توسعه يك سيستم تشخيص مشتري تلفيقي مبتني بر درخت رگرسيوني هرس شده و شبكه عصبي بهبوديافته

در دنياي رقابتي امروزي، شيوه هاي جذب مشتري يکي از با اهميت ترين حوزه هاي کاربردي داده کاوي بوده و پرواضح است که يکي از مهمترين ابعاد آن پيش بيني رفتار خريد مشتري است. زيرا، پيش بيني خوب مي تواند به توسعه استراتژيهاي بازاريابي دقيقتر و صرف کاراتر منابع کمک نمايد. ايجاد يک سيستم تشخيص مشتري (CRS) به دليل وجود تعداد زيادي ويژگي در دسترس طراح کاري بسيار مشکل است. بعلاوه، نياز شديدي به ايجاد يک CRS وجود دارد که همزمان پيچيدگي کم و قابليت پيش بيني خوبي را داشته باشد. از اينرو، مقصود اين مقاله، توسعه يک CRS تلفيقي (HCRS) است که از نظر محاسباتي کارا و اثربخش است. نوآوري مدل HCRS، هم طراحي و هم پياده سازي سيستم مذکور با ايجاد يک درخت رگرسيوني هرس شده (PRT) و طراحي يک شبکه عصبي پيشخوراند بهبوديافته (IFFNN)جهت افزايش سرعت، دقت و کاهش پيچيدگي را شامل مي شود. از آنجاييکه، شناسايي مشتريان يکي از دغدغه هاي صنعت بيمه است، از داده هاي يک شرکت بيمه هلندي استفاده شده است. نتايج نشان داد که HCRS تنها %7 از ويژگي ها را در حالت بهينه انتخاب مي کند که به ميزان قابل توجهي هزينه محاسبات را کاهش مي دهد. به علاوه، نتايج نشان داد که PRT نسبت به روش منحني مشخصه عملياتي دريافت کننده کاراتر بوده و IFFNN نسبت به FFNN و PRT پيش بيني هاي دقيقتري را ارايه مي کند.

انتخاب ويژگي، پيشبيني، درخت رگرسيوني هرس شده، سيستم تشخيص مشتري، شبکه عصبي بهبوديافته