در ادامه مباحث کاربردهای هوش مصنوعی در زمینه خدمات و تعامل هوشمند با مشتریان، در این بخش به پیشبینی ریزش مشتریان با استفاده از هوش مصنوعی در صنعت تلکام میپردازیم. در ادامه، ریزش مشتری در صنعت تلکام و روشهای نوین برای پیشبینی و مقابله با آن بیان میشود.
بر اساس گزارش Harvard Business School، ریزش مشتری تأثیر بسیار مهمی در صنایع دارد، به طوریکه افزایش نرخ حفظ مشتری به میزان ۵ درصد میتواند سود را بین ۲۵ تا ۹۵ درصد در یک دوره زمانی افزایش دهد. در نظرسنجی که در سال ۲۰۲۲ در رابطه با وضعیت ریزش مشتری در صنعت تلکام انجام شد، مشخص شد که وفاداری مشتریان به ارائهدهندگان خدمات مخابراتی پس از همهگیری (COVID-19) ، ۲۲ درصد کاهش یافته است و وفاداری مشتری بیش از هر زمان دیگری تحت تأثیر تجربه مشتری قرار گرفته است. علاوه بر این، مشتریان در حال حاضر حساسیت بیشتری نسبت به قیمت دارند و ۵۸ درصد آنها پیشنهادات مخابراتی را گران میدانند. متوسط نرخ ریزش در صنعت تلکام نسبت به صنایع دیگر بالا است. در حالی که صنایع دیگر دارای میانگین نرخ ریزش تقریبا %۱۲ تا %۱۵ برای بازارهای اروپای غربی است، صنعت تلکام دارای میانگین نرخ ریزش %۳۰ تا %۳۵ است. دلایل این موضوع میتواند شامل: سرعت پایین شبکه، خدمات مشتری ضعیف و بالا بودن قیمت باشد. ریزش مشتری میتواند عواقب جدی داشته باشد. امروزه ریزش مشتری بیش از هر زمان دیگری اهمیت پیدا کرده است و یکی از چالشهای بزرگی است که شرکتهای مخابراتی با آن روبهرو هستند.
تا چندی پیش، پیشبینی ریزش مشتری با استفاده از تجزیه و تحلیل دستی دادههای مشتری و روشهای سنتی انجام میشد که این موضوع زمانبر بود و اغلب نتایج مطلوب را به همراه نداشت. در سالهای اخیر، با پیشرفت هوش مصنوعی و حل شدن مشکلات مربوط به استفاده از آن در عمل، یادگیری ماشین(زیرمجموعهای از هوش مصنوعی) و یادگیری عمیق(زیرمجموعهای از یادگیری ماشین) ابزارهای قدرتمندی هستند که شرکتهای مخابراتی میتوانند از آنها برای پیشبینی ریزش مشتریان و حفظ مشتریان خود استفاده کنند. این ابزارها در بسیاری از صنایع استفاده میشوند و میتوان از آنها در صنعت تلکام نیز استفاده نمود. با استفاده از یادگیری ماشین/یادگیری عمیق میتوانیم پیشبینی کنیم که کدام یک از مشتریان احتمالا خدمات یا اشتراک خود را ترک یا لغو میکنند. بنابراین، با توجه به مشکلات مربوط به حفظ تمام مشتریان، میتوان بر روی این دسته از مشتریان بالقوّه تمرکز نمود و راه حلها و اقدامات پیشگیرانه را برای حفظ و نگهداری آنها انجام داد. برای استفاده از مدلهای یادگیری ماشین وجود دیتاست یک موضوع ضروری است. بنابراین، شرکتهای مخابراتی برای استفاده از این مدلها در زمینه پیشبینی ریزش مشتری ابتدا باید دیتاست مربوطه را جمعآوری کنند؛ سپس باید بقیه مراحل مربوط به انجام یک پروژه یادگیری ماشین (پیشپردازش داده، مهندسی ویژگی، ساخت مدل، آموزش مدل، ارزیابی مدل، تنظیم هایپرپارامترها برای بهبود وضعیت مدل، تخمین خطای تعمیم و استقرار مدل) را انجام دهند.
منبع:
[۱] www.akkio.com/post/telecom-customer-churn
[۲]www.researchgate.net/publication/369790574_Churn_Prediction_in_Telecommunication_Industry
[۳] elmnet.ir/article/20702183-61281/روش-های-موثر-پیش-بینی-ریزش-مشتری-مبتنی-بر-تحلیل-شبکه-اجتماعی
[۴] www.nature.com/articles/s41598-023-44396-w
[۵] hbswk.hbs.edu/archive/the-economics-of-e-loyalty
[۶] towardsdatascience.com/machine-learning-case-study-telco-customer-churn-prediction