| LEADER |
04201nam a22002537a 4500 |
| 001 |
2249017 |
| 041 |
|
|
|a eng
|
| 044 |
|
|
|b مصر
|
| 100 |
|
|
|9 799391
|a .Abdelgawad, Norihan N
|e Author
|
| 245 |
|
|
|a A Smart Model to Enhance the Customer Retention
|
| 246 |
|
|
|a نموذج ذكي لتحسين الاحتفاظ بالعملاء
|
| 260 |
|
|
|b جامعة حلوان - كلية التجارة وإدارة الاعمال
|c 2024
|g مارس
|
| 300 |
|
|
|a 1501 - 1538
|
| 336 |
|
|
|a بحوث ومقالات
|b Article
|
| 520 |
|
|
|a إن إدارة علاقات العملاء ضرورية لنجاح أي شركة مع التركيز بشكل خاص على الاحتفاظ بالعملاء من خلال الكشف المبكر عن رحيل العملاء. فبسبب النمو المتزايد لحجم البيانات في التجارة الإلكترونية فمن الضروري تطوير تقنيات تستطيع الكشف المبكر عن رحيل العملاء. يستطيع أن يحظى التعلم الألى وإدارة علاقات العملاء بشكل فعال في تأدية هذه المهمة بالإضافي إلى ذلك، يؤدى التنبؤ بوقت الذروة إلى تحسين توزيع العاملين وتقليل المشاكل الفنية لتحقيق الاحتفاظ بالعملاء. لقد طبقنا الخوارزمية التصنفية بناء على أداة تحليل الحداثة والتكرار والقيم النقدية، كما تنولنا معالجة البيانات الغير متوازنة باستخدام تقنية SMOTE-TOMEK و قد كشفت النتائج أن خوارزمي XG-Boost تتفوق على الخوارزميات الأخرى بما في ذلك شجرة القرارات والغابة العشوائية، محققة دقة بنسبة 87.37%، Recall, Precision 99.99 بنسبة 74.68%، F1-scoreبنسبة 85.5% ومعيار قياس المساحة تحت المنحني بنسبة 87% بالإضافة إلى ذلك، أظهرت الإحصائيات باستخدام Z-Score أن أوقات الذروة بين الساعة الخامسة صباحا وحتي السادسة مساءا تمثل حوالي 68% من إجمالي المشتريات.
|b Customer Relationship Management is essential for company’s success, focusing on enhancing customer retention through early detection of churn. Due to the Exponential growth of data volume in e-commerce, it is essential to develop techniques to identify customer churn. Machine learning and CRM will effectively perform this task. Additionally predicting rush time linking optimized Employees distribution and minimizing technical issues to achieve customer retention. We applied K-means based on the RFM model and addressed imbalanced data using SMOTE-TOMEK. The Results revealed that XG-Boost outperformed other algorithms, including decision tree and random forest, achieving an accuracy of 87.37%, precision of 99.99%, recall of 74.68%, F1-score of 85.5%, and an AUC of 88%. Additionally, the analysis using z-score showed that rush times between 4:57 AM and 6:04 PM accounted for approximately 68% of all purchases.
|
| 653 |
|
|
|a النماذج الذكية
|a إدارة العلاقات
|a علاقات العملاء
|
| 692 |
|
|
|a الاحتفاظ بالعملاء
|a التنبؤ برحيل العملاء
|a التجارة الإلكترونية
|a خوارزمية التعلم الجماعي
|a نموذج الحداثة
|a التكرار
|a النقدي
|a التنبؤ بوقت الذروة
|b Customer Retention
|b Customer Churn Prediction
|b Ecommerce
|b Ensemble Learning Algorithms
|b Recency Frequency Monetary (RFM) Model
|b Rush Time Prediction
|b Z-Score
|
| 700 |
|
|
|9 799393
|a El-Henawy, I.M
|e Co-Author
|
| 700 |
|
|
|9 799396
|a .Mostafa, Aya M
|e Co-Author
|
| 773 |
|
|
|4 الاقتصاد
|4 إدارة الأعمال
|6 Economics
|6 Business
|c 034
|e Scientific Journal of Research and Business Studies
|f Al-Maǧallaẗ Al-Miṣriyyaẗ Lil Dirāsāt Al-Tiǧāriyyaẗ
|l 001
|m مج38, ع1
|o 0472
|s المجلة العلمية للبحوث والدراسات التجارية
|v 038
|x 1110-2373
|
| 856 |
|
|
|u 0472-038-001-034.pdf
|
| 930 |
|
|
|d y
|p y
|q n
|
| 995 |
|
|
|a EcoLink
|
| 999 |
|
|
|c 1505453
|d 1505453
|
