پیش‌بینی پاسخ مشتریان در بازاریابی مستقیم با شبکه‌های عصبی چندلایه

هدف پژوهش حاضر شناسایی هر چه دقیق‌تر مشتریان بالقوه جهت مخاطب قرار دادن در برنامه‌های بازاریابی مستقیم است که از دیرباز به عنوان یکی از مسائل مهم و مورد علاقه بازاریابان شیوه مستقیم مطرح بوده است. مهم‌ترین مسئله در این راستا کاوش در مجموعه داده‌های مشتریان است که همواره از عدم توازن بالایی برخوردار می‌باشد. در این پژوهش با ترکیب روش‌های کم نمونه‌گیری و بیش‌نمونه‌گیری تصادفی کلاس اکثریت و اقلیت که در پژوهش‌های گذشته به کرات استفاده شده، با خوشه‌بندی مشتریان و استخراج نمونه‌‌های متعادل‌تر اقدام به طراحی و توسعه یک الگوریتم پویا و اثربخش در راستای شناسایی و پیش‌بینی مشتریان بالقوه نموده‌ایم. بدین‌منظور از پایگاه داده مشتریان یک آژانس مسافرتی (بالغ بر 10000 رکورد) استفاده شده است. نتایج حاکی از آن است که با استفاده از داده‌های اولیه مشتریان به هیچ وجه نمی‌توان به یک پیش‌بینی قابل اتکا و استفاده دست‌یافت. بکارگیری روش‌های نمونه‌گیری مجدد با استفاده از خوشه‌بندی مشتریان و ترکیب کلاس‌های اقلیت و اکثریت به روش‌های مختلف و مطابق با الگوریتم ابتکاری ارائه شده می‌تواند توان پیش‌بینی طبقه‌بند درخت‌ تصمیم را به طرز شگفت‌انگیزی افزایش داده و در موقعیت‌ها و بازارهای مختلف مورد استفاده قرار گیرد. در نهایت با ترکیب نتایج حاصل از کدهای xml استخراج شده در هر مرحله و معیار «حاصل‌ضرب» می‌توان به شناسایی و رتبه‌بندی مشتریان بالقوه و هدف‌گذاری آنها به شیوه‌ای کارآمد پرداخت.

Improvement of customer response prediction in direct marketing by neural networks

The purpose of this study is to identify the potential customers to address in direct marketing programs, which has been regarded as one of the most important issues for direct marketers. The most important matter is the customer’s data set, which is always highly imbalanced. In this study, by combining the random undersampling and oversampling of the majority and minority classes that have been used frequently in past studies, we have designed and developed a dynamic and effective algorithm to identify and predict potential customers by clustering customers and extracting more balanced samples. For this purpose, a travel agency database (of over 10,000 records) has been used. The results indicate that customer’s raw data cannot make a reliable prediction. On the other hand, Resampling methods using customer clustering and combining of minority and majority classes according to the proposed algorithm dramatically increases the prediction power of the decision tree and can be used in different situations and markets. Finally, by combining the results of the extracted XML codes and "multiple" criterion in each step, we can identify and rank potential customers and target them in an efficient way.