پيش‌بيني پاسخ مشتريان در بازاريابي مستقيم با شبكه‌هاي عصبي چندلايه

هدف پژوهش حاضر شناسايي هر چه دقيق‌تر مشتريان بالقوه جهت مخاطب قرار دادن در برنامه‌هاي بازاريابي مستقيم است كه از ديرباز به عنوان يكي از مسائل مهم و مورد علاقه بازاريابان شيوه مستقيم مطرح بوده است. مهم‌ترين مسئله در اين راستا كاوش در مجموعه داده‌هاي مشتريان است كه همواره از عدم توازن بالايي برخوردار مي‌باشد. در اين پژوهش با تركيب روش‌هاي كم نمونه‌گيري و بيش‌نمونه‌گيري تصادفي كلاس اكثريت و اقليت كه در پژوهش‌هاي گذشته به كرات استفاده شده، با خوشه‌بندي مشتريان و استخراج نمونه‌‌هاي متعادل‌تر اقدام به طراحي و توسعه يك الگوريتم پويا و اثربخش در راستاي شناسايي و پيش‌بيني مشتريان بالقوه نموده‌ايم. بدين‌منظور از پايگاه داده مشتريان يك آژانس مسافرتي (بالغ بر 10000 ركورد) استفاده شده است. نتايج حاكي از آن است كه با استفاده از داده‌هاي اوليه مشتريان به هيچ وجه نمي‌توان به يك پيش‌بيني قابل اتكا و استفاده دست‌يافت. بكارگيري روش‌هاي نمونه‌گيري مجدد با استفاده از خوشه‌بندي مشتريان و تركيب كلاس‌هاي اقليت و اكثريت به روش‌هاي مختلف و مطابق با الگوريتم ابتكاري ارائه شده مي‌تواند توان پيش‌بيني طبقه‌بند درخت‌ تصميم را به طرز شگفت‌انگيزي افزايش داده و در موقعيت‌ها و بازارهاي مختلف مورد استفاده قرار گيرد. در نهايت با تركيب نتايج حاصل از كدهاي XML استخراج شده در هر مرحله و معيار «حاصل‌ضرب» مي‌توان به شناسايي و رتبه‌بندي مشتريان بالقوه و هدف‌گذاري آنها به شيوه‌اي كارآمد پرداخت.