روی گردانی مشتری

انصراف دانشجو یکی از چالش های پیش روی آموزش عالی است. مقاله حاضر رویکرد پذیرش دانشجوی شهریه پرداز را نوعی کسب وکار و انصراف دانشجو را روی گردانی مشتری در نظر گرفته است و به دنبال بررسی عوامل انصراف دانشجویان و اتخاذ سیاست های مداخله جویانه بازدارنده است. پژوهش پیش رو کاربردی از نوع توصیفی است که به کمک داده های کمی و کیفی بر مبنای روش پژوهش کریسپ از داده کاوی اطلاعات دانشجویان ورودی شهریه پرداز (21420 دانشجو دانشگاه تهران طی سال های 1392- 1388) استخراج شده از بانک های اطلاعاتی سیستم آموزش دانشگاه تهران، اجرا شده است. هدف آن، تحلیل رفتار دانشجویان به منظور شناسایی دانشجویان در معرض خطر انصراف و ارائه مدل پیش بینی احتمال انصراف است. پس از تحلیل داده ها و ارائه مدل پیش بینی، جدول احتمال انصراف و مدل رگرسیونی انصراف، یافته های پژوهش ترم اول و دوم (به ویژه ترم اول در دوره سنی 31-24 سال) را به منزله پرخطرترین دوره زمانی، دانشجویان ارشد را مستعدترین مقطع و دوره شبانه را پرخطرترین دوره تحصیلی برای انصراف دانشجو (روی گردانی مشتری) شناسایی کرد.

امروزه سازمان ها به این آگاهی رسیده اند که حفظ مشتریان باعث سودآوری بیشتر می شود. همچنین، افزایش رقابت نیز باعث می شود تا میزان روی گردانی مشتریان افزایش یابد؛ از این رو مطالعه عوامل مؤثر بر تمایل به روی گردانی یا عدم رو ی گردانی مشتریان برای پژوهشگران و فعّالان کسب وکار ها اهمیت دارد. در پژوهش حاضر یک مدل ترکیبی مبتنی بر رویکرد داده کاوی برای تحلیل عوامل رو ی گردانی مشتریان ارائه شده است. در گام نخست برای شناسایی عوامل با درجه اهمیت زیادتر و حذف موارد زائد از گره انتخاب ویژگی استفاده و در گام دوم نیز برای طبقه بندی و پیش بینی مشتریان به دو دسته مشتریان روی گردان و مشتریان غیر روی گردان از درخت تصمیم C5.0 و شبکه بیزین استفاده شده است. درنهایت، مدل پیشنهادی در صنعت فروشگاه های زنجیره ای به عنوان مطالعه موردی پیاده سازی شده است. یافته های پژوهش حاکی از آن است که هر دو مدل درخت تصمیم و شبکه بیزین توانایی مناسب را برای پیش بینی روی گردانی مشتریان دارد و سطح زیر منحنی عملیاتی گیرنده در مدل درخت تصمیم بیشتر از مدل شبکه بیزین بوده است؛ درنتیجه مدل درخت تصمیم عملکرد بهتری دارد. همچنین، نتایج نشان می دهد که سه عامل جنسیت، وضعیت تأهل و سن از مجموعه مشخصه های دموگرافیک و پنج عامل متوسط سطح درآمد ماهیانه، تعداد خرید در ماه، سهم خرید اینترنتی، نحوه آشنایی با فروشگاه و نوع بازار مربوط به سوابق تراکنش های مشتریان از مهم ترین عوامل مؤثر بر روی گردانی مشتریان است.

هدف: در صنعت بانکداری، حفظ مشتریان وفادار به مراتب کم هزینه تر و سودآورتر از جذب مشتریان جدید است. روی گردانی مشتریان به عنوان یکی از چالش های اصلی بانک ها، تاثیر مستقیمی بر کاهش سودآوری، افزایش هزینه های بازاریابی و افت سهم بازار دارد. پژوهش حاضر با هدف ارزیابی عملکرد الگوریتم های یادگیری ماشین در پیش بینی روی گردانی مشتریان شعب یک بانک دولتی در سال های 1400 تا 1403 انجام شده است. با توجه به اهمیت حفظ مشتریان وفادار و کاهش هزینه های ناشی از ریزش مشتریان، این مطالعه تلاش دارد مدلی کارآمد و تفسیرپذیر برای شناسایی مشتریان در معرض ریزش ارایه دهد. روش شناسی پژوهش: مطالعه حاضر از نوع توصیفی-تحلیلی و گذشته نگر است. داده های مربوط به 2025 مشتری فعال طی دوره 1400 تا 1403 گردآوری شد. برای هر مشتری 12 ویژگی شامل مشخصات تراکنشی، رفتاری و جمعیت شناختی ثبت گردید. داده ها پس از پاک سازی، با استفاده از روش z-score نرمال سازی شدند. سپس با پیاده سازی الگوریتم های مختلف یادگیری ماشین شامل درخت تصمیم، جنگل تصادفی، ماشین بردار پشتیبان، شبکه عصبی پرسپترون چندلایه، شبکه بیزین و XGBoost در محیط R، عملکرد مدل ها با استفاده از روش اعتبارسنجی متقاطع 10تایی و بر مبنای معیارهای صحت، حساسیت و ویژگی مقایسه شد. یافته ها: از بین 2025 مشتری بررسی شده، تعداد 325 نفر معادل %16 به عنوان مشتریان روی گردان شناسایی شدند. بررسی آماری نشان داد متغیرهای سن، مدت زمان رابطه با بانک و میانگین سپرده ها در 6 ماه گذشته بین دو گروه تفاوت معناداری ندارند. مدل XGBoost با صحت %89/96 حساسیت %11/87 و ویژگی %71/98 بالاترین عملکرد را نسبت به سایر الگوریتم ها نشان داد. همچنین سطح زیر منحنی نمودار مشخصه عملکرد برای این مدل برابر با 9907/0 محاسبه شد که بیانگر دقت بسیار بالا در طبقه بندی است. اصالت/ارزش افزوده علمی: در این پژوهش ویژگی سازی (Feature Engineering) خاص بانکی انجام شده است. متغیرهای جدید از تراکنش ها یا رفتار مشتری استخراج شده که در مقالات مشابه کمتر استفاده شده است مانند تغییر تعداد تراکنش های سه ماهه چهارم به سه ماهه اول و ... ترکیب رویکردهای پیشرفته یادگیری ماشین و استفاده از داده های مربوط به مشتریان یکی از بانک های ایران ضرورت و اهمیت این پژوهش را بیشتر نمایان می سازد. همچنین این مطالعه یکی از معدود پژوهش هایی است که عملکرد چندین الگوریتم ML را در محیط بانکی ایران با بهره گیری از تحلیل تفسیرپذیر و اعتبارسنجی دقیق مقایسه می کند. نتایج آن می تواند به سیاست گذاران بانکی در طراحی اقدامات پیشگیرانه برای حفظ مشتریان کمک شایانی کند.