فایل ورد کامل یک چارچوب CRM-داده کاوی کارآمد برای پیش بینی رفتار مشتری

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل یک چارچوب CRM-داده کاوی کارآمد برای پیش بینی رفتار مشتری،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۱۳ صفحه

۸ نتیجه گیری و حوزه های آینده
در این مقاله ما یک چارچوب CRM-داده کاوی کارآمد برای پیش بینی رفتار مشتری ارائه دادیم. دو مدل طبقه بندی برای پیش بینی رفتار مشتری استفاده شد. به منظور رسیدن به نتایج پژوهش معتبر، همواره استفاده از مجموعه داده های تعیین معیار استاندارد مانند مجموعه داده UCI بهتر است. از این رو در اینکار نیز ما بطور مشابه عمل میکنیم. بهترین مدل که به عملکرد پیش بینی بالایی میرسد، MLPNN با نرخ دقت ۸۸۶۳ بود. ما همچنین عملکرد طبقه بندها را از نظر دقت، حساسیت و ویژگی مقایسه کردیم. این کار می تواند به دیگر مدل های جدید مانند طبقه بندهای فازی عصبی، اثرکلی طبقه بندها و غیره توسعه یابد. همچنین تنظیمات تجربی مشابه می تواند در دیگر مجموعه داده های بزرگ بانکداری زنده، بکار برده شود.

عنوان انگلیسی:An Efficient CRM-Data Mining Framework for the Prediction of Customer Behaviour~~en~~

۸ Conclusion and Future Scope

In this paper we propose an efficient CRM-data mining framework for the prediction of customer behaviour. Two classification models were used to predict the customer behaviour. In order to arrive at authentic research results it is always better to use standard bench marking datasets like UCI datasets. Hence we used the same in this work. The best model that achieves high predictive performance was MLPNN with accuracy rate of 88.63%. We also compared the performance of classifiers in terms of accuracy, sensitivity and specificity. This work can be extended to other new models like Neuro fuzzy classifiers, Ensemble of classifiers and so on. Also the same experimental set up can be applied to other huge live banking datasets.

$$en!!