پیشبینی ریزش مشتری در صنعت تناسباندام با یادگیری ماشین | ||
| فناوری اطلاعات و ورزش | ||
| دوره 2، شماره 2، مهر 1404، صفحه 118-139 اصل مقاله (1.2 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22091/its.2026.15348.1043 | ||
| نویسنده | ||
| محسن اسماعیلی ثانی* | ||
| دکتری مدیریت ورزشی، گروه مدیریت ورزشی، دانشکده علوم ورزشی، دانشگاه مازندران، بابلسر، ایران. | ||
| چکیده | ||
| هدف: ریزش مشتری در صنعت تناسباندام بهدلیل اتکای ساختاری باشگاهها به حقعضویت چالشی راهبردی است؛ افزایش پنج درصدی نرخ نگهداشت میتواند تا بیست و پنج درصد سود را بالا ببرد. این پژوهش با هدف یک چارچوب ترکیبی بهمنظور پیشبینی ریزش مشتری در صنعت تناسباندام با دقت بالا انجام شد. روش پژوهش: مجموعه داده از کلیه اعضای فعال و غیرفعال سیزده باشگاه ورزشی در چهار کلانشهر ایران (تهران، اصفهان، مشهد و شیراز) طی بازه فروردین ۱۴۰۰ تا شهریور ۱۴۰۴ با روش سرشماری جمعآوری شد. یافتهها: رویکرد ترکیبی الگوریتمهای فرابتکاری شامل ژنتیک بهبودیافته، عنکبوت-زنبور باینری بهبودیافته، گوریل-پرندگان و کرم شبتاب تنوعگرا، بیستوسه ویژگی اولیه را به هشت ویژگی نهایی فروکاست. در میان نه مدل یادگیری ماشین، جنگل تصادفی، درختان فوقالعاده و رأیگیری آنسامبل با دقت یکسان نود و یک و سی و سه صدم درصد بالاترین عملکرد را بهدست آوردند. آزمونهای فریدمن، نمنیی و مکنمار با تصحیح بنفرونی نشان دادند هفت مدل برتر از نظر آماری معادلاند. تحلیل اهمیت ویژگیها نشان داد امتیاز ریسک، ثبات حضور و امتیاز خالص ترویجکنندگان مهمترین پیشبینیکنندههای ریزش هستند که توزیع متعادلی از ابعاد رفتاری، تعاملی، رضایتمندی و عضویت را پوشش میدهند و بر چندبعدی بودن پدیده ریزش تأکید دارند. نتیجهگیری: یافتههای این پژوهش پیامدهای عملی برای مدیران باشگاههای تناسباندام ارائه میدهد. نخستین کاربرد عملی، شناسایی پیشگیرانه مشتریان در معرض ریزش است؛ مدل توسعهیافته قادر است حدود هشتاد و هفت درصد از مشتریان در معرض ریزش را پیش از ترک شناسایی کند و این به مدیران اجازه میدهد بهجای واکنش به ریزش پس از وقوع، بهطور پیشگیرانه اقدام کنند. | ||
| کلیدواژهها | ||
| پیشبینی ریزش مشتری؛ الگوریتمهای فرابتکاری؛ انتخاب ویژگی؛ یادگیری ماشین؛ صنعت تناسباندام؛ نگهداشت مشتری | ||
| عنوان مقاله [English] | ||
| Customer churn prediction in the fitness industry using machine learning | ||
| نویسندگان [English] | ||
| Mohsen Esmaeili Sani | ||
| PhD student in the Department of Sports Management, Faculty of Sports Sciences, University of Mazandaran, Babolsar, Iran. | ||
| چکیده [English] | ||
| Objective: Customer churn in the fitness industry, driven by the structural reliance of gyms on membership fees, represents a strategic challenge; a five percent increase in retention can raise profits by up to twenty-five percent. This study was conducted with the aim of developing a hybrid framework for high-accuracy prediction of customer churn in the fitness industry. Method: The dataset was collected using a census method from all active and inactive members of thirteen fitness clubs across four major metropolitan areas in Iran (Tehran, Isfahan, Mashhad, and Shiraz) over the period from March 2021 to September 2025. Results: A hybrid approach based on metaheuristic algorithms—including an improved genetic algorithm, improved binary spider-bee algorithm, gorilla-birds algorithm, and diversity-oriented firefly algorithm—reduced twenty-three initial features to eight final features. Among nine machine learning models, Random Forest, Extra Trees, and ensemble voting achieved the highest performance with identical accuracy of 91.33 percent. Friedman, Nemenyi, and McNemar tests with Bonferroni correction indicated that the top seven models were statistically equivalent. Feature importance analysis showed that risk score, attendance stability, and net promoter score were the most important predictors of churn, covering a balanced distribution of behavioral, interactional, satisfaction, and membership dimensions, and emphasizing the multidimensional nature of churn. Conclusions: The findings of this study provide practical implications for fitness club managers. The first practical application is the proactive identification of customers at risk of attrition; the developed model is able to identify approximately eighty-seven percent of customers at risk of attrition before they leave, allowing managers to take proactive action rather than reacting to attrition after it has occurred. | ||
| کلیدواژهها [English] | ||
| customer churn prediction, metaheuristic algorithms, feature selection, machine learning, fitness industry, customer retention | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 698 تعداد دریافت فایل اصل مقاله: 189 |
||