پژوهش های نوین در تصمیم گیری

چکیده ریزش مشتریان یک چالش مهم برای صنعت ارتباطات از راه دور است که نیاز به استراتژی‌های موثر برای پیش‌بینی و پیشگیری دارد. در حالی که تحقیقات قبلی روش‌های مختلفی از جمله مدل‌سازی مبتنی بر عامل (ABM) را بررسی کرده‌اند، محدودیت‌ها همچنان وجود دارد. رویکردهای موجود به شدت بر ساختارهای نظری متکی هستند که منجر به مدل‌های ساده‌سازی شده و استفاده محدود از داده‌ها می‌شود. این مطالعه به یک شکاف تحقیقاتی مهم می پردازد: عدم وجود یک چارچوب جامع داده محور که داده های مشتری را با تصمیمات فردی و تعاملات اجتماعی برای پیش بینی ریزش در بازارهای مخابراتی یکپارچه می کند. برای پر کردن این شکاف، پس از مطالعه کسب و کار و مجموعه داده، یک مدل مفهومی ایجاد می شود. داده ها برای برآوردن معیارهای مدل از پیش پردازش می شوند. یادگیری ماشین (ML) برای برون یابی ویژگی های گمشده با استفاده از مدل رگرسیون استفاده می شود. مدل در یک ABM پیاده سازی شده است. طبقه بندی ML برای تعیین رفتار ریزش عوامل استفاده می شود. ABM حاصل با داده های واقعی و برون یابی غنی شده و در شبیه سازی استفاده می شود. مدل معتبر برای استفاده پیشرفته‌تر با یک بهینه‌ساز جفت می‌شود و کل فرآیند در یک چارچوب یکپارچه شکل می‌گیرد. نشان داده شده است که این چارچوب در سناریوهای مختلف رفتار ریزش را به درستی تعیین کرده است. همچنین توانایی های خود را در شرایطی نشان داده است که یک رقیب به طور تهاجمی برای افزایش سهم بازار خود حرکت می کند و مدل آن فرموله کردن پاسخ است. پاسخ پیشنهادی نه تنها منجر به بازیابی سهم از دست رفته 3 درصدی بازار شد، بلکه 8.6 درصد دیگر از سهم بازار را بدون آسیب رساندن به سود شرکت به دست آورد. این تحقیق به پیشرفت درک و مدیریت ریزش مشتری در صنعت مخابرات کمک می کند.