پیش‌بینی ارزش مشتریان بانکی با یادگیری ماشین: رویکرد نوین مبتنی ‌بر نمونه‌‌گیری مصنوعی تطبیقی و اهمیت ویژگی‌‌ها

جعفرنژاد, احمد; رضاسلطانی, آرمان; خانی, امیرمحمد; حسینیان, سیده هدی

doi:10.22059/jibm.2025.387468.4891

	پیش‌بینی ارزش مشتریان بانکی با یادگیری ماشین: رویکرد نوین مبتنی ‌بر نمونه‌‌گیری مصنوعی تطبیقی و اهمیت ویژگی‌‌ها
مدیریت بازرگانی
دوره 18، شماره 3، 1405، صفحه 1039-1066 اصل مقاله (1.01 M)
نوع مقاله: مقاله علمی پژوهشی
شناسه دیجیتال (DOI): 10.22059/jibm.2025.387468.4891
نویسندگان
احمد جعفرنژاد^* ¹؛ آرمان رضاسلطانی²؛ امیرمحمد خانی²؛ سیده هدی حسینیان³
¹استاد، گروه مدیریت صنعتی، دانشکدۀ مدیریت صنعتی و فناوری، دانشکدگان مدیریت، دانشگاه تهران، تهران، ایران.
²دانشجوی دکتری، گروه مدیریت صنعتی، دانشکدۀ مدیریت صنعتی و فناوری، دانشکدگان مدیریت، دانشگاه تهران، تهران، ایران.
³دانشجوی دکتری، گروه مدیریت صنعتی، پردیس بینالمللی کیش، دانشگاه تهران، تهران، ایران.
چکیده
هدف: پیش‌بینی دقیق ارزش مشتریان در صنعت بانکداری، یکی از چالش‌های اساسی است که می‌تواند به تصمیم‌‌گیری بهینه در حوزۀ مدیریت مشتریان و تخصیص منابع کمک کند. این تحقیق با هدف توسعۀ یک رویکرد جامع برای پیش‌بینی ارزش مشتریان بانکی انجام شده است. تمرکز اصلی این مطالعه بر مدیریت چالش عدم ‌تعادل داده‌ها، بهبود عملکرد مدل‌های یادگیری ماشین و انتخاب ویژگی‌های کلیدی مؤثر بر پیش‌بینی ارزش مشتریان برای کاربردهای واقعی در محیط‌‌های بانکی است. روش: در این پژوهش، داده‌های مربوط به ۲هزار مشتری یک بانک، شامل ۱۴ ویژگی کلیدی مرتبط با تراکنش‌ها و رفتار مشتریان، تحلیل شد. مراحل پژوهش شامل پیش‌پردازش داده‌ها، انتخاب ویژگی‌های مهم و مدیریت ‌عدم تعادل داده‌ها با استفاده از تکنیک ADASYN بود. انتخاب ویژگی‌های مهم با استفاده از ترکیب تحلیل هم‌بستگی و روش Feature Importance مبتنی بر الگوریتم Random Forest انجام شد. در این فرایند، ابتدا ویژگی‌هایی با هم‌بستگی بالا شناسایی شدند و در ادامه، بر اساس میزان اهمیت آن‌ها، ویژگی‌های کلیدی انتخاب شدند. سپس، ۱۱ الگوریتم یادگیری ماشین، از جمله CatBoost، XGBoost، Random Forest، LightGBM و سایر مدل‌های خطی و غیرخطی، برای پیش‌بینی ارزش مشتریان به‌کار گرفته شد. به‌منظور بهینه‌سازی عملکرد مدل‌ها، از چارچوب Optuna برای تنظیم خودکار هایپرپارامترها و از اعتبارسنجی متقاطع پنج‌ برابری برای ارزیابی دقیق مدل‌ها استفاده شد. عملکرد مدل‌ها براساس ۴ شاخص ارزیابی اصلی شامل صحت (Accuracy)، دقت (Precision)، فراخوانی (Recall) و امتیاز 1F سنجیده شد. یافته‌ها: نتایج نشان داد که الگوریتم‌های مبتنی ‌بر یادگیری جمعی، بهترین عملکرد را در پیش‌بینی ارزش مشتریان ارائه می‌دهند. مدل CatBoost با امتیاز 1F برابر 9324/0 و صحت 909/0 به‌عنوان بهترین مدل شناسایی شد. این مدل توانست تعادلی مناسب میان دقت و فراخوانی ایجاد کند؛ به‌‌گونه‌ای که دقت مدل در پیش‌بینی مشتریان ارزشمند به 9677/0 و فراخوانی آن به 8998/0 رسید. مدل‌های XGBoost و Random Forest نیز عملکردی مشابه با CatBoost داشتند و امتیاز 1F آن‌ها به‌ترتیب 9322/0 و 932/0 بود. استفاده از رویکرد ترکیبی برای انتخاب ویژگی‌ها و استفاده از روش ADASYN به‌منظور ایجاد تعادل در داده‌ها، نقش مهمی در بهبود عملکرد این مدل‌ها ایفا کرد. نتیجه‌گیری: مطالعۀ حاضر نشان داد که استفاده از رویکردهای نوین یادگیری ماشین همراه با تکنیک‌های پیش‌پردازش تطبیقی مانند ADASYN می‌تواند به‌طور چشمگیری عملکرد مدل‌های پیش‌بینی ارزش مشتری را بهبود بخشد. انتخاب دقیق ویژگی‌ها با استفاده از ترکیب تحلیل هم‌بستگی و اهمیت ویژگی‌ها مبتنی‌بر الگوریتم Random Forest در بهبود عملکرد مدل‌ها نقش مهمی داشت. این فرایند با شناسایی و حذف ویژگی‌های تکراری و کم‌اهمیت، مدل‌ها را قادر ساخت تا با تمرکز بر اطلاعات کلیدی و مؤثر، دقت پیش‌بینی را افزایش دهند. مدل‌های یادگیری جمعی مانند CatBoost، XGBoost و Random Forest به‌دلیل دقت زیاد و توانایی در مدیریت داده‌های پیچیده و نامتعادل، بهترین گزینه‌ها برای کاربرد در محیط‌های بانکی هستند. این تحقیق با رفع محدودیت‌های پژوهش‌های پیشین و ارائۀ رویکردی جامع برای مدیریت داده‌های نامتعادل و انتخاب ویژگی‌های کلیدی، گامی مؤثر در جهت بهینه‌سازی استراتژی‌های مدیریت مشتریان در صنعت بانکداری برداشته است. نتایج به‌دست‌آمده می‌تواند به بانک‌ها کمک کند تا با شناسایی دقیق مشتریان ارزشمند، سیاست‌های بهتری برای حفظ مشتریان و تخصیص منابع تدوین کنند.
کلیدواژه‌ها
یادگیری ماشین؛ پیش‌بینی ارزش مشتری؛ نامتعادلی داده‌ها؛ ADASYN؛ CatBoost
مراجع

آمار تعداد مشاهده مقاله: 503 تعداد دریافت فایل اصل مقاله: 144