Metrika

  • citati u SCIndeksu: 0
  • citati u CrossRef-u:0
  • citati u Google Scholaru:[]
  • posete u poslednjih 30 dana:0
  • preuzimanja u poslednjih 30 dana:0

Sadržaj

članak: 4 od 5  
Back povratak na rezultate
2006, vol. 11, br. 4, str. 44-50
Metode za poboljšanje i ocenu CRM-a telekomunikacionih operatora
aTelekom Srpske a.d., Banja Luka
bUniverzitet u Beogradu, Saobraćajni fakultet
cM&I Systems, Novi Sad
Ključne reči: upravljanje odnosima sa korisnicima; klasterizacija; data mining; ključni indikatori performansi KPI; neuralne mreže; odliv korisnika; operatori sa značajnom tržišnom snagom
Sažetak
Brzo promenljivo telekomunikaciono tržište je nametnulo nove zahteve operaterima i servis provajderima. Klasično poslovanje, usredsređeno na infrastrukturu, pozicionira se i usmerava na kupce tj. korisnike usluga i njihove zahteve za pružanje kompletnih poslovnih rešenja. Ovu novu poslovnu orijentaciju potvrđuju brojni primeri koji pokazuju da najbolje rezultate, u međusobnom nadmetanju sve većeg broja učesnika na telekomunikacionom tržištu imaju oni koji nude najprofitabilnije usluge većem broju korisnika po povoljnim cenama. Podaci dobijeni iz analize kupaca i telekomunikacionog tržišta u BiH i okruženju, govore da oko 20% najprofitabilnijih korisnika donosi gotovo 80% ukupnog prihoda operaterima i servis provajderima sa značajnom tržišnom snagom (SMP-Significant Market Power). Za pobedničku poslovnu strategiju i njeno uspešno sprovođenje neophodno je potpuno poznavanje ponašanja kupaca, odnosno korisnika usluga, i adekvatno upravljanje odnosima sa kupcima (CRM - Customer Relationship Management), a posebno za one korisnike koji donose najveći profit organizaciji. Ocenjivanje kvaliteta koncepata CRM-a i odstupanja operativne realnosti od usvojenih strateških planova postiže se korišćenjem specifičnih strategijskih alata, a najbolje uspešnim definisanjem i korišćenjem "balanced scorecard" (BSC). U ovom radu diskutovani su načini ocenjivanja kvaliteta i rešenja CRM-a kroz odgovarajuće dizajniranje BSC-a i pronalaženje najboljeg metoda za diferencijaciju najprofitabilnijih korisnika.
Reference
Baragoin, C., Andersen, C.M., i dr. (2001) Mining your own business in telecoms. IBM International Technical Support Organization
Bauer, E., Kohavi, R. (1998) An empirical comparison of voting classification algorithms: Bagging, boosting, and variants. Boston: Kluwer Academic Publishers
Berry, M.J.A., Linoff, G.S. (2000) Mastering data mining the art and science of customer relationship. New York, itd: Wiley
Dietterich, T.G. (2000) Ensemble methods in machine learning. u: Kittler Josef, Roli Fabio [ur.] Multiple classifier systems, Berlin, itd: Springer Verlag, vol. 1857 of Lecture Notes in Compile Science
Glymour, C., Madigan, D., Pregibon, D., Smyth, P. (1997) Statistical themes and lessons for data mining. Data Mining and Knowledge Discovery, 1, 11-28
Jungić, Ž., Gospić, N., Ristić, Ž., Balaban, N. (2004) Examining optimal clustering methods for customer segmentation as a CRM tool. u: Međunarodni simpozijum o telekomunikacijama, VITEL maj, 2004, Maribor
Prodromidis, A., Stolfo, S. (1999) A comparative evaluation of meta-learning strategies over large and distributed data sets. u: Sixteenth International Conference on Machine Learning (ICML-99), Workshop on Meta-Learning, Bled, str. 18-27
Ristić, Ž., Balaban, N. (2002) Combining multiple models in data mining: Methodological aspects. u: Quantitative methods in economy and business - methodology and practice in the new millennium8th International Scientific Conference, Proceedings, 529-538
 

O članku

jezik rada: srpski
vrsta rada: neklasifikovan
objavljen u SCIndeksu: 21.07.2007.

Povezani članci

Strategijski menadžment (2003)
Analiza ponašanja korisnika i razumevanje okruženja telekoma
Jungić Željko, i dr.

Strategijski menadžment (2002)
Kombinovanje modela dobivenih tehnikama data mining
Ristić Živan, i dr.

Strategijski menadžment (2002)
Data Warehouse poslovne banke
Balaban Neđo, i dr.

prikaži sve [10]