شاهرخ اسدی - استادیار، آزمایشگاه داده کاوی، دانشکده مهندسی پردیس فارابی دانشگاه تهران
کاوه فرجی گوگردچی - دانشکده مدیریت و حسابداری پردیس فارابی دانشگاه تهران
سیدمحمدباقر جعفری - دانشکده مدیریت و حسابداری پردیس فارابی دانشگاه تهران

یکی از چالش هایی که سازمان ها با آن روبرو هستند مسئله ی رویگردانی مشتریان است. رویگردانی مشتری در واقع بیانگر قطع ارتباط مشتریان با سازمان و امتناع از بکارگیری خدمات سازمان است. پیش بینی و شناسایی دقیق مشتریان رویگردان می تواند سازمانها را از صرف هزینه های بالا محفوظ دارد و موجب رشد آنها گردد. داده کاوی ابزاری را فراهم می آورد که می توان به وسیله ی آن مدل هایی را برای پیش بینی رویگردانی مشتریان طراحی کرد. مدل های جمعی از جمله رویکردهای افزایش دقت در حوزه ی داده کاوی و یادگیری ماشین هستند. دو چالش مهم در تشکیل مدل های جمعی ایجاد تنوع و حداکثر کردن همزمان تنوع وصحتا طبقه بندی است. جهت پیش بینی رویگردانی مشتریان در این پژوهش روش جدیدی ارائه شده است که با استفاده از خوشه بندی طبقه بندی های پایه ی متنوعی را ایجاد می کند که با ترکیب آن ها توسط بهینه سازی چند هدفه وبا درنظر گرفتن دوهدف تنوع وصحت، مدل های جمعی ای با دقت بالا و متشکل از طبقه بندهای متنوع ایجاد می شود. مدل ارائه شده در این تحقیق بااستفاده از مجموعه داده ی مرتبط با یک شرکت تلفن همراه ایرانی مورد ازمایش قرار گرفته است.نتایج آزماشات حاکی از برتری مدل پیشنهادی از منظر شش شاخص G-means _F-score _Precision _Recall _AUC _Accuracy از سایر مدل های جمعی است.

رویگردانی مشتری، روش های یادگیری جمعی، خوشه بندی افزایشی، تنوع الگوریتم بهینه سازی چند هدفه