رویکرد ترکیبی مبتنی بر یادگیری عمیق و الگوریتم تکاملی برای پیش بینی پویای ریزش مشتریان در هوش تجاری

در عصر سیستم های داده محور با توجه به رقابت فشرده بین شرکت ها در بازارهای دیجیتال، شناسایی مشتریانی که در معرض خطر ریزش هستند، بسیار حائز اهمیت است؛ با استفاده از راهکارهای هوش تجاری مبتنی بر پیش بینی ریزش مشتریان، شرکت ها می توانند با اتخاذ تصمیمات کلیدی نرخ حفظ مشتریان، سودآوری و سهم بازار خود را افزایش دهند. با این حال، شباهت ویژگی ها بین مشتریانی که ریزش می کنند و کسانی که ریزش نمی کنند، مسئله را پیچیده تر می کند. در این مقاله، با استفاده از مدل ترکیبی تحلیل متن و الگوریتم بهینه سازی فراابتکاری، یک راهکار بهینه و پویا تحت عنوان PKLSM در زمینه هوش تجاری طراحی شده است. به این صورت که پس از پیش پردازش داده ها، تکنیک تجزیه و تحلیل مولفه های اصلی (PCA) برای کاهش ابعاد و انتخاب ویژگی ها استفاده می شود تا پیچیدگی محاسباتی کاهش یابد. در ادامه الگوریتم خوشه بندی K-means برای بخش بندی مشتریان مورد استفاده قرار می گیرد؛ سپس شبکه عصبی حافظه طولانی کوتاه مدت (LSTM) و خودرمزگذار انباشته (SAE) ادغام شده و برای طبقه بندی داده های هر بخش استفاده می شوند. در مدل LSTM-SAE، توانایی SAE در شناسایی ویژگی های فشرده با توانایی طبقه بندی مدل LSTM یکپارچه شده است. در نهایت، الگوریتم بهینه سازی اصلاح شده جهانی گرده افشانی گل ها(MGFPA) برای بهینه سازی فراپارامترها و بهبود فرآیند پیش بینی ریزش مشتریان استفاده شده است. سنجش مدل پیشنهادی بر روی مجموعه داده های مقاله مرجع در زمینه پیش بینی ریزش مشتریان، انجام شده است و نتایج به دست آمده (به ترتیب بر روی مجموعه داده های شماره ۱ - ۳) نشان دهنده عملکرد برتر مدل پیشنهادی با دقت ۹۷.۸۹٪، ۹۵.۴۴٪ و ۹۳.۸۲٪ است.

کلیدواژه ها:

پیش بینی ریزش مشتریان ، یادگیری عمیق ، LSTM ، طبقه بندی ، هوش تجاری ، صنعت مخابرات