![](../template/hn-aefmc/image/item_sign.gif)
![](../template/hn-aefmc/image/item_sign.gif)
![](../template/hn-aefmc/image/item_sign.gif)
![](../template/hn-aefmc/image/item_sign.gif)
![](../template/hn-aefmc/image/item_sign.gif)
درباره مجله عضویت در مجله شناسنامه مجله ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() مقالات منتشر شده ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() آمار بازدید ![]() ![]() ![]() ![]() ![]() |
صفحه اصلی > استفاده از الگوریتم های داده کاوی برای پیش بینی خرید مشتری
.: استفاده از الگوریتم های داده کاوی برای پیش بینی خرید مشتری استفاده از الگوریتم های داده کاوی برای پیش بینی خرید مشتری
مهیار عبدالملکی
کارشناسی ارشد مهندسی کامپیوتر-نرم افزار، دانشگاه پیام نور تهران
abdolmalakmahyar@gmail.com
ارسال: مهر ماه 1402 پذیرش: مهر ماه 1402 چکیده
پیشبینی خرید مشتریان یکی از موضوعاتی است که در حال حاضرمورد توجه بسیاری از شرکتهای بزرگ است. همه این شرکتها دوست دارند بدانند چگونه میتوانند رفتار مشتریها را پیشبینی کنند. تا به حال به این موضوع فکر کردهاید که اگر بتوانید رفتار مشتریان خودتان را پیشبینی کنید چه اتفاقی خواهد افتاد؟ فکر کنید زمانی که با مشتری قصد خرید دارد بدون اینکه یک کلمه حرف بزند شما بلافاصله چیزی که مدنظرش هست را به او بدهید! در این حالت میدانید چه اتفاقی خواهد افتاد؟ فروشتان چندین برابر خواهد شد و هم چنین نیاز به صرف هزینههای بازاریابی هم نخواهید داشت. تکنیکهای داده کاوی یکی از روشها برای پیشبینی خرید مشتریان میباشد. متدلوژی: متدلوژی مورد استفاده در این مقاله CRISP میباشد و که جامعه آماری ما پایگاه داده الماس با بیش از ۴۰۰۰ رکورد و دارای پارامترهای سن، جنسیت، تحصیلات، شغل، درآمد، استان، الویت خرید، خرید اولیه، خرید نهایی، کالا، برند و.... میباشد که مدل سازی،که با استفاده ازنرمافزار رپیدماینر مدلها را پیادهسازی میکنیم که مدل پیشنهادی ما در این تحقیق مدل ترکیبی با درخت تصمیم و کی- نزدیکترین همسایگی که با الگوریتمهای RuleModel ،, Naïve Bayes Random Fores و Random Tree مقایسه میشود. نتایج: تجزیه و تحلیل دادهها جمعآوری شده که در این مطالعه که در انتها با بررسی دقت و صحت مدلها و مقایسه آنها باهم به این نتیجه رسیدیم که مدل پیشنهادی ما یعنی مدل ترکیبی درخت تصمیم و کی نزدیکترین همسایکی دارای دقت ۹۲.۱۶% میباشد.
واژگان کليدي: داده کاوی، پیشبینی خرید، درخت تصمیم، K نزدیکترین همسایگی. |
Journal of Science and Engineering Elites www.ElitesJournal.ir www.ElitesJournal.com پست الکترونیک ( ایمیل) : Info@elitesjournal.com تلفن دبیرخانه: 44258197 -021 ساعات پاسخگوئی به تماس: همه روزه از ساعت 11 الی 17 (به جز جمعه ها و ایام تعطیل) فکس دبیرخانه : 89780710-021 |