طراحی الگوریتمی پویا برای کاوش در داده‌ها و پیش‌بینی صحیح پاسخ مشتری
محورهای موضوعی : مدیریت
مهدی زکی‌پور
1
(
دانشجوی دکتری، گروه مدیریت، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران
)
سینا نعمتی زاده
2
(
دانشیار، گروه مدیریت بازرگانی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران (عهده دار مکاتبات)
)
محمد‌علی افشار کاظمی
3
(
دانشیار، گروه مدیریت صنعتی، واحد تهران مرکزی، ، دانشگاه آزاد اسلامی، تهران، ایران
)
کلید واژه: پاسخ مشتری, بازاریابی مستقیم, طراحی الگوریتم, بهینه‌سازی پیش‌بینی,
چکیده مقاله :
مسئله شناسایی و پیش‌بینی پاسخ مشتریان جهت مخاطب قرار دادن در برنامه‌های بازاریابی مستقیم از دیرباز به عنوان یکی از مسائل مهم و مورد علاقة بازاریابان شیوة مستقیم مطرح شده است. بازاریابانی که از این رویکردها استفاده می‌کنند با خطر واکنش شدید مصرف‌کنندگانی که بازاریابی مستقیم را تعرض به زندگی خصوصی خود تلقی می‌کنند و از آن رنجیده خاطر می‌شوند روبرو هستند، بنابراین حتی ممکن است شرکت‌هایی را که از این روش‌ها استفاده می‌کنند به کلی تحریم کنند. شبکه‌های عصبی به عنوان ابزاری قدرتمند برای پیش‌بینی پاسخ مشتریان بالقوه شناخته شده‌اند ولی همان‌گونه که در پژوهش‌های گذشته نیز عنوان شده است همانند سایر الگوریتم‌های پیش‌بینی در مواجهه با دادههای نامتوازن تمایل زیادی به انحراف در نتایج دارند. در این پژوهش به منظور ارتقاء توان شناسایی و پیش‌بینی مشتریان بالقوه توسط شبکه‌های عصبی مصنوعی چندلایه ضمن استفاده از روش‌های متداول متعادل‌سازی داده‌ها که در سایر مقاله‌ها به کرات استفاده شده است، اقدام به ایجاد ترکیب‌های مختلف از مشتریان توسط خوشه‌بندی آنها کرده و در نهایت به معرفی یک الگوریتم ابتکاری و بسیار کارآمد جهت شناسایی و رتبه‌بندی مشتریان بالقوه پرداخته‌ایم. نتایج حاکی از آن است که ایجاد ترکیب بهینه‌ای از دادههای مشتریان و پیاده‌سازی الگوریتم پویای پژوهش حاضر به طرز قابل توجهی موجب ارتقاء قدرت پیش‌بینی شبکه‌های عصبی مصنوعی شده است.
The problem of identifying and anticipating potential customers to be addressed at direct marketing programs has been considered as one of the popular and most important marketers' issue. Marketers who use these approaches are threatened by the severe reaction of those consumers who consider the direct marketing as an attack to their private lives, so it may even be possible to boycott companies that use these methods. Neural networks are known as a powerful tool for prediction, but as previously mentioned, as with other prediction algorithms, they tend to deviate toward imbalanced data. In this research, in order to enhance the ability to identify and predict potential customers by multilayer perceptron networks, using Random under-over sampling methods, which has been used frequently in other articles, we attempted cluster customers and create different combinations of them, and then from the observed results, we finally introduced an innovative and highly efficient method for identifying and rating potential customers. The results indicate that, in addition to the undeniable power of multilayer neural networks in the field of identification and prediction, imbalanced data has greatly damaged the results. In this regard, creating an optimal combination of customer data and implementing the innovative algorithm of the present study significantly improves the results and the performance of artificial neural networks has yielded a reliable consequences.
_||_