طراحي الگوريتمي پويا براي كاوش در داده ها و پيش بيني صحيح پاسخ مشتري

Dynamic Algorithm Design for Data Mining and Accurate Prediction of Customer Response

مسئله شناسايي و پيش بيني پاسخ مشتريان جهت مخاطب قرار دادن در برنامه هاي بازاريابي مستقيم از ديرباز به عنوان يكي از مسائل مهم و مورد علاقه بازاريابان شيوه مستقيم مطرح شده است. بازارياباني كه از اين رويكردها استفاده مي كنند با خطر واكنش شديد مصرف كنندگاني كه بازاريابي مستقيم را تعرض به زندگي خصوصي خود تلقي مي كنند و از آن رنجيده خاطر مي شوند روبرو هستند، بنابراين حتي ممكن است شركت هايي را كه از اين روش ها استفاده مي كنند به كلي تحريم كنند. شبكه هاي عصبي به عنوان ابزاري قدرتمند براي پيش بيني پاسخ مشتريان بالقوه شناخته شده اند ولي همان گونه كه در پژوهش هاي گذشته نيز عنوان شده است همانند ساير الگوريتم هاي پيش بيني در مواجهه با داده هاي نامتوازن تمايل زيادي به انحراف در نتايج دارند. در اين پژوهش به منظور ارتقاء توان شناسايي و پيش بيني مشتريان بالقوه توسط شبكه هاي عصبي مصنوعي چندلايه ضمن استفاده از روش هاي متداول متعادل سازي داده ها كه در ساير مقاله ها به كرات استفاده شده است، اقدام به ايجاد تركيب هاي مختلف از مشتريان توسط خوشه بندي آنها كرده و در نهايت به معرفي يك الگوريتم ابتكاري و بسيار كارآمد جهت شناسايي و رتبه بندي مشتريان بالقوه پرداخته ايم. نتايج حاكي از آن است كه ايجاد تركيب بهينه اي از داده هاي مشتريان و پياده سازي الگوريتم پوياي پژوهش حاضر به طرز قابل توجهي موجب ارتقاء قدرت پيش بيني شبكه هاي عصبي مصنوعي شده است.

The problem of identifying and anticipating potential customers to be addressed at direct marketing programs has been considered as one of the popular and most important marketers' issue. Marketers who use these approaches are threatened by the severe reaction of those consumers who consider the direct marketing as an attack to their private lives, so it may even be possible to boycott companies that use these methods. Neural networks are known as a powerful tool for prediction, but as previously mentioned, as with other prediction algorithms, they tend to deviate toward imbalanced data. In this research, in order to enhance the ability to identify and predict potential customers by multilayer perceptron networks, using Random under-over sampling methods, which has been used frequently in other articles, we attempted cluster customers and create different combinations of them, and then from the observed results, we finally introduced an innovative and highly efficient method for identifying and rating potential customers. The results indicate that, in addition to the undeniable power of multilayer neural networks in the field of identification and prediction, imbalanced data has greatly damaged the results. In this regard, creating an optimal combination of customer data and implementing the innovative algorithm of the present study significantly improves the results and the performance of artificial neural networks has yielded a reliable consequences.