ارائه مدل شبکه های عصبی تلفیقی بهبودیافته برای انتخاب ویژگی بهینه جهت بهبود پیش بینی رفتار خرید و بخش بندی مشتریان

پیش بینی رفتار خرید و بخش بندی مشتریان دو بخش بسیار مهم از مدیریت ارتباط با مشتری هستند که به کارگیری آنها می تواند منجر به تدوین استراتژیهای بازاریابی مناسب برای مواجهه با مشتریان مختلف از طریق صرف بهتر منابع شود. به طور کلی، می توان از چهار استراتژی بازاریابی شامل استراتژی جذب، استراتژی رشد، استراتژی حفظ و مدیریت ارتباط استفاده نمود. لیکن، اکثر نویسندگان در حوزه پیش بینی رفتار خرید و بخش بندی مشتریان تنها به سه استراتژی آخر پرداخته اند، در حالیکه، شناسایی ویژگیهای مشترک مشتریان پیشین نیز به منظور جذب مشتریان جدید دارای اهمیت فراوان است. شکافهای تحقیقاتی مهم دیگری که محقق در این زمینه مشاهده نموده است، آن است که هیچ یک از تحقیقات انجام شده در حوزه بخش بندی مشتریان به موضوع انتخاب ویژگی نپرداخته اند و در حوزه پیش بینی رفتار خرید نیز تنها در سالهای اخیر روشهای بسیار کمی ارائه شده است؛ به علاوه، هیچکدام از محققین از الگوریتمهای شبکه های عصبی استفاده ننموده اند. با این اوصاف، در این رساله، یک سیستم پشتیبانی تصمیم متشکل از سه بخش شامل انتخاب ویژگی، پیش بینی رفتار خرید و بخش بندی مشتریان ارائه می شود که هدف اصلی رساله تمرکز روی بخش اول است که ورودی دو بخش بعدی محسوب می شود. به طوری که، در بخش اول، یک الگوریتم انتخاب ویژگی جدید بنام شبکه های عصبی تلفیقی بهبودیافته (ihnn) ارائه می شود و به منظور ارزیابی آن با سه تکنیک دیگر بنامهای درخت رگرسیونی هرس شده (prt) و منحنی مشخصه عملیاتی دریافت کننده (roc) و رگرسیون مرحله ای رو به جلو (fsr) مقایسه می شود. به طوریکه، در بخش دوم، کارایی ویژگیهای منتخب توسط ihnn و سایر روشهای انتخاب ویژگی از طریق پیش بینی رفتار خرید مبتنی بر چندین تکنیک از جمله یک شبکه عصبی پیشخوراند بهبود یافته (iffnn) و چندین تکنیک دیگر ارزیابی می شود. در بخش سوم نیز خروجی ihnn برای خوشه بندی مشتریان با نقشه خودسازمانده (som) به کار گرفته شده و نتایج با تکنیک انتخاب ویژگی prt و روش خوشه بندی فازی c-means مقایسه می شود. نتایج نشان می دهد که به کارگیری تکنیک ihnn پیش از iffnn منجر به بهبود قابل توجه نتایج پیش بینی می شود. به علاوه، نتایج اعتبارسنجی دقت بیشتر تلفیق تکنیک خوشه بندی som با ویژگیهای منتخب ihnn مبتنی بر شاخص دیویس-بولدین جهت تعیین تعداد خوشه بهینه را تایید می کند. همچنین، در پایان تحقیق، توصیه های کاربردی برای شرکت بیمه به عنوان موردکاوی رساله بیان می شود.