Marketing decision support system based on fuzzy trained associative rules expert system

Abstract

The fuzzy-associative metaheuristic approach addresses the urgent task of developing a marketing decision support system based on a fuzzy trained associative rules expert system, aimed at improving the accuracy and efficiency of consumer preference analysis. The proposed system combines the interpretability of fuzzy logic with data-driven learning via associative rules and parameter identification using an adaptive multi-agent optimization method. To achieve this goal, associative rule learning techniques (Apriori and FP-Growth) were used to extract frequent consumer behavior patterns. A fuzzy expert system was developed, in which the parameters of membership functions are optimized by the Adaptive Vibrating Particle System (AVPS) metaheuristic. Unlike traditional vibrating particle systems, AVPS integrates iteration-dependent control of particle positions, enabling global search in early iterations and local refinement at later stages, thus improving convergence speed and solution precision. The architecture was implemented using Python-based tools (TensorFlow, Keras, Pandas, mlxtend, Scikit-Fuzzy), and validated on the “Consumer Behavior and Shopping Habits” dataset. The fuzzy expert system achieved an accuracy of 0.98, outperforming human experts (0.80), traditional VPS optimization (0.93), and backpropagation-based training (0.90). The system also reduces reliance on manually tuned parameters and increases robustness to data incompleteness and noise. Scientific novelty lies in combining a fuzzy associative rule-learning framework with AVPS-based optimization, offering a scalable and interpretable decision-making mechanism. The developed system contributes to the advancement of intelligent recommendation engines, personalized marketing tools, and decision support systems in consumer-oriented analytics.

У статті запропоновано розв’язання актуальної науково-прикладної задачі створення системи підтримки прийняття маркетингових рішень на основі нечіткої експертної системи, навченої асоціативним правилам. Розроблена система поєднує прозорість нечіткого логічного виводу з можливістю самонавчання на основі закономірностей даних. Ідентифікація параметрів функцій належності здійснюється за допомогою адаптивного мультиагентного метаевристичного методу – адаптивної системи вібруючих частинок (AVPS). Запропонована система адаптує поведінку частинок, залежно від номера ітерації, що забезпечує ефективний загальний пошук на початкових етапах та цільове вдосконалення рішень на фінальних стадіях. Для навчання асоціативним правилам у дослідженні були викристані відомі алгоритми Apriori та FP-Growth, а програмна реалізація здійснена з використанням бібліотек TensorFlow, Keras, Pandas, mlxtend та Scikit-Fuzzy. Експериментальне дослідження, що здійснено на основі масиву даних про споживчу поведінку та клієнтські переваги, підтвердило високу точність запропонованої системи (0.98), що перевищує результати традиційної вібраційної оптимізації (0.93), навчання зі зворотним поширенням помилки (0.90) та оцінки, надані експертом (0.80). Запропонована у статті система стійка до неповноти даних і шумів, а також узагальнює закономірності за такими ознаками, як вік, стать і категорія товару. Наукова новизна дослідження полягає в інтеграції адаптивної метаевристики AVPS у процес навчання нечітких експертних систем. Запропоноване рішення є масштабованим і придатним для застосування в інтелектуальних рекомендаційних системах, персоналізованому маркетингу та прийнятті споживчих рішень