توسعه یک سیستم تشخیص مشتری تلفیقی مبتنی بر درخت رگرسیونی هرس شده و شبکه عصبی بهبودیافته

در دنیای رقابتی امروزی، شیوه های جذب مشتری یکی از با اهمیت ترین حوزه های کاربردی داده کاوی بوده و پرواضح است که یکی از مهمترین ابعاد آن پیش بینی رفتار خرید مشتری است. زیرا، پیش بینی خوب می تواند به توسعه استراتژیهای بازاریابی دقیقتر و صرف کاراتر منابع کمک نماید. ایجاد یک سیستم تشخیص مشتری(crs) به دلیل وجود تعداد زیادی ویژگی در دسترس طراح کاری بسیار مشکل است. بعلاوه، نیاز شدیدی به ایجاد یک crs وجود دارد که همزمان پیچیدگی کم و قابلیت پیش بینی خوبی را داشته باشد. از اینرو، مقصود این مقاله، توسعه یک crs تلفیقی (hcrs) است که از نظر محاسباتی کارا و اثربخش است. نوآوری مدل hcrs، هم طراحی و هم پیاده سازی سیستم مذکور با ایجاد یک درخت رگرسیونی هرس شده (prt) و طراحی یک شبکه عصبی پیشخوراند بهبودیافته (iffnn) جهت افزایش سرعت، دقت و کاهش پیچیدگی را شامل می شود. از آنجاییکه، شناسایی مشتریان یکی از دغدغه های صنعت بیمه است، از داده های یک شرکت بیمه هلندی استفاده شده است. نتایج نشان داد که hcrs تنها 7% از ویژگی ها را در حالت بهینه انتخاب می کند که به میزان قابل توجهی هزینه محاسبات را کاهش می دهد. به علاوه، نتایج نشان داد که prt نسبت به روش منحنی مشخصه عملیاتی دریافت کننده کاراتر بوده و iffnn نسبت به ffnn و prt پیش بینی های دقیقتری را ارائه می کند.