خلاصة:
هدف پژوهش حاضر شناسایی هر چه دقیقتر مشتریان بالقوه جهت مخاطب قرار دادن در برنامههای بازاریابی مستقیم است که از دیرباز به عنوان یکی از مسائل مهم و مورد علاقة بازاریابان شیوة مستقیم مطرح بوده است. مهمترین مسئله در این راستا کاوش در مجموعة دادههای مشتریان است که همواره از عدم توازن بالایی برخوردار میباشد. در این پژوهش با ترکیب روشهای کم نمونهگیری و بیشنمونهگیری تصادفی کلاس اکثریت و اقلیت که در پژوهشهای گذشته به کرات استفاده شده، با خوشهبندی مشتریان و استخراج نمونههای متعادلتر اقدام به طراحی و توسعه یک الگوریتم پویا و اثربخش در راستای شناسایی و پیشبینی مشتریان بالقوه نمودهایم. بدینمنظور از پایگاه دادة مشتریان یک آژانس مسافرتی (بالغ بر 10000 رکورد) استفاده شده است. نتایج حاکی از آن است که با استفاده از دادههای اولیه مشتریان به هیچ وجه نمیتوان به یک پیشبینی قابل اتکا و استفاده دستیافت. بکارگیری روشهای نمونهگیری مجدد با استفاده از خوشهبندی مشتریان و ترکیب کلاسهای اقلیت و اکثریت به روشهای مختلف و مطابق با الگوریتم ابتکاری ارائه شده میتواند توان پیشبینی طبقهبند درخت تصمیم را به طرز شگفتانگیزی افزایش داده و در موقعیتها و بازارهای مختلف مورد استفاده قرار گیرد. در نهایت با ترکیب نتایج حاصل از کدهای XML استخراج شده در هر مرحله و معیار «حاصلضرب» میتوان به شناسایی و رتبهبندی مشتریان بالقوه و هدفگذاری آنها به شیوهای کارآمد پرداخت.
The purpose of this study is to identify the potential customers to address in direct marketing programs, which has been regarded as one of the most important issues for direct marketers. The most important matter is the customer’s data set, which is always highly imbalanced. In this study, by combining the random under-sampling and over-sampling of the majority and minority classes that have been used frequently in past studies, we have designed and developed a dynamic and effective algorithm to identify and predict potential customers by clustering customers and extracting more balanced samples. For this purpose, a travel agency database (of over 10,000 records) has been used. The results indicate that customer's raw data cannot make a reliable prediction. On the other hand, Re-sampling methods using customer clustering and combining of minority and majority classes according to the proposed algorithm dramatically increases the prediction power of the decision tree and can be used in different situations and markets. Finally, by combining the results of the extracted XML codes and "multiple" criterion in each step, we can identify and rank potential customers and target them in an efficient way.
ملخص الجهاز:
1- Armstrong 2- Jiang & Rosenbloom 3- Big Data 4- Achrol & Kotler 5- Ding 6- Uncles مدل های پیش بینی داده محور به طور گســترده ای برای پیش بینی پاســخ مشــتری به کمپین های بازاریابی مورد استفاده قرار گرفته است چن و همکاران (٢٠١٥)، ولی آنچه که باعث ضـعف این مدل ها وخیم تر شـدن مسـئله میشـود آن است که نرخ پاسخ در شـرایط کلی بازاریابی مسـتقیم اغلب بسیار پایین است .
هدف ما در این پژوهش توســعۀ الگوریتمی ابتکاری برای ترکیب روش های مختلف کاهش عدم توازن کلاس مشـتریان (مشـتریان پاسـخ گو و غیر پاسـخ گو) با اسـتفاده از خوشه بندی، کم نمونه گیری و بیش نمونه گیری تصـادفی مشتریان و نیز استفاده از ترکیب طبقه بندهای مختلف به منظور آموزش سیستم های خبره و پیش بینی پاسخ مشتریان میباشد.
هدف از مدل ســازی واکنش این 1- Kara & Kaynak 2- Goebel & Gruenwald 3- Response Modeling 4- Sun 5- Berry 6- Gönül & Hofstede اسـت که بر اساس تاریخچه خرید مشتری و سایر اطلاعات در دسترس ، مشتریانی را شـناسـایی کنیم که به احتمال زیاد یک محصـول را خریداری میکنند.
1- Classification 2-Yang & Wu 3- Galar 4- Algorithm level 5- Barandelaa 6- Ensemble Methodology 7- Support Vector Machine 8- Yan 9- Data Level 10- Re-sampling 11- Napierała 12- Cost-sensitive learning 2 در این بین ، روش های سطح داده با دو رویکرد کم نمونه برداری ١ و بیش نمونه برداری از روش های موثر در متوازن نمودن داده ها محســـوب میشـــوند (لی ٣ و همکاران ، ٢٠١٠).