به‌كارگيري يك درخت رگرسيوني هرس‌شده جهت انتخاب ويژگي‌هاي موثر بر پيش‌بيني رفتار خريد مشتريان در صنعت بيمه

Applying a Pruned Regression Tree for Feature Selection on Customer Purchasing Behavior Forecasting in Insurance Industry

از مهم‌ترين ابعاد مديريت ارتباط با مشتري، كشف الگوي رفتاري خريد مشتري است؛ سازمان مي‌تواند با تعريف استراتژي‌هاي بازاريابي دقيق‌تر جهت جذب مشتريان مشابه اقدام كند. لذا، انتخاب ويژگي‌هاي موثر بر روي الگوي رفتاري خريد مشتريان با اهميت است. زيرا استفاده از ويژگي‌هاي نامرتبط منجر مي‌شود سازمان ناخواسته هزينه‌هاي بسياري را صرف افرادي ‌كند كه احتمال خريد آنها ناچيز است. اين تحقيق، يك رويه‌ جديد براي شناسايي ويژگي‌هاي موثر جهت بهبود پيش‌بيني مشتريان ارايه مي‌دهد. همچنين يك سيستم تشخيص مشتري مبتني‌بر تكنيك غيرخطي درخت تصميم رگرسيوني جهت انتخاب ويژگي‌ها و پيش‌بيني رفتار خريد مشتريان طي دو مرحله توسعه داده مي‌شود. چون شناسايي مشتريان از موضوعات حياتي صنعت بيمه است، از مجموعه داده‌هاي يك شركت بيمه هلندي براي پيش‌بيني خريد يكي از محصولات آن استفاده شده است. نتايج نشان مي‌دهد كه انتخاب بهترين زيرمجموعه از ويژگي‌ها با به‌كارگيري يك درخت‌ رگرسيوني هرس‌شده علاوه‌بر كاهش معنا‌دار پيچيدگي محاسبات مي‌تواند بهبود قابل توجهي را در نتايج پيش‌بيني ايجاد كند.

In todayʹs world, customer relationship management is one of the most important fields for applying data mining. It can help us to predict each customer with what probability will purchase our product and it is useful for decision makers to access all customers effectively with developing various marketing strategies. The purpose of this study is to identify input features for making a customer recognition system that is computationally efficient and effective. Although forecasting methods are popularly used, it cannot be useful unless irrelevant features are removed because they will present inappropriate customer recognition and make poor results. In this paper, regression decision tree is used for feature selection in order to design a customer recognition system and forecasting future customers. The novelty of the method lies in the implementation of the mentioned approach in customer recognition and forecasting field. A real case of the insurance companyʹs data set in the Netherlands is used in order to indicate the application of the influencing set of features identification on customer purchasing behavior model. A significant reduction in the set of features is obtained. As a result, applying regression decision tree, optimizes input features for forecasing. Also, the results show that reduction of dimensionality leads to decrease computation.