مدیریت بازرگانی

مدیریت بازرگانی

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

نوع مقاله : مقاله علمی پژوهشی

نویسندگان
احمد جعفرنژاد 1
آرمان رضاسلطانی 2
امیرمحمد خانی 2
سیده هدی حسینیان 3
1 استاد، گروه مدیریت صنعتی، دانشکدۀ مدیریت صنعتی و فناوری، دانشکدگان مدیریت، دانشگاه تهران، تهران، ایران.
2 دانشجوی دکتری، گروه مدیریت صنعتی، دانشکدۀ مدیریت صنعتی و فناوری، دانشکدگان مدیریت، دانشگاه تهران، تهران، ایران.
3 دانشجوی دکتری، گروه مدیریت صنعتی، پردیس بینالمللی کیش، دانشگاه تهران، تهران، ایران.
10.22059/jibm.2025.387468.4891
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
موضوعات

عنوان مقاله English

Predicting Bank Customer Value Using Machine Learning: A Novel Approach Based on Adaptive Synthetic Sampling and Feature Importance

نویسندگان English

Ahmad Jafarnjad 1
Arman Rezasoltani 2
Amir Mohammad Khani 2
Sayedeh Hoda Hosseinian 3
1 Prof., Department of Industrial Management, Faculty of Industrial Management and Technology, College of Management, University of Tehran, Tehran, Iran.
2 Ph.D. Candidate, Department of Industrial Management, Faculty of Industrial Management and Technology, College of Management, University of Tehran, Tehran, Iran.
3 Ph.D. Candidate, Department of Industrial Management, Kish International Campus, University of Tehran, Tehran, Iran.
چکیده English

Objective
Accurate prediction of customer value in the banking industry is one of the fundamental challenges that can contribute to optimal decision-making in customer management and resource allocation. This study aims to develop a comprehensive approach for predicting the value of banking customers. The primary focus of this research is on addressing the challenge of imbalanced data, improving the performance of machine learning models, and selecting key features that are effective in predicting customer value for real-world applications in banking environments.
Methodology
This study used a dataset from a bank comprising 2,000 customers and 14 features related to customer transactions and activities. Data preprocessing was first performed, followed by feature selection, data imbalance handling, and the application of the Adaptive Synthetic Sampling (ADASYN) technique. Correlation analysis and feature importance based on the Random Forest algorithm were subsequently employed to refine the feature selection process. Through this procedure, highly correlated variables were identified, and the final set of relevant features was selected. Subsequently, 11 machine learning algorithms, including CatBoost, XGBoost, Random Forest, LightGBM, and both linear and nonlinear models, were applied to predict customer value. To improve model performance, Optuna was used for hyperparameter tuning, and five-fold cross-validation was employed to ensure robust model evaluation. Model performance was assessed using four evaluation metrics: accuracy, precision, recall, and the F1-score.

Findings
The results showed that ensemble learning-based algorithms provided the best performance in predicting customer value. The CatBoost model, with an F1 Score of 0.9324 and an accuracy of 0.909, was identified as the best-performing model. This model achieved a proper balance between precision and recall, with a precision of 0.9677 and a recall of 0.8998 in predicting valuable customers. The XGBoost and Random Forest models also demonstrated similar performance to CatBoost, with F1 Scores of 0.9322 and 0.932, respectively. The use of a combined approach for feature selection and the application of the ADASYN method for data balancing played a significant role in improving the performance of these models.

Conclusion
These results show that a different approach to data preprocessing with the help of the ADASYN algorithm in combination with modern machine learning methods can positively affect the effectiveness of models predicting customer value. The selection of correlated variables and the feature importance based on Random Forest was important in improving the general performance of the models. This revolution allowed strengthening the work of models through the elimination of features and information that had less impact on the final decisions, making the latter more precise. Based on the results of its evaluation, it can be concluded that ensemble learning models, including CatBoost, XGBoost, and Random Forest, are the most appropriate for banking settings because of their efficiency and effectiveness in dealing with large-scale, complex, and imbalanced datasets. Thus, this study extends previous research by addressing the challenges of imbalanced data and feature selection to enhance customer value prediction and customer management in the banking sector, thereby contributing to the development of an effective approach to this problem. The findings provide useful insights for identifying high-value bank customers and for developing more effective customer retention and service strategies.

کلیدواژه‌ها English

Machine learning
Customer value prediction
Data imbalance
ADASYN
CatBoost
امیرحسنخانی، حمیدرضا؛ طلوعی اشلقی، عباس؛ رادفر، رضا و پورابراهیمی، علیرضا (۱۴۰۳). ارائه یک مدل ترکیبی مبتنی بر یادگیری ماشینی برای طبقه‌‌بندی مشتریان مشترک صنعت بانکداری و بیمه. فصلنامه مدیریت بهره‌وری، ۱۸(۱)، ۱–۲۸.
جعفرنژاد چقوشی، احمد؛ رضاسلطانی، آرمان و خانی، امیرمحمد (۱۴۰۳). مقایسه مدل‌های یادگیری جمعی برای پیش‌بینی رتبه کشوری دانش‌آموزان در کنکور سراسری. مدیریت صنعتی، ۱۶(۳)، ۴۵۷-۴۸۱.
جعفری اسکندری، میثم و روحی، میلاد (۱۳۹۶). مدیریت ریسک اعتباری مشتریان بانکی با استفاده از روش ماشین بردار تصمیم بهبودیافته با الگوریتم ژنتیک با رویکرد داده‌کاوی. مدیریت دارایی و تأمین مالی، ۵(۴)، ۱۷–۳۲.
چهره، سپیده و سرآبادانی، علی (۱۴۰۲). ارائه مدلی مبتنی ‌بر الگوریتم جنگل تصادفی و بهینه‌‌سازی جایا برای پیش‌بینی ریزش مشتریان بانکی. مدیریت مهندسی و رایانش نرم، ۹(۲)، ۱۳۲–148.
خاشعی ورنامخواستی، وحید و فارسی، سجاد (۱۴۰۳). مدلی برای خلق و اجرای نوآوری دوسوتوان در صنعت بانکداری ایران. مدیریت بازرگانی، ۱۶(۴)، 1002- ۱۰۲۸.  
خانلری، امیر؛ احراری، مهدی و میرپور، سمیه (۱۳۹۵). پیش‌بینی ارزش طول عمر مشتریان بانکی با استفاده از تکنیک دسته‌بندی گروهی داده‌ها (GMDH) در شبکه عصبی. مدیریت بازرگانی، ۸(۴)، ۸۳۳–۸۶۰.
خانی، امیرمحمد؛ کزازی، ابوالفضل و تقوی فرد، محمدتقی (۱۴۰۱). ارزیابی کیفیت خدمات معاونت فرهنگی و اجتماعی شهرداری تهران در حوزه فرهنگ و هنر و تأثیر آن بر رضایت شهروندان. برنامه‌ریزی رفاه و توسعه اجتماعی، ۱۳(۵۰)، 205-250.  
غلامیان، محمدرضا و مظفری، عظیمه (۱۳۹۵). پیش‌بینی ارزش مشتریان جدید بانک بر مبنای مدل آر.اف.ام با استفاده از درخت تصمیم بهبودیافته در راستای کاهش حداکثر حافظه مورد نیاز. مطالعات مدیریت کسب‌و‌کار هوشمند، ۵(۱۷)، ۹۳–۱۲۱.
موسوی، سید محسن و امیری عقدایی، سیدفتح‌اله (۱۳۹۹). شناسایی عناصر سازنده «ارزش پیشنهادی به مشتری» و تأثیر آن‌ها بر رضایت مشتری با استفاده از تحلیل احساسات بر مبنای متن‌کاوی. مدیریت بازرگانی، ۱۲(۴)، ۱۰۹۲–۱۱۱۶.
مهرگان، محمدرضا و خانی، امیرمحمد (۱۴۰۳). بهبود عملکرد سازمانی: نقش زنجیرۀ‌ تأمین ۴.۰ و تأمین مالی در کاهش ریسک زنجیرۀ ‌تأمین. نشریه علمی پژوهشی مدیریت کسب‌و‌کارهای بین‌المللی، ۷(۳)، ۳۹–۵۹.
نصیرالاسلامی، ابراهیم؛ صنیعی، احسان؛ عباسیان، عزت‌اله؛ فتح‌پور کاشانی، رضا و قیصری، نگین (۱۴۰۳). پیش‌بینی سپرده‌های بانکی به روش یادگیری ماشین. فصلنامه مطالعات اقتصادی کاربردی ایران، ۱۳(۵۰)، ۱۳۷–۱۶۷.
یعقوب‌پور، مریم؛ خداداد حسینی، سیدحمید؛ جنتی‌فر، حسین و ثانوی‌فرد، رسول (۱۴۰۳). طراحی مدل تعالی بازاریابی دیجیتالی (مطالعه موردی: بانکداری تجاری). مدیریت بازرگانی، ۱۶(۳)، ۵۹۶–۶۱۷.
 
References
Aldi, F., Nozomi, I., Sentosa, R. B., & Junaidi, A. (2023). Machine learning to identify monkey pox disease. Sinkron: jurnal dan penelitian teknik informatika, 7(3), 1335-1347.
Amirhasankhan, H., Toloie Eshlaghy, A., Radfar, R. & Pourebrahimi, A. (2024). Presenting a Hybrid Model based on the Machine Learning for the Classification of Banking and Insurance Industry Common Customers, Journal of Productivity Management, 18(68), 53-80. magiran.com/p2710297 (in Persian)
Ashraf, R. (2024). Bank Customer Churn Prediction Using Machine Learning Framework. Journal of Applied Finance & Banking, 14(4), 65-109, 65–109. https://doi.org/10.47260/jafb/1445
Awad, M. & Khanna, R. (2015). Support vector machines for classification. In Apress eBooks (pp. 39–66). https: //doi.org/10.1007/978-1-4302-5990-9_3
Bentéjac, C., Csörgő, A. & Martínez-Muñoz, G. (2020). A comparative analysis of gradient boosting algorithms. Artificial Intelligence Review, 54(3), 1937–1967. https: //doi.org/10.1007/s10462-020-09896-5
Chehreh, S. & Sarabadani, A. (2024). A model based on random forest algorithm and Jaya optimization to predict bank customer churn. Journal of Engineering Management and Soft Computing, 9(2), 132-148. doi: 10.22091/jemsc.2024.9541.1174 (in Persian)
Conn, D., Ngun, T., Li, G. & Ramirez, C. M. (2019). Fuzzy Forests: Extending random Forest feature selection for Correlated, High-Dimensional Data. Journal of Statistical Software, 91(9). https: //doi.org/10.18637/jss.v091.i09
Dewi, O. I. P., Santiko, V. N., Safa, S. W. P., Gunawan, A. A. S. & Setiawan, K. E. (2024). Machine Learning for Imbalanced Data in Telecom Churn Classification. 2024 International Conference on Information Technology Research and Innovation (ICITRI), 30–35. https: //doi.org/10.1109/icitri62858.2024.10699226
Dias, J., Godinho, P. & Torres, P. (2020). Machine learning for customer churn prediction in retail banking. In Lecture notes in computer science (pp. 576–589). https: //doi.org/10.1007/978-3-030-58808-3_42
Dorogush, A. V., Ershov, V. & Gulin, A. (2018). CatBoost: gradient boosting with categorical features support. arXiv (Cornell University). https: //doi.org/10.48550/arxiv.1810.11363
Galal, M., Rady, S. & Aref, M. (2022). Enhancing Customer Churn Prediction in Digital Banking using Ensemble Modeling. 2022 4th Novel Intelligent and Leading Emerging Sciences Conference (NILES), 1, 21–25. https: //doi.org/10.1109/niles56402.2022.9942408
Gholamian, M. & Mozafari, A. (2016). Prediction of Bank Customer Value based on RFM Model Using Improved Decision Tree to Reduce the Maximum Required Memory. Business Intelligence Management Studies, 5(17), 93-121. https://doi.org/10.22054/ims.2016.6993 (in Persian)
Guido, R., Ferrisi, S., Lofaro, D. & Conforti, D. (2024). An Overview on the advancements of support vector machine models in healthcare Applications: a review. Information, 15(4), 235. https: //doi.org/10.3390/info15040235
Halder, R. K., Uddin, M. N., Uddin, M. A., Aryal, S. & Khraisat, A. (2024). Enhancing K-nearest neighbor algorithm: a comprehensive review and performance analysis of modifications. Journal of Big Data, 11(1). https: //doi.org/10.1186/s40537-024-00973-y
Hodge, V. & Austin, J. (2004). A survey of outlier detection methodologies. Artificial intelligence review, 22(2), 85-126.
Hu, N. W., Hu, N. W. & Maybank, S. (2008). ADABoost-Based Algorithm for network Intrusion Detection. IEEE Transactions on Systems Man and Cybernetics Part B (Cybernetics), 38(2), 577–583. https: //doi.org/10.1109/tsmcb.2007.914695
Ilyas, S., Zia, S., Muneer, U., Letchmunan, S. & Un, Z. (2020). Predicting the Future Transaction from Large and Imbalanced Banking Dataset. International Journal of Advanced Computer Science and Applications, 11(1). https: //doi.org/10.14569/ijacsa.2020.0110134
Iranzad, R. & Liu, X. (2024). A review of random forest-based feature selection methods for data science education and applications. International Journal of Data Science and Analytics. https: //doi.org/10.1007/s41060-024-00509-w
Jafari Eskandari, M. & Rohii, M. (2017). Credit Risk Management of Banking Customers Using Support Vector Machine Optimized by Genetic Algorithm with Data Mining Approach. Journal of Asset Management and Financing, 5(4), 17-32. doi: 10.22108/amf.2017.21191 (in Persian)
Jafarnejad, A., Rezasoltani, A. & Khani, A.M. (2024). Unleashing the Power of Ensemble Learning: Predicting National Ranks in Iran’s University Entrance Examination. Industrial Management Journal, 16(3), 457-481. https: //doi.org/10.22059/imj.2024.381521.1008178 (in Persian)
Kaisar, S. & Sifat, S. T. (2023). Explainable Machine Learning Models for Credit Risk Analysis: A Survey. In Data Analytics for Management, Banking and Finance (pp. 51–72). https: //doi.org/10.1007/978-3-031-36570-6_2
Khani, A. M., Kazazi, A.  Taqhavi Fard, M. T. (2022). Evaluating the quality of services of the cultural and social deputy of Tehran municipality in the field of culture and art. Social Development & Welfare Planning, 13(50), 205-250. https://doi.org/10.22054/qjsd.2021.58035.2110 (in Persian)
Khanlari, A., Ahrari, M. & Mirpoor, S. (2017). Predicting Customer Lifetime Value Based on Financial and Demographic Characteristics Using GMDH Neural Network Case Study: Individual Customers of a Private Bank of Iran. Journal of Business Management, 8(4), 833-860. https://doi.org/10.22059/jibm.2017.61302 (in Persian)
Khashei Varnamkhasti, V.  & Farsi, S. (2024). A Model for Creating and Implementing Ambidextrous Innovation in Iranian Banking. Journal of Business Management, 16(4), 1002-1028. https://doi.org/10.22059/jibm.2023.364184.4642 (in Persian)
Kotsiantis, S. B. (2011). Decision trees: a recent overview. Artificial Intelligence Review, 39(4), 261–283. https: //doi.org/10.1007/s10462-011-9272-4
Kruse, R., Mostaghim, S., Borgelt, C., Braune, C. & Steinbrecher, M. (2022). Multi-layer perceptrons. In Texts in computer science (pp. 53–124). https: //doi.org/10.1007/978-3-030-42227-1_5
Leevy, J. L., Khoshgoftaar, T. M., Bauder, R. A. & Seliya, N. (2018). A survey on addressing high-class imbalance in big data. Journal of Big Data, 5(1). https: //doi.org/10.1186/s40537-018-0151-6
Luong, H. H., Tran, T. T., Van Nguyen, N., Le, A. D., Nguyen, H. T. T., Nguyen, K. D., Tran, N. C. & Nguyen, H. T. (2022). Feature Selection Using Correlation Matrix on Metagenomic Data with Pearson Enhancing Inflammatory Bowel Disease Prediction. In Lecture notes in electrical engineering (pp. 1073–1084). https: //doi.org/10.1007/978-981-16-2183-3_102
Mastelini, S. M., Nakano, F. K., Vens, C. & De Leon Ferreira De Carvalho, A. C. P. (2022). Online Extra Trees Regressor. IEEE Transactions on Neural Networks and Learning Systems, 34(10), 6755–6767. https: //doi.org/10.1109/tnnls.2022.3212859
Mehregan, M. R. & Khani, A. M. (2024). Improving organizational performance: the role of supply chain 4.0 and financing in reducing supply chain risk. Journal of International Businesses Administration, 7(3), 39-59. doi: 10.22034/jiba.2024.60005.2164 (in Persian)
Mienye, I. D. & Jere, N. (2024). A survey of Decision trees: Concepts, algorithms, and applications. IEEE Access, 12, 86716–86727. https: //doi.org/10.1109/access.2024.3416838
Mousavi, S. M.  & Amiri Aghdaie, S. F. (2021). Identifying the Constructive Elements of “Value Proposition” and their Impact on Customers’ Satisfaction using Sentiment Analysis based on Text Mining. Journal of Business Management, 12(4), 1092-1116. https://doi.org/10.22059/jibm.2020.302987.3847 (in Persian)
Mujahid, M., Kına, E., Rustam, F., Villar, M. G., Alvarado, E. S., De La Torre Diez, I. & Ashraf, I. (2024). Data oversampling and imbalanced datasets: an investigation of performance for machine learning and feature engineering. Journal of Big Data, 11(1). https: //doi.org/10.1186/s40537-024-00943-4
Muneer, A., Ali, R. F., Alghamdi, A., Taib, S. M., Almaghthawi, A. & Ghaleb, E. a. A. (2022). Predicting customers churning in banking industry: A machine learning approach. Indonesian Journal of Electrical Engineering and Computer Science, 26(1), 539. https: //doi.org/10.11591/ijeecs.v26.i1.pp539-549
Nasiroleslami, E., Saniee, E., Abbasian, E., Fathpour Kashani, R. & Gheysari, N. (2024). Prediction of Bank Deposits by Machine Learning Method. Journal of Applied Economics Studies in Iran, 13(50), 137-167. doi: 10.22084/aes.2023.27444.3564
(in Persian)
Nguyen, Q., Nguyen, H., Le, D. T. & Bui, Q. (2022). Fine-Tuning LightGBM using an artificial Ecosystem-Based optimizer for forest fire analysis. Forest Science, 69(1), 73–82. https: //doi.org/10.1093/forsci/fxac039
Peng, K., Peng, Y. & Li, W. (2023). Research on customer churn prediction and model interpretability analysis. PLoS ONE, 18(12), e0289724. https: //doi.org/10.1371/journal.pone.0289724
Prokhorenkova, L., Gusev, G., Vorobev, A., Dorogush, A. V. & Gulin, A. (2018). CatBoost: unbiased boosting with categorical features. Neural Information Processing Systems, 31, 6639–6649. https: //papers.nips.cc/paper/7898-catboost-unbiased-boosting-with-categorical-features.pdf
Przybyła-Kasperek, M. & Marfo, K. F. (2024). A multi-layer perceptron neural network for varied conditional attributes in tabular dispersed data. PLoS ONE, 19(12), e0311041. https: //doi.org/10.1371/journal.pone.0311041
Sanmorino, A., Marnisah, L. & Sunardi, H. (2023). Feature selection using Extra Trees Classifier for Research Productivity Framework in Indonesia. In Lecture notes in electrical engineering (pp. 13–21). https: //doi.org/10.1007/978-981-99-0248-4_2
Schonlau, M. & Zou, R. Y. (2020). The random forest algorithm for statistical learning. The Stata Journal Promoting Communications on Statistics and Stata, 20(1), 3–29. https: //doi.org/10.1177/1536867x20909688
Shingi, G. (2020). A federated learning based approach for loan defaults prediction. 2021 International Conference on Data Mining Workshops (ICDMW), 362–368. https: //doi.org/10.1109/icdmw51313.2020.00057
Siddiqui, N., Haque, M. A., Khan, S. M. S., Adil, M. & Shoaib, H. (2024). Different ML-based strategies for customer churn prediction in banking sector. Journal of Data Information and Management, 6(3), 217–234. https: //doi.org/10.1007/s42488-024-00126-z
Syriopoulos, P. K., Kalampalikis, N. G., Kotsiantis, S. B. & Vrahatis, M. N. (2023). kNN Classification: a review. Annals of Mathematics and Artificial Intelligence. https: //doi.org/10.1007/s10472-023-09882-x
Tékouabou, S. C. K., Gherghina, Ș. C., Toulni, H., Mata, P. N. & Martins, J. M. (2022). Towards explainable machine learning for bank churn prediction using data balancing and Ensemble-Based methods. Mathematics, 10(14), 2379. https: //doi.org/10.3390/math10142379
Tolles, J. & Meurer, W. J. (2016). Logistic regression. JAMA, 316(5), 533. https: //doi.org/10.1001/jama.2016.7653
Tran, H. D., Le, N. & Nguyen, V. (2023). Customer churn prediction in the banking sector using Machine Learning-Based classification models. Interdisciplinary Journal of Information Knowledge and Management, 18, 087–105. https: //doi.org/10.28945/5086
Vittinghoff, E. & McCulloch, C. E. (2006). Relaxing the rule of ten events per variable in logistic and Cox regression. American Journal of Epidemiology, 165(6), 710–718. https: //doi.org/10.1093/aje/kwk052
Vu, V. (2024). An efficient customer churn prediction technique using combined machine learning in commercial banks. Operations Research Forum, 5(3). https: //doi.org/10.1007/s43069-024-00345-5
Wyner, A. J., Olson, M., Bleich, J. & Mease, D. (2017). Explaining the success of adaboost and random forests as interpolating classifiers. Journal of Machine Learning Research, 18(1), 1558–1590. https: //doi.org/10.5555/3122009.3153004
Yaghoubpour, M., Khodadad Hosseini, S. H., Janatifar, H.  Sanavifard, R. (2024). Designing a Digital Marketing Excellence Model (A Case Study of Commercial Banking). Journal of Business Management, 16(3), 596-617. https://doi.org/10.22059/jibm.2024.376605.4785 (in Persian)
Yang, H., Chen, Z., Yang, H. & Tian, M. (2023). Predicting coronary heart disease using an improved LightGBM Model: Performance analysis and comparison. IEEE Access, 11, 23366–23380. https: //doi.org/10.1109/access.2023.3253885
مدیریت بازرگانی
دوره 18، شماره 3
1405
صفحه 1039-1066