پیش بینی ارزش مشتریان جدید بانک بر مبنای مدل آر.اف.ام با استفاده از درخت تصمیم بهبودیافته در راستای کاهش حداکثر حافظه مورد نیاز
نویسنده:
چکیده:
یکی از مهم ترین فاکتورهای بانکداری در راستای کاهش هزینه ها و افزایش سودآوری، مدیریت و ارزیابی مشتریان با ارزش می باشد. در دهه های اخیر محققان بسیاری به تجزیه و تحلیل ویژگی های مشتریان به منظور تعیین ارزش آن ها با استفاده از تکنیک های داده کاوی پرداخته اند و درخت تصمیم یکی از پرکاربردترین الگوریتم های داده کاوی در این زمینه است. از آن جایی که این الگوریتم برای ساخت درخت، تنها یک ویژگی را در یک زمان برای آزمون در هر گره در نظر گرفته و وابستگی بین ویژگی ها را نادیده می گیرد، بنابراین این مسئله باعث افزایش ماکزیمم حافظه مورد نیاز می شود. به منظور برطرف نمودن این مشکل، در این پژوهش روشی برای بهبود درخت تصمیم با استفاده از شبکه عصبی برای کشف وابستگی بین ویژگی ها با رویکرد کاهش ماکزیمم حافظه مورد نیاز پیشنهاد شده که در کنار مدل آر.اف.ام برای پیش بینی ارزش مشتریان جدید استفاده می شود. نتایج آزمایش ها نشان می دهد که روش پیشنهادی با استفاده از وابستگی بین ویژگی ها می تواند ارزش مشتریان جدید را با ماکزیمم حافظه مورد نیاز کم تری نسبت به روش پایه پیش بینی کند.
کلیدواژگان:
ارزش مشتری ، خوشه بندی ، درخت تصمیم ، شبکه عصبی ، مدل آر ، اف ، ام
زبان:
فارسی
در صفحه:
93
لینک کوتاه:
magiran.com/p1637484
دانلود و مطالعه متن این مقاله با یکی از روشهای زیر امکان پذیر است:
اشتراک شخصی
با عضویت و پرداخت آنلاین حق اشتراک یکساله به مبلغ 1,390,000ريال میتوانید 70 عنوان مطلب دانلود کنید!
اشتراک سازمانی
به کتابخانه دانشگاه یا محل کار خود پیشنهاد کنید تا اشتراک سازمانی این پایگاه را برای دسترسی نامحدود همه کاربران به متن مطالب تهیه نمایند!
توجه!
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.
In order to view content subscription is required
Personal subscription
Subscribe magiran.com for 70 € euros via PayPal and download 70 articles during a year.
Organization subscription
Please contact us to subscribe your university or library for unlimited access!