مدلی جهت تحلیل و پیش بینی رفتار مشتری با استفاده از الگوریتم k-means و ترکیب الگوریتم های knn وشبکه عصبی MLP

در این پژوهش هدف اصلی مدلی جهت تحلیل و پیش بینی رفتار مشتری با استفاده از الگوریتمk-means و ترکیب الگوریتم های knnو شبکه عصبیMLP است. مشکل اصلی تحلیل و پیش بینی رفتار مشتری در آینده می باشد که راهکار پیشنهادی، استفاده از الگوریتم های خوشه بندی K-means و طبقه بندی K-NN و شبکه عصبی MLPاست. ابتدا براساس مدل NLRFM که به همراه الگوریتم K-means مشتریان را به سه گروه (وفادار، قدیمی و ریزشی) تقسیم می شوند و بعد از آن تعداد بهینه خوشه ها بدست می آید و از الگوریتم جدید FHO که با الهام از رفتار شکار شاهین ها در طبیعت طراحی شده، برای انتخاب نقاط بهینه (ویژگی ها) استفاده می شود. با استفاده از این روش ۷ ویژگی انتخاب می شوند. در مرحله بعدی نتیجه خروجی خوشه ها به عنوان متغیر هدف در نظر گرفته شده و با استفاده از الگوریتم های K-NN و شبکه عصبیMLP یکبار بدون انتخاب ویژگی و یکبار با انتخاب ویژگی به پیش بینی رفتار مشتری پرداخته می شود که نتایج نشان می دهد دقت الگوریتم K-NN کمتر از الگوریتم شبکه عصبی MLP می باشد و بار دیگر الگوریتم K-NN و الگوریتم شبکه عصبی MLPرا با FHO در نظر گرفته که باز هم الگوریتم شبکه عصبی MLPبا FHO دقت بالاتری نسبت به الگوریتم K-NN با FHO دارد. در نتیجه مشتریان وفادار شرکت پخش و توزیع مواد غذایی مشخص شده ،که باعث سودآوری شرکت می باشند و بدین جهت برای کلیه دسته مشتریان استراتژی مناسب در نظر گرفته می شود.

کلیدواژه ها:

Datamining ، CRM ، K-means ، K-NN ، MLP ، FHO ، RFM