خلاصة:
از مهمترین ابعاد مدیریت ارتباط با مشتری،کشف الگوی رفتاری خرید مشتری است؛ سازمان میتواند با تعریف استراتژیهای بازاریابی دقیقتر جهت جذب مشتریان مشابه اقدام کند.لذا،انتخاب ویژگیهای مؤثر بر روی الگوی رفتاری خرید مشتریان با اهمیت است.زیرا استفاده از ویژگیهای نامرتبط منجر میشود سازمان ناخواسته هزینههای بسیاری را صرف افرادی کند که احتمال خرید آنها ناچیز است.این تحقیق، یک رویه جدید برای شناسایی ویژگیهای مؤثر جهت بهبود پیشبینی مشتریان ارائه میدهد.همچنین یک سیستم تشخیص مشتری مبتنی بر تکنیک غیرخطی درخت تصمیم رگرسیونی جهت انتخاب ویژگیها و پیشبینی رفتار خرید مشتریان طی دو مرحله توسعه داده میشود.چون شناسایی مشتریان از موضوعات حیاتی صنعت بیمه است،از مجموعه دادههای یک شرکت بیمه هلندی برای پیشبینی خرید یکی از محصولات آن استفاده شده است.نتایج نشان میدهد که انتخاب بهترین زیرمجموعه از ویژگیها با بهکارگیری یک درخت رگرسیونی هرس شده علاوه بر کاهش معنادار پیچیدگی محاسبات میتواند بهبود قابل توجهی را در نتایج پیشبینی ایجاد کند.
ملخص الجهاز:
"در ادامه مقاله،به پیاده سازی الگوریتم درخت رگرسیونی هرس شده جهت انتخاب ویژگیها بر روی یک مورد کاوی پرداخته و سپس نشان داده میشو که ویژگیهای انتخاب شده به چه میزان منجر به بهبود نتایج پیشبینی رفتار خرید مشتریان خواهند شد.
قواعد درخت رگرسیونی برای مجموعه دادههای آموزشی پس از هرس زنی (به تصویر صفحه مراجعه شود) بدین ترتیب براساس جدول 1،شش متغیر شامل بیمهنامه اتومبیل مشارکتی،نوع عمده مشتری،بیمهنامه آتشسوزی مشارکتی،بیمهنامه قایق مشارکتی،کارگر بیتجربه و بیمه شخص ثالث مشارکتی به عنوان مؤثرترین عوامل تأثیرگذار بر خرید بیمهنامه کاروان با استفاده از درخت رگرسیوی پس از هرس کردن انتخاب شدهاند.
بنابراین،پس از انتخاب ویژگیها با استفاده از درخت رگرسیونی هرس شده،باید بررسی شود که آیا ویژگیهای انتخاب شده منجر به بهبود پیشبینی رفتار خرید مشتریان این محصول شرکت شدهاند یا خیر.
نتایج حاصل از پیشبینی در دو حالت مختلف (به تصویر صفحه مراجعه شود) همانطور که در جدول 2 مشاهده میشود،اگر پیش از پیشبینی،اقدام به تعیین ویژگیهای مؤثر بر هدف نکنیم،در مجموعه آموزشی با انتخاب 4611 مشتری از 2285 مشتری موجود(02%)،962 مشتری بیمهنامه کاروان از کل 843 مشتری بیمهنامه کاروان(77/3%)شناسایی میشوند که این تعداد 32/11%از مشتریان پیشبینی شده را تشکیل میدهد.
درحالیکه،نتایج دادههای اعتبارسنجی در این حالت نشان میدهد که با انتخاب 02%از مشتریان تنها میتوان 29 مشتری از 832 مشتری که اقدام به خرید بیمهنامه کاروان(83/66%)نمودهاند را پیشبینی کرد که تنها 11/5% از کل مشتریان پیشبینی شده را شامل میشوداختلاف بسیار زیادی که بین مقادیر دادههای آموزشی و دادههای اعتبارسنجی وجود دارد،نشان دهنده وجود ویژگیهای نامرتبط در میان ورودیهاست که منجر به کاهش دقت در برآورد دقیق پیشبنی شده است."