مدل پیش بینی رویگردانی مشتریان با تکنیک جنگل تصادفی(مطالعه موردی گروه صنعتی کاله)

سال انتشار: 1391
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 2,074

فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ICS11_077

تاریخ نمایه سازی: 14 مهر 1392

چکیده مقاله:

سازمان ها برای پیروزس در میدان رقابت جهانی نیاز به شناخت رفتار مشتریان خود دارند تا بتوانند برای نگهداری آنها زودتر از دیگران تمایلات آنها را پیش بینی کنند. در سال های اخیر، استراتژی های بازاریابی از محصول مداری به مشتری مداری تغییر کرده است. از این رو سازمان ها به تمرکر بر مدیریت ارتباط با مشتریان روی آورده اند و دریافته اند که نگهداری مشتریان فعلی شان، به عنوان گرانبهاترین سرمایه، ارزش بالایی دارد. از این رو در این مطالعه با هدف تبیین قابلیت های داده کاوی در مدیریت رویگردانی و طراحی و پیاده سازی یک مدل پیش بینی رفتار رویگردان مشتریانف با بهره گیر از متدلوژی استاندارد CRISP-CM بر اساس مدل RFM و تکنیک جنگل تصادفی به کاوش در پایگاه داده یکی از بزرگترین هولدینگ های کشور، گروه صنایع غذایی سولیکو، پرداخته شده است. مطالعه سال های 2005 تا 2010 نشان داده است که تکنیک درخت تصمیم و جنگل تصادفی، یکی از پر کاربردترن روش های مدل سازی رفتار مشتری می باشد. با کاربرد این مدل، مشتریانی که تمایل به رویگردانی دارند شناسایی شده و راه کارهای بازاریابی موثر برای این گروه برنامه ریزی می شود. تحلیل رفتار مشتری نشان می دهد طول ارتباط فعال مشتری، تناوب خرید نسبی و متوسط فاصله زمانی بین خرید از بهترین پیش بینی کنندگان می باشند

کلیدواژه ها:

مدل رویگردانی ، متدلوژی CRISP-DM مدل RFM ، جنگل تصادفی

نویسندگان

صدف نبوی

دانشکده آموزش های الکترونیکی، دانشگاه شیراز

شهرام جعفری

دانشکده مهندسی برق و کامپیوتر، دانشگاه شیراز

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • _ S.Y. Hung and D. Yen and H.Y. Wang, "Applying ...
  • _ _ _ Business Research, Vol. 47, No. 3, pp. ...
  • M.R. Colgate and P.J. Danaher, "Implementing a customer ...
  • , pp. 375-387, Springer, 2000. ...
  • Y.F. Wang and C. Ding-An and H. Mei-Hua, "Arecommender system ...
  • A.P. Minguel, "Measuring the impact of data mining on chur ...
  • I7] E.W.T. Ngai and L. Xiu and D.C.K. Chau, "Application ...
  • W.J. Reinartz, «On the profitability of long life customers in ...
  • C. Wu and H.L. Chen "Counting your customer6s in store ...
  • s.. Chan and V.Cho, _ model for predicting customer value ...
  • . Hwang and T. Jung and E. Suh, "An LT" ...
  • M.A. North, "Data Mining for the masses". Creative Common A4tribution ...
  • , pp. 35-39, 2004. ...
  • . Hadden and A. Tiwaria and R Roya and , ...
  • .J.A McCarty and M. Hastak, "Segmentation approach in daa mining: ...
  • J. Wu and Z. Lin, "Research on customer segmentation model ...
  • k. Coussement and V. Den poel, F"Churn prediction in subscription ...
  • pp. 313-327, Elsevier, 2008. ...
  • Cutler and D.R Cutlr and J.R Stevens, «Ensemble .ه [19] ...
  • z... Zhou, ،Ensemble methods: Foundation and ...
  • _ algorithms". Taylor _ Francis Group, 3" «dition, ISBN. 978143983005 ...
  • F. Livingston, "Implementatio of Breimans random fores machine learning algorithm". ...
  • th Iranian Conference «on Intelligent Systems February 27th & 28th, ...
  • نمایش کامل مراجع