کاربرد ماشین بردار پشتیبان در مدیریت ارتباط با مشتریان CRM
ماشین بردار پشتیبان – از جمله کاربرد های مدل های داده کاوی و ماشین بردار پشتیبان می توان به مدلسازی فرآیند ریزش و وفاداری مشتریان اشاره نمود. از جمله فناوری های مهم در صنایع مختلف که امروزه درصنعت بانکداری نیزمورداستفاده قرار میگیرد رایانش ابری است.
فناوری رایانش ابری بادارابودن ویژگیهایی خاص بسیار مورد توجه قرارگیرد. مثل انعطاف پذیری، مقیاس پذیری، قابلیت دسترسی بالا و مقرون به صرف بودن.
صنایع مختلف باپذیرش ریسک حداقلی میتوانند شاهدتاثیرآن در مدیریت ارتباط با مشتریان باشند.
در ادامه مروری برمدلهای داده کاوی بکار گرفته شده درزمینه ارتباط با مشتریان ارائه میشود.
جدول –بررسی پایان نامه و مقالات مرتبط
| نام مقاله | روش | توضیحات |
| پیش بینی ریزش مشتری با استفاده از تکنیک داده کاوی:مبتنی بر ماشین بردار پشتیبان و الگوریتم ژنتیک [٧] | ١-داده کاوی ٢-ماشین بردار پشتیبان ٣-الگوریتم ژنتیک | در این مدل الگوریتم ژنتیـک بـه منظـور انتخـاب ویژگی و تعیـین مقـادیر بهینـه پارامترهـای ماشـین بردار پشتیبان استفاده میشود. |
| انتخاب ویژگی مبتنی بر سود با استفاده از ماشین بردار پشتیبان -چارچوب کلی و یک برنامه کاربردی برای حفظ مشتری [منبع ] | ١-ماشین بردار پشتیبان | استفاده از ماشـین بـردار پشـتیبان بـه منظـور طبقـه بندی است و انتخاب ویژگی با رویکرد مبتنـی بـر سود به منظور جلوگیری از ریزش مشتری است . |
| پیش بینی ریزش مشتری با استفاده از درخت مدل خطی محلی برای شرکت های مخابراتی ایرانی[٩] | ١-الگوریتم یادگیری خطی محلی | بررســی رفتــار مشــتریان بــا اســتفاده از الگــوریتم یادگیری خطی محلی و طبقه بنـدی بـا اسـتفاده از مدل خطی محلی فازی انجام شده است . |
| یک الگوریتم خوشه بندی داده های بزرگ برای کاهش خطر ابتلا به ریزش مشتر[١٠] | ١-روش خوشه بندی کاهشی ٢-فازی ست بدیهی | الگوریتم ارائه شـده در ایـن مقالـه دقـت بـالاتری نسبت به روش خوشه بندی کاهشی و نزدیکتـرین همسایه دارد. |
تجزیه و تحلیل با ناظر داده های بزرگ برای پیش بینی ریزش مشترکین مخابرات [١١] |
k-means-1٢-جنگل تصادفی ٣-درخت تصمیم C۵٠ | از k-means بـــرای خوشـــه بنـــدی مجموعـــه داده ،برای انتخاب متغیر های مهم از روش جنگـل تصــادفی و بــرای پــیش بینــی ریــزش مشــتری از درخت تصمیم C۵٠ استفاده شده است . |
| پیش بینی ریزش مشتریان تجارت الکترونیکی بر اساس بهبود SMOTE و آدابوست [١٢] | ١-نمونه گیری اقلیت ترکیبی ٢-آدابوست | پــردازش داده هــای ریــزش بــا اســتفاده از بهبــود SMOTE است وبـرای پـیش بینـی از الگـوریتم آدابوست استفاده می شود. |
| تحلیل افزایش سود بر اساس داده کاوی و مدل نگهداری نمایی با توجه | ١-تابع سود | ارائـه تـابع سـود کـه حـداکثر سـود را در شـرایط مختلف بدست می دهد. |
| به مسائل ریزش مشتری[١٣] | ||
| تحقیق سیستم شاخص در پیش بینی ریزش مشتری برای صنعت مخابرات [١٣] | ١-تکنیک هرس ٢-جنگل تصادفی | یــک روش انتخــاب ویژگــی بــر اسـاس تکنیــک هرس ، استخراج ویژگـی بـر اسـاس جنگـل هـای تصادفی . |
| ارزیابی کرنل های SVM مختلف برای پیش بینی ریزش مشتری [١۵] | ١-کرنل های SVM | بررسی کرنل های مختلف روی دیتا ست نامتوازن ریزش و عدم ریزش پرداخته شده . |
| استفاده از هوش محاسباتی برای پیش بینی ریزش و عدم ریزش مشتریان در مخابرات هند[١۶] | ١-شبکه عصبی ٢-رگرسیون ٣-فازی | اسـتفاده از شـمارنده انتشـار شـبکه عصـبی، طبقـه بندی و درختان رگرسیون و فـازی ARTMAP برای پیش بینی . |
| تحلیل پیش بینی ریزش مشتری در صنعت تلکام با استفاده از درخت تصمیم و رگرسیون لجستیک [١٧] | ١ – داده کاوی ١- یادگیری ماشین | پیش بینی ریزش بر اساس مقایسـه بـین درختهـای تصمیم و رگرسیون لجستیک |