پیش بینی پاسخ مشتریان در بازاریابی مستقیم با شبکه های عصبی چندلایه

هدف پژوهش حاضر شناسایی هر چه دقیق تر مشتریان بالقوه جهت مخاطب قرار دادن در برنامه های بازاریابی مستقیم است که از دیرباز به عنوان یکی از مسائل مهم و مورد علاقه بازاریابان شیوه مستقیم مطرح بوده است. مهم ترین مسئله در این راستا کاوش در مجموعه داده های مشتریان است که همواره از عدم توازن بالایی برخوردار می باشد. در این پژوهش با ترکیب روش های کم نمونه گیری و بیش نمونه گیری تصادفی کلاس اکثریت و اقلیت که در پژوهش های گذشته به کرات استفاده شده، با خوشه بندی مشتریان و استخراج نمونه های متعادل تر اقدام به طراحی و توسعه یک الگوریتم پویا و اثربخش در راستای شناسایی و پیش بینی مشتریان بالقوه نموده ایم. بدین منظور از پایگاه داده مشتریان یک آژانس مسافرتی (بالغ بر 10000 رکورد) استفاده شده است. نتایج حاکی از آن است که با استفاده از داده های اولیه مشتریان به هیچ وجه نمی توان به یک پیش بینی قابل اتکا و استفاده دست یافت. بکارگیری روش های نمونه گیری مجدد با استفاده از خوشه بندی مشتریان و ترکیب کلاس های اقلیت و اکثریت به روش های مختلف و مطابق با الگوریتم ابتکاری ارائه شده می تواند توان پیش بینی طبقه بند درخت تصمیم را به طرز شگفت انگیزی افزایش داده و در موقعیت ها و بازارهای مختلف مورد استفاده قرار گیرد. در نهایت با ترکیب نتایج حاصل از کدهای XML استخراج شده در هر مرحله و معیار حاصل ضرب می توان به شناسایی و رتبه بندی مشتریان بالقوه و هدف گذاری آنها به شیوه ای کارآمد پرداخت.

کلیدواژه ها:

ارتقاء توان پیش بینی ، عدم تعادل کلاس ، داده کاوی ، شبکه عصبی