%0 Journal Article %T پیش‌بینی ارزش مشتریان جدید بانک بر مبنای مدل آر.اف.ام با استفاده از درخت تصمیم بهبودیافته در راستای کاهش حداکثر حافظه مورد نیاز %J مطالعات مدیریت کسب و کار هوشمند %I دانشگاه علامه طباطبائی %Z 2821-0964 %A غلامیان, محمدرضا %A مظفری, عظیمه %D 2016 %\ 11/21/2016 %V 5 %N 17 %P 93-121 %! پیش‌بینی ارزش مشتریان جدید بانک بر مبنای مدل آر.اف.ام با استفاده از درخت تصمیم بهبودیافته در راستای کاهش حداکثر حافظه مورد نیاز %K ارزش مشتری %K خوشه‌بندی %K درخت تصمیم %K شبکه عصبی %K مدل آر.اف.ام %R 10.22054/ims.2016.6993 %X 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. %U https://ims.atu.ac.ir/article_6993_b4fedbfabcb4fcf342c89c9925fc5978.pdf