در دنیای رقابتی امروزی، شیوه‌های جذب مشتری یکی از با اهمیت‌ترین حوزه‌های کاربردی داده‌کاوی بوده و پرواضح است که یکی از مهمترین ابعاد آن پیش‌بینی رفتار خرید مشتری است. زیرا، پیش‌بینی خوب می‌تواند به توسعه استراتژیهای بازاریابی دقیقتر و صرف کاراتر منابع کمک نماید. ایجاد یک سیستم تشخیص مشتری(CRS) به دلیل وجود تعداد زیادی ویژگی در دسترس طراح کاری بسیار مشکل است. بعلاوه، نیاز شدیدی به ایجاد یک CRS وجود دارد که همزمان پیچیدگی کم و قابلیت پیش‌بینی خوبی را داشته باشد. از اینرو، مقصود این مقاله، توسعه یک CRS تلفیقی (HCRS) است که از نظر محاسباتی کارا و اثربخش است. نوآوری مدل HCRS، هم طراحی و هم پیاده‌سازی سیستم مذکور با ایجاد یک درخت رگرسیونی هرس شده (PRT) و طراحی یک شبکه عصبی پیشخوراند بهبودیافته (IFFNN) جهت افزایش سرعت، دقت و کاهش پیچیدگی را شامل می‌شود. از آنجاییکه، شناسایی مشتریان یکی از دغدغه‌های صنعت بیمه است، از داده‌های یک شرکت بیمه هلندی استفاده شده است. نتایج نشان داد که HCRS تنها 7% از ویژگی‌ها را در حالت بهینه انتخاب می‌کند که به میزان قابل‌توجهی هزینه محاسبات را کاهش می‌دهد. به‌‌علاوه، نتایج نشان داد که PRT نسبت به روش منحنی مشخصه عملیاتی دریافت‌کننده کاراتر بوده و IFFNN نسبت به FFNN و PRT پیش‌بینی‌های دقیقتری را ارائه می‌کند.