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
حوزه های تخصصی:
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.