پیش بینی سودآوری مشتری در بانک: پیدا کردن ترکیبی مطلوب از مقایسه روش های داده کاوی

داده کاوی روشی است که در آن از بانک های اطلاعاتی حجیم دانش ها ی کشف نشده ای استخراج می شوند. این اهمیت درCRMکه اطلاعات زیادی از مشتریان را در خود نگهداری م ی کند دیده می شود. علاوه بر این داده کاوی در فرایندهای تصمیم گیری شرکت ها دخالت زیادی می کند. داده کاو ی در شکل دهی تجارت ها و ارتباطات مشتریان به ابزار مهمی تبدیل شده است. استخراج داده ها و کشفآن ها به منظور تصمیم گیری بهتر می باشد و به عنوان یک مؤلفه ضروری در سازمان های مختلف درآمده است این تکنیک ها نیازمند زمینه های جدید علمی ، آماری و قابلیت های محاسباتی مناسب م ی باشد.فرآیند کسب مشتری است به طورکلی برای نمایندگان فروش تعهدی استرس زا است. خوشبختانه مدل هایی وجود دارد که می تواند به آن ها در انتخاب درست کمک کند. دو عامل در این فرایند نقشاساسی دارد: احتمال تبدیل شدن به یک مشتری و سودی که پس از جذب مشتری به دست م ی آید .. هدف از انجام این تحقیق مقایسه دقت و عملکرد چهار مدل پیش بینی کننده شبکه عصبی، درخت تصمیم گیریC&RTرگرسیون لجستیک وBagging Treeمی باشد. بدین منظور از یک مجموعه داده رایگان با عنوانBankکه در سال 2012 توسطSérgio Moro و Paulo Cortez (Univ. Minho(ISCTE-IUL) جمع آوری گردیده، استفاده شده است. این مجموعه داده مربوط به یک کمپین تبلیغاتیبانکی است که شامل 4521 رکورد و 14 فیلد می باشد. .درواقع با استفاده از مقایسه این تکنیک ها می خواهیم دقت عملکرد این مدل ها در پیش بینی سودآوری مشتریان را محاسبه کنیم.

کلیدواژه ها:

کلمنتاین ، مشتری ، بانک ، درخت تصمیم ، رگرسیون لجستیک ، شبکه عصبی ، درختBagging