فایل ورد کامل تسهیل فروش متقابل در بازار مخابراتی تلفن همراه برای توسعه مدل طبقه بندی مشتری براساس تکنیک های داده کاوی هیبریدی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل تسهیل فروش متقابل در بازار مخابراتی تلفن همراه برای توسعه مدل طبقه بندی مشتری براساس تکنیک های داده کاوی هیبریدی،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۳۲ صفحه

همانطور که رقابت بین اپراتورهای مخابراتی تلفن همراه شدید می شود، تنوع بخشیدن به حوزه های کسب و کار برای اپراتور بسیار حیاتی می گردد. بویژه، اپراتورهای تلفن همراه از ارتباط صوتی سنتی به خدماتارزش افزوده تلفن همراه (VAS) روی می آوردند که خدمات جدیدی برای تولید درآمد متوسط بیشتر برای هر کاربر (ARPU) هستند. بعبارت دیگر، فروش متقابل برای اپراتورهای مخابراتی تلفن همراه جهت توسعه درآمد و سود آنها حیاتی است. در این مطالعه، مدل طبقه بندی مشتری را پیشنهاد می دهیم که برای تسهیل فروش متقابل در بازار مخابراتی تلفن همراه استفاده می شود. مدل ما از داده های گردآوری شده در مورد مشتری های موجود از جمله داده های جمعیت شناختی و الگوها برای استفاده از محصولات یا خدمات قدیمی جهت یافتن محصولات و خدمات جدید با پتانسیل فروش بالا استفاده می کند. تکنیک های داده کاوی مختلف برای مدل پیشنهادی ما در دو مرحله اعمال می شوند. در مرحله اول، چندین تکنیک طبقه بندی مانند رگرسیون لجیستیک، شبکه های عصبی مصنوعی، و درخت تصمیم گیری بطور مستقل برای پیش بینی خرید محصولات جدید اعمال می شوند و هر مدل نتایج پیش بینی خود را بعنوان شکلی از احتمالات ارائه می دهند. در مرحله دوم، مدل ما این احتمالات را با استفاده از الگوریتم ژنتیک (GA) اصلاح نموده، و تصمیم نهایی را برای مشتری هدف در مورد اینکه آیا محصول جدید را خریداری خواهد کرد یا خیر اخذ می کند. برای معتبرسازی کارایی مدل، آن را برای یک نمونه شرکت مخابراتی تلفن همراه در کره استفاده کردیم. در نتیجه، نشان دادیم این مدل اطلاعات باکیفیتی برای فروش متقابل ارائه داده، و GA در مرحله دوم نقش قابل توجهی در بهبود عملکرد دارد.

کلیدواژه ها: طبقه بندی مشتری | الگوریتم های ژنتیک | رگرسیون لجیستیک | شبکه عصبی مصنوعی | درخت تصمیم گیری | بازار مخابراتی تلفن همراه

عنوان انگلیسی:

Facilitating cross-selling in a mobile telecom market to develop customer classification model based on hybrid data mining techniques

~~en~~ writers :

Hyunchul Ahn, Jae Joon Ahn, Kyong Joo Oh, Dong Ha Kim

As the competition between mobile telecom operators becomes severe, it becomes critical for operators
to diversify their business areas. Especially, the mobile operators are turning from traditional voice communication to mobile value-added services (VAS), which are new services to generate more average revenue per user (ARPU). That is, cross-selling is critical for mobile telecom operators to expand their
revenues and profits. In this study, we propose a customer classification model, which may be used for
facilitating cross-selling in a mobile telecom market. Our model uses the cumulated data on the existing
customers including their demographic data and the patterns for using old products or services to find
new products and services with high sales potential. The various data mining techniques are applied
to our proposed model in two steps. In the first step, several classification techniques such as logistic
regression, artificial neural networks, and decision trees are applied independently to predict the purchase of new products, and each model produces the results of their prediction as a form of probabilities.
In the second step, our model compromises all these probabilities by using genetic algorithm (GA), and
makes the final decision for a target customer whether he or she would purchase a new product. To validate the usefulness of our model, we applied it to a real-world mobile telecom company’s case in Korea.
As a result, we found that our model produced high-quality information for cross-selling, and that GA in
the second step contributed to significantly improve the performance.

Keywords: Customer classification | Genetic algorithms | Logistic regression | Artificial neural network | Decision tree | Mobile telecom market

$$en!!