ارائه مدلی مبتنی بر الگوریتم جنگل تصادفی و بهینه سازی جایا برای پیش بینی ریزش مشتریان بانکی

ریزش مشتری یک اصطلاح مالی است که به از دست دادن مشتری اشاره دارد؛ امروزه با توجه به تعداد زیاد بانک ها، ریزش مشتریان از یک بانک به بانک دیگر تبدیل به دغدغه جدی برای بانک های مختلف شده است. بنابراین در این مقاله که برای مشتریان یک بانک گردآوری شده است، می توان با توجه به رفتار و ویژگی های مشتریان قبل از وقوع ریزش، به شناسایی مشتریانی که احتمال ریزش بالایی دارند پرداخت و با ارائه پیشنهادهایی آن ها را حفظ نمود. در بازاریابی همه بر این امر توافق دارند که حفظ یک مشتری از جذب یک مشتری جدید بسیار کم هزینه تر است، از این رو این مقاله به معرفی فازهای مختلف رویکرد پیش بینی مشتری ریزشی با کمک یادگیری ماشین پرداخته است. روش پیشنهادی ترکیبی از الگوریتم های جنگل تصادفی و بهینه سازی جایا می باشد و ریزش مشتری را بر اساس ویژگی های مختلف مشتری مانند سن، جنسیت، جغرافیا و موارد دیگر پیش-بینی می کند. نتایج حاصل از مدل پیشنهادی در مقاله به ترتیب در معیارهای Precision ، Recall و Accuracy برابر مقادیر۹۱.۴۱ درصد، ۹۵.۶۶ درصدو ۹۳.۳۵ درصد می باشد.

کلیدواژه ها:

الگوریتم جنگل تصادفی ، بهینه سازی جایا ، ریزش مشتری ، یادگیری ماشینی