توضیحات
ABSTRACT
Customer retention is a critical concern for mobile network operators because of the increasing competition in themobile services sector. Such unease has driven companies to exploit data as an avenue to better understand changing customer behavior. Data-mining techniques such as clustering and classification have been widely adopted in the mobile services sector to better understand customer retention. However, the effectiveness of these techniques is debatabledue to the constant change and increasing complexity of the mobile market itself. This design study proposes an application of agent-based modeling and simulation (ABMS) as a novel approach to understanding customer behavior through the combination of market and social factors that emerge from data. External forces at play and possible company interventions can then be added to data-derived models. A dataset provided by a mobile network operator is utilized to automate decision-tree analysis and subsequent building of agent-based models. Popular churn modeling techniques were adopted in order to automate the development of models, from decision trees, and subsequently explore possible customer churn scenarios. ABMS is used to understand the behavior of customers and detect reasons why customers churned or stayed with their respective mobile network operators. A CART decision-tree method is presented that identifies agents, selects important attributes, and uncovers customer behavior – easily identifying tenure, location, andchoice of mobile devices as determinants for the churn-or-stay decision. Word of mouth between customers is alsoexplored as a possible influence factor. Importantly, methods for automating data-driven agent-based simulation modelgeneration will support faster exploration and experimentation – including with those determinants from a wider market or social context.
INTRODUCTION
Simulation models that describe domain-specific agents are widely used and popular tools for understanding phenomena. These models have been used across industries and provide insights into a range of complex problems. Agent-based models (ABMs) allow researchers and practitioners to study how system-level properties emerge fromthe adaptive behavior of individuals and conversely how systems affect those individuals.1 Domain-specific data sources, such as log or transaction files, are typically used to construct agents and their operating environments. ABMs consist of a number of entities with individual rules of behavior. Entities in such models interact with one another and with their surrounding environment. Such interaction may influence the behavior of agents.Harnessing this information and understanding the influence of agents’ interaction with other agents and agent interaction with the environment can provide useful insights to business problems – in this case, customerchurn.
چکیده
نگهداری مشتری نگرانی مهمی برای اپراتورهای شبکه تلفن همراه به دلیل رقابت در حال افزایش در بخش خدمات تلفن همراه است. چنین نگرانی، شرکت ها را به سوء استفاده از داده ها به عنوان راهی برای درک تغییر رفتار مشتری ترجیح داده است. تکنیک های داده کاوی مانند خوشه بندی و طبقه بندی در بخش خدمات تلفن همراه به طور گسترده ای مورد استفاده قرار گرفته است تا بتواند مشتری را حفظ کند. با این حال، اثربخشی این تکنیک ها به تغییر دائمی و پیچیدگی بازار تلفن همراه قابل بحث است. این مطالعه طراحی، کاربرد مدل سازی و شبیه سازی مبتنی بر عامل (ABMS) را به عنوان روش جدید برای درک رفتار مشتری از طریق ترکیبی از عوامل بازار و اجتماعی که از داده ها ارائه می شود، پیشنهاد می کند. نیروهای خارجی در بازی و مداخلات شرکت ممکن است به مدل های مشتق شده از داده اضافه شوند. یک مجموعه داده ای که توسط یک اپراتور شبکه تلفن همراه ارائه می شود برای تجزیه و تحلیل خودکار تصمیم گیری و ساختن مدل های مبتنی بر عامل استفاده می شود. تکنیک های مدل سازی چوپان محبوب برای به طور خودکار توسعه مدل ها، از درخت های تصمیم گیری، و سپس بررسی سناریوهای احتمالی مشتری، اتخاذ شد. ABMS برای درک رفتار مشتریان و شناسایی دلایل اینکه چرا مشتریان آنها با استفاده از اپراتورهای تلفن همراه خود متوقف شده یا باقی مانده اند. روش درخت تصمیم سبد خرید ارائه شده است که عوامل شناسایی، انتخاب مشخصه های مهم، و آشکار رفتار مشتری – به راحتی شناسایی تصدی، محل، andchoice از دستگاه های تلفن همراه به عنوان عوامل تعیین برای تصمیم گیری بوسیله اسباب گردنده یا اقامت. کلام دهان بین مشتریان نیز به عنوان یک عامل تاثیر گذار ممکن است مورد بررسی قرار گیرد. جمله کسانی که با عوامل از یک بازار گسترده تر و یا زمینه اجتماعی – نکته مهم، روش های اتوماسیون برای اطلاعات محور مبتنی بر عامل ModelGeneration شبیه سازی خواهد اکتشاف سریع تر و آزمایش را پشتیبانی کند.
مقدمه
مدل های شبیه سازی که عامل های خاص را توصیف می کنند به طور وسیعی مورد استفاده و ابزارهای محبوب برای پدیده ها هستند. این مدل ها در سراسر صنایع مورد استفاده قرار گرفته و بینش های متعددی از مشکلات پیچیده ای را ارائه می دهند. مدل مبتنی بر عامل (ABM ها) محققان و پژوهشگران اجازه می دهد به مطالعه و بررسی چگونگی خواص سطح سیستم fromthe رفتار انطباقی افراد ظهور و برعکس چگونه سیستم دامنه تاثیر این منابع داده individuals.1 خاص، مانند فایل های ورود و یا معامله، به طور معمول استفاده می شود برای عوامل سازنده و محیط های عامل آنها. ABM ها شامل تعدادی از اشخاص با قوانین فردی رفتار است. اشخاصی در چنین مدلهایی با یکدیگر و با محیط اطراف خود ارتباط برقرار می کنند. چنین تعامل می تواند بر رفتار عوامل تأثیر بگذارد. استفاده از این اطلاعات و درک تاثیر تاثیر عوامل مؤثر بر عوامل دیگر و تعامل عامل با محیط می تواند بینش مفیدی را برای مشاغل کسب و کار فراهم کند – در این مورد، مشتریان.
Year: 2018
Publisher : SAGE
By : David Bell and Chidozie Mgbemena
File Information: English Language/ 18 Page / size: 1.41 MB
سال : 1396
ناشر : SAGE
کاری از : دیوید بل و Chidozie Mgbemena
اطلاعات فایل : زبان انگلیسی / 18 صفحه / حجم : MB 1.41
نقد و بررسیها
هنوز بررسیای ثبت نشده است.