ارایه مدلی برای بهینه سازی خوشه بندی سری های زمانی بر اساس الگوریتم ژنتیک برای تحلیل رفتار مشتریان

در حال حاضر، سازمان ها از ابزارها و تکنیک های داده کاوی و هوش تجاری برای تحلیل رفتار مشتریان خود استفاده می کنند. بخش بندی مشتریان یک ابزار تحلیلی گسترده است که برای شناسایی گروه های متمایز از مشتریان استفاده می شود. از آنجا که بخش بندی ثابت منجر به از دست دادن الگوها و روندهای مهم رفتار مشتری در طول زمان می شود. در این مقاله، یک مدل ارائه شده است که رفتار هر مشتری را به عنوان  یک دنباله زمانی از متغیرهای خرید جدید، تعداد خرید، مبلغ خرید و هزینه مشتری نمایش می دهد در واقع بعد زمانی رفتار مشتری را نیز در نظر می گیرد. سپس با استفاده از الگوریتم ژنتیک وزن های بهینه را برای هر ویژگی یافته و با الگوریتم های خوشه بندی، بخش بندی مشتریان انجام می شود. داده های مورد استفاده در این تحقیق مربوط به داده های تراکنشی یک شرکت خدمات پرداخت در طی دوره سی ماه است. نتایج نشان می دهد که بهترین نتیجه خوشه بندی با استفاده از الگوریتم خوشه بندی طیفی با محاسبه معیارهای سیلوهت و کالینسکی به دست می آید. این نتایج نشان می دهد که با توجه به وزن دهی بهینه، الگوریتم ژنتیک موفق به ترکیب ویژگی ها به گونه ای شد که معیار سیلوهت را به 91/0 ارتقا دهد.