پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 127 |
| تعداد شمارهها | 7,196 |
| تعداد مقالات | 77,227 |
| تعداد مشاهده مقاله | 157,208,900 |
| تعداد دریافت فایل اصل مقاله | 118,400,384 |
پیشبینی ارزش مشتریان بانکی با یادگیری ماشین: رویکرد نوین مبتنیبر نمونهگیری مصنوعی تطبیقی و اهمیت ویژگیها | ||
| مدیریت بازرگانی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 20 اردیبهشت 1405 | ||
| نوع مقاله: مقاله علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jibm.2025.387468.4891 | ||
| نویسندگان | ||
| احمد جعفرنژاد* 1؛ آرمان رضاسلطانی2؛ امیرمحمد خانی2؛ سیده هدی حسینیان3 | ||
| 1استاد، گروه مدیریت صنعتی، دانشکده مدیریت، دانشگاه تهران، تهران، ایران. | ||
| 2دانشجوی دکتری، گروه مدیریت صنعتی، دانشکده مدیریت، دانشگاه تهران، تهران، ایران. | ||
| 3دانشجو دکتری، گروه مدیریت صنعتی، پردیس بین المللی کیش، دانشگاه تهران، تهران، ایران. | ||
| چکیده | ||
| هدف: پیشبینی دقیق ارزش مشتریان در صنعت بانکداری یکی از چالشهای اساسی است که میتواند به تصمیمگیری بهینه در حوزه مدیریت مشتریان و تخصیص منابع کمک کند. این تحقیق با هدف توسعه یک رویکرد جامع برای پیشبینی ارزش مشتریان بانکی انجام شده است. تمرکز اصلی این مطالعه بر مدیریت چالش عدمتعادل دادهها، بهبود عملکرد مدلهای یادگیری ماشین، و انتخاب ویژگیهای کلیدی موثر بر پیشبینی ارزش مشتریان برای کاربردهای واقعی در محیطهای بانکی است. روششناسی: در این پژوهش، دادههای مربوط به 2هزار مشتری یک بانک، شامل 14 ویژگی کلیدی مرتبط با تراکنشها و رفتار مشتریان، مورد تحلیل قرار گرفت. مراحل تحقیق شامل پیشپردازش دادهها، انتخاب ویژگیهای مهم، و مدیریت عدم تعادل دادهها با استفاده از تکنیک ADASYNبود. انتخاب ویژگیهای مهم با استفاده از ترکیب تحلیل همبستگی و روش Feature Importance مبتنی بر الگوریتم Random Forest انجام شد. در این فرآیند، ابتدا ویژگیهایی با همبستگی بالا شناسایی شدند و سپس بر اساس میزان اهمیت آنها، ویژگیهای کلیدی انتخاب شدند. سپس، 11 الگوریتم یادگیری ماشین، از جمله CatBoost، XGBoost، Random Forest، LightGBM و سایر مدلهای خطی و غیرخطی، برای پیشبینی ارزش مشتریان بهکار گرفته شد. بهمنظور بهینهسازی عملکرد مدلها، از چارچوب Optuna برای تنظیم خودکارهایپرپارامترها و از اعتبارسنجی متقاطع پنجبرابری برای ارزیابی دقیق مدلها استفاده شد. عملکرد مدلها براساس 4 شاخص ارزیابی اصلی شامل صحت (Accuracy)، دقت (Precision)، فراخوانی (Recall) و امتیاز F1 سنجیده شد. یافتهها: نتایج نشان داد که الگوریتمهای مبتنیبر یادگیری جمعی بهترین عملکرد را در پیشبینی ارزش مشتریان ارائه میدهند. مدل CatBoost با امتیاز F1 برابر 9324/0 و صحت 909/0 بهعنوان بهترین مدل شناسایی شد. این مدل توانست تعادلی مناسب میان دقت و فراخوانی ایجاد کند، بهگونهای که دقت مدل در پیشبینی مشتریان ارزشمند به 9677/0 و فراخوانی آن به 8998/0 رسید. مدلهای XGBoost و Random Forest نیز عملکردی مشابه با CatBoost داشتند و امتیاز F1 آنها به ترتیب 9322/0 و 932/0 بود. استفاده از رویکرد ترکیبی جهت انتخاب ویژگیها و استفاده از روش ADASYN برای ایجاد تعادل در دادهها، نقش مهمی در بهبود عملکرد این مدلها ایفا کرد. نتیجهگیری : مطالعه حاضر نشان داد که استفاده از رویکردهای نوین یادگیری ماشین همراه با تکنیکهای پیشپردازش تطبیقی مانند ADASYN میتواند بهطور قابلتوجهی عملکرد مدلهای پیشبینی ارزش مشتری را بهبود بخشد. انتخاب دقیق ویژگیها با استفاده از ترکیب تحلیل همبستگی و اهمیت ویژگیها مبتنیبر الگوریتم Random Forest نقش مهمی در بهبود عملکرد مدلها داشت. این فرآیند با شناسایی و حذف ویژگیهای تکراری و کماهمیت، مدلها را قادر ساخت تا با تمرکز بر اطلاعات کلیدی و مؤثر، دقت پیشبینی را افزایش دهند. مدلهای یادگیری جمعی مانند CatBoost، XGBoost و Random Forest به دلیل دقت بالا و توانایی در مدیریت دادههای پیچیده و نامتعادل، بهترین گزینهها برای کاربرد در محیطهای بانکی هستند. این تحقیق با رفع محدودیتهای پژوهشهای پیشین و ارائه رویکردی جامع برای مدیریت دادههای نامتعادل و انتخاب ویژگیهای کلیدی، گامی مؤثر در جهت بهینهسازی استراتژیهای مدیریت مشتریان در صنعت بانکداری برداشته است. نتایج بهدستآمده میتواند به بانکها کمک کند تا با شناسایی دقیق مشتریان ارزشمند، سیاستهای بهتری برای حفظ مشتریان و تخصیص منابع تدوین نمایند. | ||
| کلیدواژهها | ||
| یادگیری ماشین؛ پیشبینی ارزش مشتری؛ نامتعادلی دادهها؛ ADASYN؛ CatBoost | ||
|
آمار تعداد مشاهده مقاله: 164 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب