پیش‌بینی پاسخ مشتریان در بازاریابی مستقیم با شبکه‌های عصبی چندلایه

Abstract

هدف پژوهش حاضر شناسایی هر چه دقیق‌تر مشتریان بالقوه جهت مخاطب قرار دادن در برنامه‌های بازاریابی مستقیم است که از دیرباز به عنوان یکی از مسائل مهم و مورد علاقة بازاریابان شیوة مستقیم مطرح بوده است. مهم‌ترین مسئله در این راستا کاوش در مجموعة داده‌های مشتریان است که همواره از عدم توازن بالایی برخوردار می‌باشد. در این پژوهش با ترکیب روش‌های کم نمونه‌گیری و بیش‌نمونه‌گیری تصادفی کلاس اکثریت و اقلیت که در پژوهش‌های گذشته به کرات استفاده شده، با خوشه‌بندی مشتریان و استخراج نمونه‌‌های متعادل‌تر اقدام به طراحی و توسعه یک الگوریتم پویا و اثربخش در راستای شناسایی و پیش‌بینی مشتریان بالقوه نموده‌ایم. بدین‌منظور از پایگاه دادة مشتریان یک آژانس مسافرتی (بالغ بر 10000 رکورد) استفاده شده است. نتایج حاکی از آن است که با استفاده از داده‌های اولیه مشتریان به هیچ وجه نمی‌توان به یک پیش‌بینی قابل اتکا و استفاده دست‌یافت. بکارگیری روش‌های نمونه‌گیری مجدد با استفاده از خوشه‌بندی مشتریان و ترکیب کلاس‌های اقلیت و اکثریت به روش‌های مختلف و مطابق با الگوریتم ابتکاری ارائه شده می‌تواند توان پیش‌بینی طبقه‌بند درخت‌ تصمیم را به طرز شگفت‌انگیزی افزایش داده و در موقعیت‌ها و بازارهای مختلف مورد استفاده قرار گیرد. در نهایت با ترکیب نتایج حاصل از کدهای XML استخراج شده در هر مرحله و معیار «حاصل‌ضرب» می‌توان به شناسایی و رتبه‌بندی مشتریان بالقوه و هدف‌گذاری آنها به شیوه‌ای کارآمد پرداخت.