این مقاله علمی پژوهشی (isi) به زبان انگلیسی همراه با ترجمه تخصصی از نشریه MDPI مربوط به سال ۲۰۲۰ دارای ۲۲ صفحه ی انگلیسی با فرمت PDF و ۴۴ صفحه ترجمه فارسی به صورت فایل WORD قابل ویرایش می باشد در ادامه این صفحه لینک دانلود رایگان مقاله انگلیسی ، بخشی از ترجمه فارسی مقاله و لینک خرید آنلاین ترجمه ی کامل مقاله موجود می باشد.
کد محصول: M1284
سال نشر: ۲۰۲۰
نام ناشر (پایگاه داده): MDPI
نام مجله: technologies
نوع نگارش مقاله: علمی پژوهشی (Research articles)
تعداد صفحه انگلیسی: ۲۲ صفحه PDF
تعداد صفحه ترجمه فارسی: ۴۴ صفحه WORD
قیمت فایل ترجمه شده: ۵۳۰۰۰ تومان
عنوان کامل فارسی:
مقاله انگلیسی ترجمه شده ۲۰۲۰ : روش طبقه بندی مبتنی بر یادگیری ماشین برای آنالیز نظرسنجی تجربه مشتری
عنوان کامل انگلیسی:
A Machine Learning Based Classification Method for Customer Experience Survey Analysis
برای دانلود رایگان مقاله انگلیسی بر روی دکمه ذیل کلیک نمایید
وضعیت ترجمه: این مقاله به صورت کامل ترجمه شده برای خرید ترجمه کامل مقاله بر روی دکمه ذیل کلیک نمایید (لینک دانلود بلافاصله بعد از خرید نمایش داده می شود)
مقالات مرتبط با این موضوع: برای مشاهده سایر مقالات مرتبط با این موضوع (با ترجمه و بدون ترجمه) بر روی دکمه ذیل کلیک نمایید
چکیده فارسی:
تجربه مشتری (CX) از طریق نظرسنجی های بازار ، بر اساس معیارهایی مانند شاخص خالص مروجان (NPS) و رضایت مشتری از ویژگی های تجربه (به عنوان مثال ، مرکز تماس ، وب سایت ، صورتحساب ، کیفیت خدمات ، برنامه تعرفه) کنترل می شود. هدف شرکت ها به حداکثر رساندن NPS از طریق بهبود مهمترین ویژگیهای CX است. با این حال ، تجزیه و تحلیل آماری نشان می دهد که ارتباط شفاف و دقیقی بین شاخص NPS و ویژگی های CX وجود ندارد. در این مقاله ، ما با استفاده از یک روش طبقه بندی جدید ، که بر اساس رگرسیون لجستیک توسعه یافته و با چندین الگوریتم پیشرفته یادگیری ماشین (ML) آزمون شده است ، رابطه فوق را بررسی می کنیم. روش پیشنهادی بر روی مجموعه داده های قابل تعمیم در بخش مخابرات اعمال شد و نتایج کاملاً امیدوار کننده بود ، که نشان دهنده بهبود میزان معناداری در بیشتر معیارهای آماری بود.
کلمات کلیدی: تجربه مشتری ؛ شاخص خالص مروجان ؛ یادگیری ماشین
۱.مقدمه
تجربه مشتری (CX) ، از زمانی که به عنوان یک مفهوم معرفی شده (۱-۴)، به عنوان یک عنصر مهم استراتژی متمایزسازی در صنایع، به ویژه در بازارهای بالغ با فرصتهای اندک تمایز در محصول تکامل یافته است. بخشهای سنتی مانند بانکها، فروشگاههای خرده فروشی، هتلها، اپراتورهای مخابراتی و همچنین شرکتهای مدرن دنیای دیجیتال، CX به عنوان بخشی از موفقیت تجاری خود تاثیرگذار می دانند. CX ارتباط تنگاتنگی با مدیریت وفاداری مشتری دارد و با استفاده از معیارهای مبتنی بر نظرسنجی، با هدف جلب رضایت کلی مشتری، قصد خرید یا توصیه اندازه گیری می شود.(۱). در چنین محیط رقابتی، تحلیل CX موضوعی است که توجه صنعت را به خود جلب می کند و به ویژه بر روش هایی تمرکز می کند که منجر به بینشهایی قابل اجرا می شود...
۸.نتیجه گیری
این مقاله با پیروی از یک رویکرد دو مرحله ای به موضوع تجزیه و تحلیل محرکهای کلیدی NPS می پردازد. در اولین مرحله، طبقه بندی جدیدی از مشتریان بر اساس تعریف “سوگیری NPS ” پیشنهاد شده است. این طبقه بندی که برای تجزیه و تحلیل توصیفی دارای اعتبار است، دو زیر گروه از مشتریان را شناسایی کرده است (یعنی مشتریانی با سوگیری مثبت و منفی). طبقه بندی جدید امکان استفاده از همان فرآیند نمره دهی NPS را فراهم می کند و به نظر می رسد در مقایسه با تجزیه و تحلیل اولیه NPS عملکرد بهتری از نظر دقت و نمره F1 داشته باشد. این مقاله همچنین مثالی را ارائه می دهد که نشان می دهد چگونه روش پیشنهادی می تواند اولویت بندی اقدامات CX را بر اساس رگرسیون لجستیک و مجموعه ای از داده های ماهانه نظرسنجی NPS پشتیبانی کند. ..
Abstract
Customer Experience (CX) is monitored through market research surveys, based on metrics like the Net Promoter Score (NPS) and the customer satisfaction for certain experience attributes (e.g., call center, website, billing, service quality, tariff plan). The objective of companies is to maximize NPS through the improvement of the most important CX attributes. However, statistical analysis suggests that there is a lack of clear and accurate association between NPS and the CX attributes’ scores. In this paper, we address the aforementioned deficiency using a novel classification approach, which was developed based on logistic regression and tested with several state-of-the-art machine learning (ML) algorithms. The proposed method was applied on an extended data set from the telecommunication sector and the results were quite promising, showing a significant improvement in most statistical metrics.
Keywords: customer experience; net promoter score; machine learning
۱.Introduction
Customer Experience (CX), since its introduction as a concept [1–۴], has evolved as a key differentiation strategy element across industries, especially in mature markets with low product differentiation opportunities. Traditional sectors like banks, retail stores, hotels, telecom operators as well as modern digital world corporations recognize the role of CX as part of their commercial success. CX is closely related to customer loyalty management and is measured using survey-based metrics aiming to capture the overall customer satisfaction, purchase or recommendation intention [1]. As more and more companies are adopting CX excellence strategies, customers receive a higher quality of experience, which further raises the bar of CX competition. In such a competitive environment, CX analytics is a topic that attracts the attention of the industry, especially focusing on methods that lead to actionable insights…
۸.Conclusions
The paper addresses the issue of NPS key drivers’ analysis following a two-step approach. In the first step, a novel classification of customers based on “NPS bias” definition is proposed. This classification, which is valid for descriptive analysis, leads to the identification of two sub-groups of customers (namely the positively and negatively biased customers). The new classification allows for the employment of the same NPS scoring process and seems to have an improved performance in terms of accuracy and F1-score, compared to the original NPS analysis. The paper also provides an example of how the proposed method can support the prioritization of CX actions based on logistic regression and a set of monthly NPS survey data…