مریم توکلی زانیانی؛ محمدرضا غلامیان
چکیده
کشف فرآیندها شاخهای از فرآیندکاوی است که با استفاده از رویدادهای ثبتشده در یک سیستم، مدل فرآیندی را به دست میآورد که بهخوبی توصیفکننده رفتار سیستم باشد. با توجه به اینکه یکی از بااهمیتترین و پرطرفدارترین دسته روشهای کشف فرآیند، کشف فرآیند ابتکاری است و نظر به اینکه کیفیت خروجی ارائهشده توسط این دسته روشها شدیداً ...
بیشتر
کشف فرآیندها شاخهای از فرآیندکاوی است که با استفاده از رویدادهای ثبتشده در یک سیستم، مدل فرآیندی را به دست میآورد که بهخوبی توصیفکننده رفتار سیستم باشد. با توجه به اینکه یکی از بااهمیتترین و پرطرفدارترین دسته روشهای کشف فرآیند، کشف فرآیند ابتکاری است و نظر به اینکه کیفیت خروجی ارائهشده توسط این دسته روشها شدیداً به نحوه استخراج گراف وابستگی میان فعالیتها ارتباط دارد، در این مقاله برای اولین بار به ارائه رویکردی برای تبدیل مسئله کشف گراف وابستگی به یک مسئله برنامهریزی باینری و همچنین معرفی تابع هدفی پرداختیم که بهصورت همزمان شاخصهای سازگاری بازپخش و دقت مدل را در نظر میگیرد. میزان بها دادن به هرکدام از این شاخصها از طریق آستانهای که کاربر نهایی مشخص میکند تعیین میشود. شاخصهای ذکرشده از جمله بااهمیتترین معیارهای سنجش کیفیت خروجی روشهای کشف فرآیند میباشند و در واقع استفاده از این رویکرد مستقیماً بر ارتقاء شاخصهای کیفیت مدل اثر دارد. رویکرد پیشنهادی همچنین دارای این قابلیت است که با معرفی محدودیتهای مناسب، دانش حوزه را در فرآیند استخراج مدل دخیل نماید و همچنین مدل خروجی را به سمت ارتقاء احتمال سالم بودن آن هدایت نماید. این امر در مطالعه موردی یک شرکت واقعی که در این مقاله ارائهشده قابل مشاهده است. در مطالعه سازمان مورد اشاره، رویکرد پیشنهادی با استفاده از محدودیتهای تعریفشده بر اساس دانش حوزه و قواعد ساختاری گراف وابستگی بر روی رویدادهای ثبتی حوزه بازاریابی شرکت اعمال گردیده و نتایج آن منعکس شده است.
محمدرضا غلامیان؛ عظیمه مظفری
چکیده
یکی از مهمترین فاکتورهای بانکداری در راستای کاهش هزینهها و افزایش سودآوری، مدیریت و ارزیابی مشتریان با ارزش میباشد. در دهههای اخیر محققان بسیاری به تجزیه و تحلیل ویژگیهای مشتریان به منظور تعیین ارزش آنها با استفاده از تکنیکهای دادهکاوی پرداختهاند و درخت تصمیم یکی از پرکاربردترین الگوریتمهای دادهکاوی در این زمینه ...
بیشتر
یکی از مهمترین فاکتورهای بانکداری در راستای کاهش هزینهها و افزایش سودآوری، مدیریت و ارزیابی مشتریان با ارزش میباشد. در دهههای اخیر محققان بسیاری به تجزیه و تحلیل ویژگیهای مشتریان به منظور تعیین ارزش آنها با استفاده از تکنیکهای دادهکاوی پرداختهاند و درخت تصمیم یکی از پرکاربردترین الگوریتمهای دادهکاوی در این زمینه است. از آنجایی که این الگوریتم برای ساخت درخت، تنها یک ویژگی را در یک زمان برای آزمون در هر گره در نظر گرفته و وابستگی بین ویژگیها را نادیده میگیرد، بنابراین این مسئله باعث افزایش ماکزیمم حافظه مورد نیاز میشود. به منظور برطرف نمودن این مشکل، در این پژوهش روشی برای بهبود درخت تصمیم با استفاده از شبکه عصبی برای کشف وابستگی بین ویژگیها با رویکرد کاهش ماکزیمم حافظه مورد نیاز پیشنهاد شده که در کنار مدل آر.اف.ام برای پیشبینی ارزش مشتریان جدید استفاده میشود. نتایج آزمایشها نشان میدهد که روش پیشنهادی با استفاده از وابستگی بین ویژگیها میتواند ارزش مشتریان جدید را با ماکزیمم حافظه مورد نیاز کمتری نسبت به روش پایه پیشبینی کند.