پيش‌بيني ارزش مشتريان جديد بانك بر مبناي مدل آر.اف.ام با استفاده از درخت تصميم بهبوديافته در راستاي كاهش حداكثر حافظه مورد نياز

Prediction of Bank Customer Value based on RFM Model Using Improved Decision Tree to Reduce the Maximum Required Memory

يكي از مهم‌ترين فاكتورهاي بانكداري در راستاي كاهش هزينه‌ها و افزايش سودآوري، مديريت و ارزيابي مشتريان با ارزش مي‌باشد. در دهه‌هاي اخير محققان بسياري به تجزيه و تحليل ويژگي‌هاي مشتريان به منظور تعيين ارزش آن‌ها با استفاده از تكنيك‌هاي داده‌كاوي پرداخته‌اند و درخت تصميم يكي از پركاربردترين الگوريتم‌هاي داده‌كاوي در اين زمينه است. از آن‌جايي كه اين الگوريتم براي ساخت درخت، تنها يك ويژگي را در يك زمان براي آزمون در هر گره در نظر گرفته و وابستگي بين ويژگي‌ها را ناديده مي‌گيرد، بنابراين اين مسئله باعث افزايش ماكزيمم حافظه مورد نياز مي‌شود. به منظور برطرف نمودن اين مشكل، در اين پژوهش روشي براي بهبود درخت تصميم با استفاده از شبكه عصبي براي كشف وابستگي بين ويژگي‌ها با رويكرد كاهش ماكزيمم حافظه مورد نياز پيشنهاد شده كه در كنار مدل آر.اف.ام براي پيش‌بيني ارزش مشتريان جديد استفاده مي‌شود. نتايج آزمايش‌ها نشان مي‌دهد كه روش پيشنهادي با استفاده از وابستگي بين ويژگي‌ها مي‌تواند ارزش مشتريان جديد را با ماكزيمم حافظه مورد نياز كم‌تري نسبت به روش پايه پيش‌بيني كند.