ارائه مدل پیش‏ بینی رضایت مشتریان از خدمات پشتیبانی نرم‏ افزار شرکت همکاران سیستم با رویکرد داده‏‌کاوی

پژوهش های مدیریت راهبردی

مقاله 5، دوره 24، شماره 68، خرداد 1397، صفحه 115-133   

نوع مقاله: علمی _ پژوهشی

نویسندگان

بابک سهرابی^{* 1}؛ ایمان رئیسی وانانی²؛ سمانه کشاورزی³

¹استاد مدیریت فناوری اطلاعات، دانشکده مدیریت دانشگاه تهران

²استادیار مدیریت صنعتی، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبائی

³دانشجوی کارشناسی ارشد، مدیریت فناوری اطلاعات، دانشگاه تهران؛

چکیده

کیفیت کار خود قلمداد می‌کنند. از آنجا که تقریباً کلیه سازمان‌های امروزی نیازمند رقابت در عرصه‌های مختلف از جمله خدمات هستند، ارائه خدمات با کیفیت در دستیابی به مزیت رقابتی پایدار از اهمیت قابل ملاحظه‌ای برخوردار است. سازمان‌ها و شرکت‌ها جهت بقاء و موفقیت در بازارهای رقابتی، ناگزیرند خدماتی با کیفیت به مشتریان ارائه کنند. نتایج بسیاری از پژوهش­­­­­ها نشان می‌دهد کیفیت خدمات مقدمه‌ای برای رضایت مشتری است. با این وجود، بسیاری از شرکت‌های مشتری‌مدار در فرآیند تشخیص و ارزیابی ترجیحات مشتریان با مشکل مواجه شده و اغلب درک اشتباهی از خواسته‌ها و انتظارات مشتریان دارند، زیرا ارائه خدمات با کیفیت بالاتر مستلزم شناخت روابط بین خواسته‌های مشتریان و کیفیت خدمات ارایه‌شده توسط شرکت است. سازمان­­ها و شرکت­های ارائه­دهنده خدمات نرم­افزاری نیز از این قائده مستثنی نیستند. هدف از این پژوهش ارائه مدلی در جهت پیش­بینی میزان رضایت مشتریان از خدمات پشتیبانی ارائه‌شده، تعیین میزان تأثیر هر یک از متغیرهای اثرگذار بر رضایت مشتریان و اطلاع از سطح رضایت مشتریان از خدمات پشتیبانی در شرکت مذکور است. که بدین منظور الگوریتم­های پیش­بینی در داده­کاوی از جمله الگوریتم­های طبقه­بندی و رگرسیون و با استفاده از نرم­افزار رپیدماینر بر روی داده­ها اجرا شدند. از میان این روش­ها آنهایی که بالاترین میزان دقت و کمترین میزان خطا را داشتند به‌عنوان روش­های منتخب، برگزیده شدند. همچنین از روش وزن­دهی برای مشخص کردن موثرترین متغیر­ها در رضایت مشتری استفاده شد تا نتایج حاصل از اینها به‌منظور اتخاذ تصمیمات و پیاده‌سازی راهکارهای بهبود رضایت مشتری در اختیار مدیران شرکت قرار گیرد.

کلیدواژه‌ها

رضایت مشتری؛ داده‌کاوی؛ خدمات صنعت نرم‌افزار

مراجع

جعفری، سید اکبر (1393). بررسی تأثیر کیفیت خدمات بر رضایتمندی مشتریان در بانک قرض الحسنه مهر ایران، کارشناسی ارشد اقتصاد کشاورزی، دانشگاه آزاد اسلامی واحد ارسنجان.
سهرابی، بابک، رئیسی، ایمان، زارع، فائزه (1395). طراحی سیستم توصیه­گر به‌منظور بهینه­سازی و مدیریت تسهیلات بانکی بر مبنای الگوریتمهای خوشه­بندی و طبقه­بندی تسهیلات، مجله پژوهش‌های نوین در تصمیم گیری، 1(2)، 53-76
صنیعی آباده، محمد، محمودی، سینا، طاهرپرور، محدثه (1394). داده­کاوی کاربردی، تهران: نیاز دانش.
کاوسی، سید محمدرضا، سقائی، عباس (1384). روش­های اندازه­گیری رضایت مشتری، تهران: آمه.
محمدی، شبنم، علیزاده، سمیه (1393)، تحلیل مشکلات شعب بانک آینده در سراسر کشور با استفاده از روش داده‌کاوی، مدیریت فناوری اطلاعات، 6(2)، ص.333-350
ملکی، آناهیتا، دارابی، ماهان (1387). روش­های مختلف اندازه­گیری رضایت مشتری ، ماهنامه مهندسی خودرو و صنایع وابسته، 1(3)

 

.Breiman, L, Friedman, J. H & Olshen, R. A (2009). Stone, cj (1984). classification and regression trees. Wadsworth, Belmont, California.
Chen, C. K, Shie, A. J & Yu, C. H (2012). A customer-oriented organisational diagnostic model based on data mining of customer-complaint databases. Expert Systems with Applications, 39(1), 786-792.
Cheng, C. H & Chen, Y. S (2009). Classifying the segmentation of customer value via RFM model and RS theory. Expert systems with applications, 36(3), 4176-4184.
Drew, J. H, Mani, D. R, Betz, A. L & Datta, P (2001). Targeting customers with statistical and data-mining techniques. Journal of Service Research, 3(3), 205-219
Garver, M. S (2002). Try new data-mining techniques. Marketing News, 36(19), 31-33
Hsieh, N. C (2004). An integrated data mining and behavioral scoring model for analyzing bank customers. Expert systems with applications, 27(4), 623-633.
Koç, M & Barkana, A (2014). Application of Linear Regression Classification to low-dimensional datasets. Neurocomputing, 131, 331-335.
Kohavi, R (1995). A study of cross-validation and bootstrap for accuracy estimation and model selection. In Ijcai, (2)14, 1137-1145.
Larasati, A, DeYong, C & Slevitch, L (2012). The application of neural network and logistics regression models on predicting customer satisfaction in a student-operated restaurant. Procedia-Social and Behavioral Sciences, 65, 94-99.
Larose, D. T (2005). Discovering Knowledge In Data,An Introduction to Data Mining, Canada: John Wiley & Sons, Inc, Hoboken, New Jersey
Lee, S & Park, Y (2007). A prediction model for success of services in e-commerce using decision tree: E-customer’s attitude towards online service. Expert Systems with Applications, 33(3), 572-581
Ngai, E. W, Xiu, L & Chau, D. C (2009). Application of data mining techniques in customer relationship management: A literature review and classification. Expert systems with applications, 36(2), 2592-2602
Reischl, R. M (2011). Data Mining Tools. Data Mining and Knowledge Discovery, 1(5), 431-443.
Rygielski, C, Wang, J. C & Yen, D. C (2002). Data mining techniques for customer relationship management. Technology in society, 24(4), 483-502.
Seong Leem, C & Yoon, Y (2004). A maturity model and an evaluation system of software customer satisfaction: the case of software companies in Korea. Industrial Management & Data Systems, 104(4), 347-354
Shearer, C(2005). The CRISP-DM model: the new blueprint for data mining، J Data Warehousing, 13-22.
Shen, C. C & Chuang, H. M (2009). A study on the applications of data mining techniques to enhance customer lifetime value. WSEAS Transactions on Information Science and Applications, 6(2), 319-328.
Song, Y, Liang, J, Lu, J & Zhao, X (2017). An efficient instance selection algorithm for k nearest neighbor regression. Neurocomputing, 251, 26-34.