقات گذشته و گردآوری اطلاعات از منابع معتبر ضمن ارتباط با مشتریان به مفهوم وفاداری مشتریان در صنعت مخابرات سیار پرداخته است.بنابراین در راستای این که چگونه عوامل موثر بر وفاداری وجود برنامه های وفاداری در یک فضای رقابتی ، وفاداری را شکل می دهد ،تلاش شده است با شناسایی شاخص های هر متغیر، به مدیران این امکان داده شود تا استراتژی های مناسبی برای دسته بندی و وفادار کردن مشتریان پیاده سازی کنند. آنچه در شرکت های مختلف در اعمال مدیریت ارتباط با مشتری متفاوت است ابزارهای پیاده سازی آن است که داده کاوی هم یکی از ابزار های تحلیل مدیریت ارتباط با مشتری محسوب می شود . در این نوشتار با استفاده از ترکیب الگوریتم های خوشه بندی و دسته بندی تلاش شده تا درصد صحت و دقت این پیش بینی بهبود یابد . در بحث پیش پردازش داده ها با استفاده از الگوریتم LOF داده های پراکنده را حذف کرده و همچنین برای کاهش بعد داده ها از الگوریتم SOM و برای انتخاب ویژگی های تاثیرگذار از الگوریتم ژنتیک در این الگوریتم از روش های طبقه بندی Bagging استفاده کرده ایم و در فرآیند خوشه بندی از شاخص های معتبری مانند دیویس بولدین بهره برده ایم و نتیجه آزمایش ها نشان داد که ترکیب الگوریتم خوشه بندی K-means و دسته بندی درخت تصمیم بهترین درصد صحت و بیشترین سطح زیر نمودار AUC را داراست.

توضیحات بیشتر