استخراج مشخصه‌های hmm-محور جهت پیش‌بینی رفتار تراکنشی مشتری با استفاده از مدل یادگیری عمیق

پیش‌بینی درست رفتار مشتریان می‌تواند تاثیر زیادی در جلوگیری از رویگردان شدن آن‌ها داشته باشد. در سال‌های اخیر، استفاده از روش‌های یادگیری ماشین و به‌ویژه یادگیری عمیق جهت بررسی و پیش‌بینی رفتار مشتریان بسیار مرسوم شده است. این روش‌ها اغلب مشخصه‌های مورد نیاز برای پیش‌بینی را از تراکنش استخراج می‌کنند. درحالی که رفتار مالی و تراکنشی مشتریان تحت تاثیر عوامل و مشخصه‌های متعددی قرار دارد و بعضی از این مشخصه‌های تاثیرگذار در یک تراکنش به‌تنهایی وجود ندارند و باید در یک توالی زمانی از تراکنش‌ها محاسبه شوند. این مشخصه‌ها ناشناخته هستند و استخراج آن‌ها دشوار است، بنابراین روش‌های ترکیبی و پیچیده‌ای برای استخراج آنها و پیش‌بینی رفتار مورد نیاز است. با توجه به این‌که رویدادهای تقویمی، سیاسی و اجتماعی نقشی تاثیرگذار در رفتار تراکنشی مشتریان دارند و از طرفی با توجه به این‌که این رویدادها در دوره‌های زمانی مشخص تکرارپذیر هستند، در این مقاله با مدل کردن ترتیب و توالی رویدادهای مذکور به صورت هفتگی، روشی خودکار جهت استخراج مشخصه‌های توالی‌محور با استفاده از مدل مخفی مارکوف ارائه شده است. در این روش با توجه به رفتار هر مشتری در برخورد با رویدادهای مشابه در طول هفته‌های گذشته، 16 مشخصه توالی‌محور استخراج شده است که در نهایت این مشخصه‌ها همراه با سایر مشخصه‌های تعیین شده، به عنوان ورودی به یک مدل یادگیری عمیق داده شده‌اند. نتایج به دست آمده حاکی از افزایش دقت و کاهش خطای پیش‌بینی پس از اضافه شدن مشخصه‌های توالی‌محور استخراج شده به مدل یادگیری عمیق است.