پیشبینی ریزش مشتری با استفاده از تكنیكهای داده كاوی: مبتنی بر ماشین بردار و الگوریتم ژنتیك

پیشبینی ریزش مشتری با استفاده از تكنیكهای داده كاوی:  مبتنی بر ماشین بردار و الگوریتم ژنتیك


  • 489 بازدید

در این سلسله مقالات به مفاهیم و کاربرد های داده‌کاوی، متن کاوی و علوم مرتبط با علم داده پرداخته می‌شود. با توجه به حجم عظیم مقالات تولید شده در زبان فارسی در حوزه داده کاوی و علم داده، آکادمی داده تصمیم گرفت مقالات فارسی منتشر شده در این حوزه را خلاصه برداری کرده و در اختیار علاقه مندان قرار دهد. این مقالات ابتدا با معرفی موضوع و کارهای انجام شده آغاز می شود و سپس مجموعه داده یا دیتاست تحقیق ارائه می شود و سپس پیاده سازی انجام شده در رپیدماینر، وکا یا پایتون ارائه شده و نتایج تحلیل می شود.

در این رشته نوشته ها ابتدا خلاصه ای از مقاله ارائه شده و سپس نتیجه گیری مقاله عینا آورده می گردد و سپس فایل پی دی اف آن نیز برای دانلود در اختیار محققین و پژوهشگران عزیز قرار می گیرد. 

اشباع بازار، تشدید رقابت مابین شركتهای ارائه دهنده خدمات و محصولات و هزینه های بالای جذب مشتری جدید در مقایسه با حفظ مشتریان قدیمی، از دلایل اصلی گرایش شركتها به حفظ مشتری میباشد. از آن جایی كه یكی از استراتژیهای اصلی حفظ مشتری، شناسایی مشتریان مستعد ترك میباشد، مدلهای تحلیلی و پیشبینی قدرتمندی در این زمینه به كار گرفته میشود. در این مقاله از ماشین بردار پشتیبان (SVM به منظور پیشبینی ریزش مشتری بهره گرفته شده است. SVM ،با نگاشت غیرخطی متغیرهای ورودی به فضای ویژگی با ابعاد بالاتر، مسائل پیچیده را به توابع جداپذیر سادهتر تفكیك میكند. و به این دلیل كه مبتنی بر كمینهسازی ریسك ساختاری (SRM (میباشد، با حداقل نمودن حد بالای ریسك واقعی، عملكرد بسیار مناسبی در مواجه ه با مجموعه داده های جدید دارد. اعتبارسنجی مدل بكارگرفته، با مقایسه آماری دقت مدلهای ردهبندی ANN ،DT و CBR صورت گرفته و نشان داده شد كه دقت عملكرد بهتری نسبت به سایر ¬روشهای مورد بررسی دارد. هم چنین دارای اختلاف معناداری نسبت به دو روش DT و CBR میباشد. تخمین پارامترهای مدل و انتخاب ویژگی به صورت همزمان توسط الگوریتم ژنتیك باینری انجام گرفت. برتری قابل توجه دقت رده بندی مدل تركیبی نسبت به ماشین بردار پشتیبان، نشان از حساسیت بالای مدل پیش بینی نسبت به متغیرهای ورودی دارد. در این مطالعه از راهكار دوم انتخاب ویژگی كه در آن انتخاب با یك الگوریتم هو شمند صورت میگیرد، استفاده شده است. با این وجود نیاز به تحقیقات گستردهتر در رابطه با تحلیل حساسیت مدل نسبت به روشهای مختلف انتخاب ویژگی و بهینهسازی پارامترها و نیزبه كارگیری سایرتكنیكهای پیشرفته و دقیق دادهكاوی در حوزه پیش بینی ریزش مشتری ضروری تلقی میگردد.

 

 

این مقاله از طریق لینک قابل دسترسی است و محققین علاقه مند می توانند آن را به صورت رایگان دریافت نمایند. 


کپی برداری بدون ذکر منبع، بر اساس قانون جرائم اینترنتی و مادۀ 12 فصل سوم قانون جرائم رایانه ای غیر قانونی بوده و مجازات جزای نقدی و حبس دارد و شرعا نیز حرام است! 
اگر در زمینه داده کاوی در حال تحقیق یا پیاده سازی پروژه تجاری یا پایان نامه هستید برای گرفتن مشاوره یا دادن سفارش انجام با ما تماس بگیرید.  آکادمی داده در تلگرام، واتزآپ و تمامی پیام رسان های ایرانی(سروش، آی گپ، بله و ویسپی) با شماره 09120637751 حضور دارد برای ارتباط از طریق ایمیل آدرس جیمیل: dataacademyir@gmail.com می باشد. 


افتخار آکادمی داده، همسفر بودن با شما در راه یادگیری علم داده است.