تواجه شركات التجارة الإلكترونية منافسة شديدة. لكي تنجح شركات التجارة الإلكترونية، يجب عليها الاحتفاظ بالعملاء وجذبهم من خلال تقديم أفضل الخدمات بأسعار معقولة. يعد اتخاذ إجراءات مناسبة وفي الوقت المناسب للاحتفاظ بالعملاء الذين من المحتمل أن يتخلوا عن الخدمة أولوية قصوى لشركات التجارة الإلكترونية. تحلل هذه الدراسة مجموعة بيانات التجارة الإلكترونية على الإنترنت وتستخدم التعلم العميق لبناء نموذج لتوقع churn العملاء. تم تدريب النموذج المقترح واختباره على مجموعة بيانات منشورة على كاجل وتم تقييمه استنادًا إلى مقاييس أداء مختلفة. بسبب طبيعة مجموعة البيانات، فإن توزيع الفئات غير متوازن. تظهر النتائج التجريبية أن المعمارية المقترحة حققت أعلى دقة (94.25%) باستخدام استراتيجية التدريب غير المتوازن. علاوة على ذلك، تم استخدام تقنية التعداد الاصطناعي للأقليات (SMOTE) لموازنة توزيع تسميات الفئات. تم تكرار تجارب مماثلة على مجموعة البيانات المتوازنة لرصد التغييرات في قيم مقاييس الأداء. في حين أن نموذج SMOTE لا يحسن الدقة العامة، إلا أنه يحقق قيم استرجاع أعلى، مما يدل على أنه يتم تحديد العملاء المحتملين الذين سيتخلون عن الخدمة بشكل أكثر دقة. أخيرًا، قمنا بحساب قيم SHapley Additive Explanations (SHAP) لتقييم قابلية تفسير النموذج وتأثير كل ميزة على نتيجة التوقع.
درس مسلام وآخرون (الجمعة) هذا السؤال.