زکی‌پور, مهدی, نعمتی زاده, سینا, افشار کاظمی, محمد‌علی. (1397). طراحی الگوریتمی پویا برای کاوش در داده‌ها و پیش‌بینی صحیح پاسخ مشتری. فصلنامه مدیریت توسعه و تحول, 1397(35), 39-48.
مهدی زکی‌پور; سینا نعمتی زاده; محمد‌علی افشار کاظمی. "طراحی الگوریتمی پویا برای کاوش در داده‌ها و پیش‌بینی صحیح پاسخ مشتری". فصلنامه مدیریت توسعه و تحول, 1397, 35, 1397, 39-48.
زکی‌پور, مهدی, نعمتی زاده, سینا, افشار کاظمی, محمد‌علی. (1397). 'طراحی الگوریتمی پویا برای کاوش در داده‌ها و پیش‌بینی صحیح پاسخ مشتری', فصلنامه مدیریت توسعه و تحول, 1397(35), pp. 39-48.
زکی‌پور, مهدی, نعمتی زاده, سینا, افشار کاظمی, محمد‌علی. طراحی الگوریتمی پویا برای کاوش در داده‌ها و پیش‌بینی صحیح پاسخ مشتری. فصلنامه مدیریت توسعه و تحول, 1397; 1397(35): 39-48.
طراحی الگوریتمی پویا برای کاوش در داده‌ها و پیش‌بینی صحیح پاسخ مشتری
1دانشجوی دکتری، گروه مدیریت، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران
2دانشیار، گروه مدیریت بازرگانی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران (عهده دار مکاتبات)
3دانشیار، گروه مدیریت صنعتی، واحد تهران مرکزی، ، دانشگاه آزاد اسلامی، تهران، ایران
چکیده
مسئله شناسایی و پیش‌بینی پاسخ مشتریان جهت مخاطب قرار دادن در برنامه‌های بازاریابی مستقیم از دیرباز به عنوان یکی از مسائل مهم و مورد علاقة بازاریابان شیوة مستقیم مطرح شده است. بازاریابانی که از این رویکردها استفاده می‌کنند با خطر واکنش شدید مصرف‌کنندگانی که بازاریابی مستقیم را تعرض به زندگی خصوصی خود تلقی می‌کنند و از آن رنجیده خاطر می‌شوند روبرو هستند، بنابراین حتی ممکن است شرکت‌هایی را که از این روش‌ها استفاده می‌کنند به کلی تحریم کنند. شبکه‌های عصبی به عنوان ابزاری قدرتمند برای پیش‌بینی پاسخ مشتریان بالقوه شناخته شده‌اند ولی همان‌گونه که در پژوهش‌های گذشته نیز عنوان شده است همانند سایر الگوریتم‌های پیش‌بینی در مواجهه با دادههای نامتوازن تمایل زیادی به انحراف در نتایج دارند. در این پژوهش به منظور ارتقاء توان شناسایی و پیش‌بینی مشتریان بالقوه توسط شبکه‌های عصبی مصنوعی چندلایه ضمن استفاده از روش‌های متداول متعادل‌سازی داده‌ها که در سایر مقاله‌ها به کرات استفاده شده است، اقدام به ایجاد ترکیب‌های مختلف از مشتریان توسط خوشه‌بندی آنها کرده و در نهایت به معرفی یک الگوریتم ابتکاری و بسیار کارآمد جهت شناسایی و رتبه‌بندی مشتریان بالقوه پرداخته‌ایم. نتایج حاکی از آن است که ایجاد ترکیب بهینه‌ای از دادههای مشتریان و پیاده‌سازی الگوریتم پویای پژوهش حاضر به طرز قابل توجهی موجب ارتقاء قدرت پیش‌بینی شبکه‌های عصبی مصنوعی شده است.
ابتدای صفحه