پیش بینی ارزش مشتریان جدید بانک بر مبنای مدل آر.اف.ام با استفاده از درخت تصمیم بهبودیافته در راستای کاهش حداکثر حافظه مورد نیاز

یکی از مهم ترین فاکتورهای بانکداری در راستای کاهش هزینه ها و افزایش سودآوری،مدیریت و ارزیابی مشتریان با ارزش است. در دهه های اخیر محققان بسیاری به تجزیه وتحلیل ویژگی های مشتریان به منظور تعیین ارزش آن ها با استفاده از تکنیک هایداده کاوی پرداخته اند و درخت تصمیم یکی از پرکاربردترین الگوریتم های داده کاوی در این زمینه است. ازآنجایی که این الگوریتم برای ساخت درخت، تنها یک ویژگی را در یک زمان برای آزمون در هر گره در نظر گرفته و وابستگی بین ویژگی ها را نادیدهمی گیرد، بنابراین این مسیله باعث افزایش ماکزیمم حافظه مورد نیاز می شود. به منظور برطرف نمودن این مشکل، در این پژوهش روشی برای بهبود درخت تصمیم با استفادهاز شبکه عصبی برای کشف وابستگی بین ویژگی ها با رویکرد کاهش ماکزیمم حافظه مورد نیاز پیشنهاد شده که در کنار مدل آر.اف.ام برای پیش بینی ارزش مشتریان جدید استفاده می شود. نتایج آزمایش ها نشان می دهد که روش پیشنهادی با استفاده از وابستگیبین ویژگی ها می تواند ارزش مشتریان جدید را با ماکزیمم حافظه مورد نیاز کم تری نسبت به روش پایه پیش بینی کند