Recommender System for Improving Customer Loyalty

ویرایش: 1st ed. 
نویسندگان: Katarzyna Tarnowska,  Zbigniew W. Ras,  Lynn Daniel  
سری: Studies in Big Data 55 
ISBN (شابک) : 9783030134372, 9783030134389 
ناشر: Springer International Publishing 
سال نشر: 2020 
تعداد صفحات: 133 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 4 مگابایت 

قیمت کتاب (تومان) : 48,000



این کتاب سیستم توصیه‌کننده برای بهبود وفاداری مشتری را ارائه می‌کند. محصولات جدید و نوآورانه از کشورهای مختلف ظاهر شده اند، که نیاز به بهبود تجربه مشتری را افزایش داده است. هنگامی که مشتری صدها هزار دلار را برای یک قطعه هزینه می کند، کارآمد نگه داشتن آن برای دستیابی به بازگشت سرمایه مورد نظر بسیار مهم است. علاوه بر این، مدیران دریافته‌اند که ارائه یک تجربه بهتر به مشتری به روش‌های مختلفی نتیجه می‌دهد. مطالعه شرکت های سهامی عام انجام شده توسط Watermark Consulting نشان داد که از سال 2007 تا 2013، شرکت هایی با خدمات بهتر به مشتریان بازدهی کلی به سهامداران داشتند که 26 امتیاز بالاتر از S&P 500 بود. این تنها یکی از بسیاری از مطالعاتی است که قابل اندازه گیری را نشان می دهد. ارزش ارائه یک تجربه خدمات بهتر

سیستم توصیه‌کننده ارائه شده در اینجا به چندین موضوع مهم می‌پردازد. (1) چارچوب تصمیم گیری را برای کمک به مدیران فراهم می کند تا تعیین کنند کدام اقدامات احتمالاً بیشترین تأثیر را بر امتیاز خالص تبلیغ کننده دارند. (2) نتایج بر اساس چندین مشتری است. تکنیک‌های داده‌کاوی به کار گرفته شده در سیستم توصیه‌کننده به کاربران این امکان را می‌دهد که از تجربیات دیگران بیاموزند، بدون اینکه اطلاعات اختصاصی را به اشتراک بگذارند. این به طور چشمگیری قدرت سیستم را افزایش می دهد. (3) گزینه های متن کاوی سنتی را تکمیل می کند. متن کاوی را می توان برای شناسایی فراوانی موضوعات ذکر شده و احساسات مرتبط با یک موضوع مورد استفاده قرار داد. سیستم توصیه‌کننده به کاربران اجازه می‌دهد نظرات خاص و ناشناس مرتبط با مشتریان واقعی را مشاهده کنند. مطالعه این نظرات می تواند بینش بسیار دقیقی در مورد مراحلی که می توان برای بهبود تجربه مشتری برداشت. (4) در نهایت، سیستم یک ویژگی تجزیه و تحلیل حساسیت را فراهم می کند. در برخی موارد، اقدامات خاصی را می توان آسانتر از سایرین اجرا کرد. سیستم توصیه‌کننده به مدیران اجازه می‌دهد تا این اقدامات را «سنگین» کنند و تعیین کنند که کدام یک تأثیر بیشتری دارند.

This book presents the Recommender System for Improving Customer Loyalty. New and innovative products have begun appearing from a wide variety of countries, which has increased the need to improve the customer experience. When a customer spends hundreds of thousands of dollars on a piece of equipment, keeping it running efficiently is critical to achieving the desired return on investment. Moreover, managers have discovered that delivering a better customer experience pays off in a number of ways. A study of publicly traded companies conducted by Watermark Consulting found that from 2007 to 2013, companies with a better customer service generated a total return to shareholders that was 26 points higher than the S&P 500. This is only one of many studies that illustrate the measurable value of providing a better service experience.

The Recommender System presented here addresses several important issues. (1) It provides a decision framework to help managers determine which actions are likely to have the greatest impact on the Net Promoter Score. (2) The results are based on multiple clients. The data mining techniques employed in the Recommender System allow users to “learn” from the experiences of others, without sharing proprietary information. This dramatically enhances the power of the system. (3) It supplements traditional text mining options. Text mining can be used to identify the frequency with which topics are mentioned, and the sentiment associated with a given topic. The Recommender System allows users to view specific, anonymous comments associated with actual customers. Studying these comments can provide highly accurate insights into the steps that can be taken to improve the customer experience. (4) Lastly, the system provides a sensitivity analysis feature. In some cases, certain actions can be more easily implemented than others. The Recommender System allows managers to “weigh” these actions and determine which ones would have a greater impact.

Front Matter ....Pages i-xviii
 Introduction  (Katarzyna Tarnowska, Zbigniew W. Ras, Lynn Daniel)....Pages 1-6
 Customer Loyalty Improvement  (Katarzyna Tarnowska, Zbigniew W. Ras, Lynn Daniel)....Pages 7-11
 State of the Art  (Katarzyna Tarnowska, Zbigniew W. Ras, Lynn Daniel)....Pages 13-19
 Background  (Katarzyna Tarnowska, Zbigniew W. Ras, Lynn Daniel)....Pages 21-39
 Overview of Recommender System Engine  (Katarzyna Tarnowska, Zbigniew W. Ras, Lynn Daniel)....Pages 41-57
 Visual Data Analysis  (Katarzyna Tarnowska, Zbigniew W. Ras, Lynn Daniel)....Pages 59-67
 Improving Performance of Knowledge Miner  (Katarzyna Tarnowska, Zbigniew W. Ras, Lynn Daniel)....Pages 69-85
 Recommender System Based on Unstructured Data  (Katarzyna Tarnowska, Zbigniew W. Ras, Lynn Daniel)....Pages 87-111
 Customer Attrition Problem  (Katarzyna Tarnowska, Zbigniew W. Ras, Lynn Daniel)....Pages 113-122
 Conclusions  (Katarzyna Tarnowska, Zbigniew W. Ras, Lynn Daniel)....Pages 123-124