توسعه يك سيستم تشخيص مشتري تلفيقي مبتني بر درخت رگرسيوني هرس شده و شبكه عصبي بهبوديافته

در دنياي رقابتي امروزي، شيوه‌هاي جذب مشتري يكي از با اهميت‌ترين حوزه‌هاي كاربردي داده‌كاوي بوده و پرواضح است كه يكي از مهمترين ابعاد آن پيش‌بيني رفتار خريد مشتري است. زيرا، پيش‌بيني خوب مي‌تواند به توسعه استراتژيهاي بازاريابي دقيقتر و صرف كاراتر منابع كمك نمايد. ايجاد يك سيستم تشخيص مشتري(CRS) به دليل وجود تعداد زيادي ويژگي در دسترس طراح كاري بسيار مشكل است. بعلاوه، نياز شديدي به ايجاد يك CRS وجود دارد كه همزمان پيچيدگي كم و قابليت پيش‌بيني خوبي را داشته باشد. از اينرو، مقصود اين مقاله، توسعه يك CRS تلفيقي (HCRS) است كه از نظر محاسباتي كارا و اثربخش است. نوآوري مدل HCRS، هم طراحي و هم پياده‌سازي سيستم مذكور با ايجاد يك درخت رگرسيوني هرس شده (PRT) و طراحي يك شبكه عصبي پيشخوراند بهبوديافته (IFFNN) جهت افزايش سرعت، دقت و كاهش پيچيدگي را شامل مي‌شود. از آنجاييكه، شناسايي مشتريان يكي از دغدغه‌هاي صنعت بيمه است، از داده‌هاي يك شركت بيمه هلندي استفاده شده است. نتايج نشان داد كه HCRS تنها 7% از ويژگي‌ها را در حالت بهينه انتخاب مي‌كند كه به ميزان قابل‌توجهي هزينه محاسبات را كاهش مي‌دهد. به‌‌علاوه، نتايج نشان داد كه PRT نسبت به روش منحني مشخصه عملياتي دريافت‌كننده كاراتر بوده و IFFNN نسبت به FFNN و PRT پيش‌بيني‌هاي دقيقتري را ارايه مي‌كند.