نشریه بین المللی مهندسی صنایع و مدیریت تولید

---

به‌کارگیری ریاضیات تصمیم‌ در تخصیص بودجه‌های ارتباط با مشتری حمیدرضا کوشا1 ,امیر البدوی2 چکیده: ریاضیات تصمیم‌ (DC) رویکردی مبتنی بر قضاوت است که در مدل‌سازی دنیای واقعی، نظر مدیریت را نیز در نظر می‌گیرد. به عبارت دیگر، نظر مدیریت در مدل-سازی آنچه در دنیای واقعی اتفاق می‌افتد، به گونه‌ای اعمال می‌گردد که مدیر با مدل یکپارچه ‌گردد. این شیوه مدل‌سازی نخستین بار توسط لیتل معرفی گردید و در حوزه‌های مختلف به خصوص در حوزه بازاریابی و ارتباط با مشتری به کار گرفته شد. هدف اصلی این تحقیق ارایه کاربرد رویکرد ریاضیات تصمیم در تخصیص بودجه-های ارتباط با مشتریان و بازاریابی است. در این مقاله پیشنهاد شده است که در صورت وجود اطلاعات بازار و پیچیدگی بالا از مدل‌های ترکیبی استفاده شود. مدل‌های ترکیبی طبق تعریف این مقاله علاوه بر آنکه از قضاوت مدیریت استفاده می‌کنند، از اطلاعات گذشته نیز حداکثر استفاده می‌نمایند و مدلی متکی بر داده‌های گذشته و قضاوت مدیریت فراهم می‌کنند. در این مقاله بر اساس رویکرد ترکیبی مدلی ساده برای تخصیص بودجه ارایه می‌شود. سپس رویکردی پیچیده‌تر برای تخصیص بودجه‌های ارتباط با مشتری متکی بر ریاضیات تصمیم و مدل زنجیره مارکوف ارایه می‌گردد. پیش‌بینی می‌شود که نتایج این تحقیق به تحلیل‌گران حوزه مدیریت ارتباط با مشتری کمک کند که بتوانند در مورد استفاده از مدل‌های ریاضی یا مدل‌های مبتنی بر قضاوت مدیریت، تصمیم‌گیری بهتری در خصوص نحوه تخصیص بودجه‌های ارتباط با مشتری داشته باشند. کلمات کلیدی: ریاضیات تصمیم‌ (DC)، تخصیص بودجه ارتباط با مشتری، قضاوت مدیریت، رگرسیون، زنجیره مارکوف، ماتریس انتقال.

---

رقابتی شدن صنعت بیمه در سال‌های اخیر و ورود بخش خصوصی به این عرصه، توجه به پیش‌بینی رویگردانی مشتری را با اهمیت ساخته است. در این پژوهش، تعدادی از تکنیک‌های شناخته شده دسته‌بندی داده‌کاوی برای پیش‌بینی رویگردانی مشتری در صنعت بیمه به کار گرفته شده است. برای نخستین بار پیش‌بینی‌ رویگردانی مشتری در یک سازمان بیمه‌ای‌ با استفاده از تکنیک ماشین‌ بردار پشتیبان (SVM) انجام می‌شود. در این مقاله نخست از الگوریتم ژنتیک برای فرایند انتخاب مشخصه‌‌های تأثیرگذار استفاده شده است. پس از مدل‌سازی مسأله، پارامترهای مدل ماشین بردار پشتیبان با استفاده از دو روش جستجوی شبکه و اعتبارسنجی متقابل K لایه، بهینه می‌شوند. عملکرد پیش‌بینی روش SVM با روش‌های درخت‌ تصمیم، شبکه‌های عصبی، رگرسیون لجستیک، جنگل تصادفی، دسته‌بندی‌کننده‌ بیزی، K نزدیک‌ترین ‌همسایگی، مقایسه و بهینه‌سازی پارامترهای هر روش با استفاده از جستجوی شبکه انجام شده است. یافته‌های تحقیق نشان می‌دهد که روش ماشین بردار پشتیبان از عملکرد بالاتری نسبت به سایر روش‌ها برخوردار است. در مدل پیشنهادی مبتنی بر این روش، مشخصه‌های سابقه‌ خرید، نحوه‌ آشنایی با سازمان و تمایل به خرید، به‌ عنوان مشخصه‌های اصلی پیش‌بینی‌کننده رویگردانی مشتری شناسایی شدند. در این پژوهش با توجه به مشخصه‌های اصلی پیش‌بینی‌کننده‌ رویگردانی، راهکارهایی برای جلوگیری از رویگردانی مشتری ارائه شده است.