پیش‌بینی ارزش مشتریان جدید بانک بر مبنای مدل آر.اف.ام با استفاده از درخت تصمیم بهبودیافته در راستای کاهش حداکثر حافظه مورد نیاز
دریافت مدرک
FullText
اندازه فایل:
534.0کیلوبایتنوع فايل (MIME):
PDFنوع مدرک
Textمقاله پژوهشی
زبان مدرک
فارسیچکیده
یکی از مهم‌ترین فاکتورهای بانکداری در راستای کاهش هزینه‌ها و افزایش سودآوری، مدیریت و ارزیابی مشتریان با ارزش می‌باشد. در دهه‌های اخیر محققان بسیاری به تجزیه و تحلیل ویژگی‌های مشتریان به منظور تعیین ارزش آن‌ها با استفاده از تکنیک‌های داده‌کاوی پرداخته‌اند و درخت تصمیم یکی از پرکاربردترین الگوریتم‌های داده‌کاوی در این زمینه است. از آن‌جایی که این الگوریتم برای ساخت درخت، تنها یک ویژگی را در یک زمان برای آزمون در هر گره در نظر گرفته و وابستگی بین ویژگی‌ها را نادیده می‌گیرد، بنابراین این مسئله باعث افزایش ماکزیمم حافظه مورد نیاز می‌شود. به منظور برطرف نمودن این مشکل، در این پژوهش روشی برای بهبود درخت تصمیم با استفاده از شبکه عصبی برای کشف وابستگی بین ویژگی‌ها با رویکرد کاهش ماکزیمم حافظه مورد نیاز پیشنهاد شده که در کنار مدل آر.اف.ام برای پیش‌بینی ارزش مشتریان جدید استفاده می‌شود. نتایج آزمایش‌ها نشان می‌دهد که روش پیشنهادی با استفاده از وابستگی بین ویژگی‌ها می‌تواند ارزش مشتریان جدید را با ماکزیمم حافظه مورد نیاز کم‌تری نسبت به روش پایه پیش‌بینی کند.
کلید واژگان
ارزش مشتریخوشهبندی
درخت تصمیم
شبکه عصبی
مدل آر.اف.ام
شماره نشریه
17تاریخ نشر
2016-11-211395-09-01
ناشر
دانشگاه علامه طباطبائیAllameh Tabataba’i University
سازمان پدید آورنده
دکترای مهندسی صنایع، عضو هیئت‌علمی دانشگاه علم و صنعت، تهران. کارشناس ارشد مهندسی صنایع گرایش مدیریت سیستم و بهره‌وری، دانشگاه علم و صنعت، تهران
شاپا
1735-112X2538-2527
