یکی از راه¬های مدیریت نارضایتی مشتری، شناسایی مشتریان ناراضی و تلاش برای نگهداری آن¬ها می¬باشد. این پایان-نامه از اطلاعات تاریخی مشتریان، برای پیش¬بینی احتمال نارضایتیشان استفاده می¬کند. در ابتدا ارزش دوره زندگی مشتریان در طول شش ماه محاسبه می¬شود، به طوری¬که اولین ارزش دوره زندگی، برای سه ماه اول و دومین ارزش دوره زندگی، برای سه ماه دوم باشد. سپس با استفاده از الگوریتم ارائه شده در این پایان¬نامه، مشتریان به چهار گروه تقسیم¬بندی می¬شوند. گروه اول مشتریان کاملا وفادار، گروه دوم مشتریان نسبتا وفادار، گروه سوم مشتریان نسبتا ناراضی و گروه چهارم مشتریان کاملا ناراضی می¬باشند. پس از تقسیم¬بندی مشتریان به گروه¬های متفاوت، سیاست¬هایی برای نگهداری آن¬ها اعمال می¬شود که این پایان¬نامه از فرآیندکاوی برای این منظور استفاده کرده است. الگوریتم α یکی از بهترین تکنیک¬های فرآیند¬کاوی می¬باشد که در این تحقیق از آن استفاده شده است. سیاست¬های زیادی برای نگهداری مشتری اعمال می¬شود، اما مشخص نیست که بهترین فرآیند برای نگهداری آن¬ها چه فرآیندی می¬باشد. برای این منظور، کل فعالیت¬های انجام شده برای نگهداری مشتری را در رویدادهای ثبت شده، وارد کرده و دوباره ارزش دوره زندگی آن¬ها را بدست می¬آورد. سپس فرآیند مربوط به مشتریانی که ارزش دوره زندگی آن¬ها بیشتر از 20% افزایش یافته است، را در نظر گرفته و فرآیند مربوط به آن¬ها را با استفاده از الگوریتم α کاوش می¬کند. در نهایت برای هر یک از گروه¬ها بهترین روش برای نگهداری آن¬ها مشخص می¬شود. یکی از روش¬های توسعه یافته در درخت تصمیم¬گیری، روش c5.0 می¬باشدکه برای پیش¬بینی احتمال نارضایتی مشتریان، برای ساخت مدل نارضایتی بکار می¬رود. با ورود هر مشتری جدید، مدل نارضایتی مربوط به آن¬ ساخته شده و روشی برای نگهداری آن اعمال می¬شود. مجموعه داده¬هایی که برای ساخت مدل نارضایتی و نگهداری مشتری اعمال شده است، داده¬های مربوط به 700 مشتری در طول یک¬سال از فروشگاه رفاه می¬باشد. نتایج مربوط به این تحقیق، حاکی از بهبود 76% درآمد مربوط به این فروشگاه می¬باشد.

در این پایان نامه روشی برای پیشنهاددهی سرویس های متفاوت با هزینه های متفاوت در ims مطرح شده است. رویکرد ارائه شده آگاه از زمینه بوده و در آن از مدل معماری لایه ای استفاده شده است. مدل ارائه شده شامل چهار لایه می باشد که در لایه ها با توجه به زمینه های خاصِ برنامه های کاربردی مبتنی بر ims، پیشنهاددهی صورت می گیرد. با استفاده از زمینه ها می توان پیشنهاددهی بهتری انجام داد که به نیازها و خواست کاربر نزدیک تر است. در مرحله ارزیابی به طور خاص، یک برنامه کاربردی با هدف تولید پیشنهادات برای کاربر، پیاده سازی شده است. سیستم از میان انبوه سرویس ها با هزینه های متفاوت، سرویس های نزدیک به کاربر با هزینه مناسب را با توجه به زمینه های کاربر و هزینه های سرویس به کاربر پیشنهاد می دهد. مدل ارائه شده با سه معیار استاندارد ارزیابی سیستم های پیشنهاددهنده، دقت، پوشانندگی و اثرگذاری پیشنهادات، مورد ارزیابی قرار گرفته است. نتایج حاصل از ارزیابی نشان می دهد که میزان دقت و اثرگذاری مدل در حد مطلوب است و حدود 60 درصد انتخاب های کاربر را پوشش داده است. مدل پیشنهادشده، سرویس های نزدیک به کاربر را با توجه به هزینه ها پیشنهاد می دهد و استفاده کاربر از پیشنهادات، هزینه های نهایی را متعادل خواهد کرد. تعادل هزینه های کاربر، به معنای رضایت مشتری و در نتیجه استفاده بیشتر از خدمات اپراتور خواهد بود که موفقیت اپراتور موردنظر را نتیجه می دهد و در نهایت باعث می شود با سرعت بیشتر به سمت ims و شبکه های نسل آینده پیش برویم.