فهرست نشریات علمی دسترسی آزاد ایران

در فضای رقابتی صنعت بانکداری، شناسایی و طبقه‌بندی دقیق ارزش مشتریان، نقشی کلیدی در طراحی استراتژی‌های بازاریابی هدفمند، تخصیص بهینه منابع و افزایش سودآوری دارند. این پژوهش، یک مدل ترکیبی پیشرفته مبتنی بر یادگیری ماشین را با استفاده از تکنیک رأی‌گیری وزنی طراحی و پیاده‌سازی می کند که هدف آن طبقه‌بندی هوشمند مشتریان بانکی بر‌اساس میزان ارزش آنهاست. شش الگوریتم قدرتمند یادگیری ماشین شامل Random Forest، Gradient Boosting، XGBoost، LightGBM، CatBoost و Extra Trees به‌عنوان مدل‌های پایه انتخاب و با دو روش رأی‌گیری سخت و نرم ترکیب شده اند. وزن مشارکت هر الگوریتم در فرآیند رأی‌گیری به‌صورت بهینه با الگوریتم Optuna تنظیم گردیده تا دقت و تعادل مدل به حداکثر برسد. همچنین، روش ADASYN برای مقابله با مشکل عدم‌توازن کلاس‌ها در داده‌های واقعی بانکی به کار رفته و مهم‌ترین ویژگی‌های مؤثر در پیش‌بینی با بهره‌گیری از الگوریتم Random Forest شناسایی گردیده‌اند. عملکرد مدل پیشنهادی با استفاده از چهار معیار ارزیابی صحت، دقت، بازخوانی و امتیاز F1 و در مقایسه با ۱۶ الگوریتم کلاسیک و مدرن یادگیری ماشین تحلیل شده است. نتایج نشان می دهد که مدل رأی‌گیری سخت با صحت 0.9426، دقت 0.9756 و بازخوانی 0.9112، و مدل رأی‌گیری نرم با دقت 0.9771 و امتیاز F1 معادل 0.9422، عملکردی برتر از سایر الگوریتم‌ها مانند SVM، KNN و Logistic Regression داشته‌ و تعادلی مؤثر میان معیارهای ارزیابی برقرار کرده‌اند. این مدل ترکیبی، با دقت بالا، مقاومت در برابر داده‌های نامتوازن، و انعطاف‌پذیری در انتخاب ویژگی‌ها، الگویی کاربردی و قابل اتکا برای بانک‌ها و مؤسسات مالی جهت تحلیل ارزش مشتریان فراهم می‌آورد.