Klientide ebalojaalseks muutumise ennetamine ja klientide hoidmine tuginedes personaliseeritud soovitussüsteemile supermarketites

Abstract

Ebalojaalsed kliendid on olnud jaemüüjatele võtmetähtsusega saamata jäänud\n\rmüügitulu valdkonnas, eriti kui see puudutab internetivälist kaubandust. Kuna\n\rkliendid ei ole seotud lepingutega, siis nad sageli otsustavad konkurentide kasuks, sest konkurendid pakuvad erinevaid soodustusti ja stiimuleid.\n\rSelleks, et selliseid juhtumeid piirata, pakutakse välja raamistik, milles identifitseeritakse kliendid, kes muutvad ebalojaalseteks 3 kuni 6 kuu jooksul, tunduvalt varem järelvalvega masinõppe lähenemisega (Supervised Machine Learning Approach).\n\rKui ebaloojalsed kliendid tuvastatakse, luuakse soovitussüsteem tuginedes\n\rnende tehingute ajaloole, soovitamaks neile erinevaid tooteid, misläbi ennetatakse klientide ebaloojalseks muutumist.\n\rSelles töös pakutakse välja uus algoritmiline raamistik, et tuginedes soovitussüsteemile ületada ebalojaalsete klientide probleem. Efektiivseim viis ebaloojalse kliendi identifitseerimiseks tugineb RFM (äsjasus, sagedus ja raha) tunnustele. Mudelid on ehitatud erinevatele tarbijaga ja tema mineviku ostukäitumisega seotud tunnustele. Õige ja eesmärki teeniva algoritmi tuvastamine on võtmetähtsusega ning selleks rakendatakse ja testitakse toimimist mitmete erinevate algoritmidega nagu näiteks otsustusmets, k-lähima naabri meetod, otsustuspuud ning klassifitseerija võimendamismeetod gradiendiga.\n\rSoovitusmudel, mida kasutatakse, on kasutajapõhine kaasfiltreerimismeetod ja\n\rasjapõhine soovitussüsteem. Katsed viiakse läbi kasutades reaalseid turult saadud andmeid, et tõestada väljapakutava raamistiku efektiivsust. Seega churn'i ja soovitusmudeliga tuvastatakse potentsiaalsed ebaloojalsed kliendid ning seeläbi suudetakse neid kliente hoida.

Customer churn has been a key area of revenue loss for retailers specifically\n\rwhen it concerns an offline market. As customers are not bound by any contract,\n\rit is often the case that they are lost to the whims of discounts and incentives\n\roffered by competitors.\n\rIn order to curtail this situation we suggest a framework wherein customers who\n\rare going to churn in 3-6 months are identified well in advance with supervised\n\rmachine learning approach. Once churners are identified we train a recommendation\n\rsystem based on their transactional history to suggest products and therefore\n\rprevent churners from churning.\n\rIn this paper, a novel algorithmic framework is suggested to overcome the\n\rchurn issue with the help of recommendation system. The most effective way to\n\ridentify a churner is based on RFM (Recency, Frequency and Money) features.\n\rThe models are built on various features about the customer and their shopping\n\rhabits in the past. Identifying the right algorithm which serves the purpose is of\n\rutmost importance and for that we apply and test the performance of quite a few\n\ralgorithms namely Random Forest, K-Nearest Neighbors, Decision Tree, Gradient\n\rBoosting Method.\n\rRecommender Model applied are User Based Collaborative Filtering and Item\n\rBased Recommmender System. Experiments are performed on real market data\n\rto prove the effectiveness of proposed framework. Thus with the help of churn and recommender model, churners are identified and retained.