خلاصة:
موسسات اعتباری برای در اختیار قرار دادن انواع تسهیلات اعطایی به مشتریان خود، نیاز به انجام بررسی های کاملی به منظور شناخت متقاضیان از ابعاد کیفی و کمی دارند تا از این راه، ارزیابی کاملی از سنجش توان بازپرداخت و محاسبه احتمال عدم بازپرداخت تسهیلات و خدمات تامین مالی از سوی آنان به عمل آید، این بررسی ها را به طور عام اعتبارسنجی گویند. هدف از انجام این تحقیق رتبه بندی گروه های مشتریان و تعیین بخش های برتر از آنها می باشد تا با استفاده از آن شرکت کارگزاری بتواند عملیات تخصیص اعتبار را به نحوی مکانیزه انجام دهد. برای این منظور پس از پیش پردازش اولیه از داده ها، آنها به شکل مدل RFM 1 پردازش می شوند. سپس با استفاده از شبکه عصبی SOM 2 به عنوان یکی از الگوریتم های خوشه بندی، مشتریان به 10 خوشه تبدیل خواهند شد. در ادامه با استفاده از مدل پیشنهادی، خوشه ها رتبه بندی می شوند. خوشه های برتر شناسایی و عملیات اعطای تسهیلات برای اعضای این خوشه ها انجام می شود. در نهایت سه خوشه 5، 1 و 7 به عنوان خوشه های برتر تعیین شدند که به عنوان مشتریان هدف می باشند. ضریب تسهیلات اعطایی به این سه خوشه برتر به ترتیب 271/0، 173/0 و 556/0 می باشد.
In order to provide all kinds of facilities to their customers, credit institutions need to carry out complete surveys in order to know the applicants from qualitative and quantitative aspects, in order to fully evaluate the ability to repay and calculate the probability of non-repayment of facilities and services. Financially, these surveys are generally called validation. The purpose of this research is to rank the groups of customers and determine the best parts of them so that the brokerage company can perform credit allocation in a mechanized way. For this purpose, after the initial pre-processing of the data, they are processed in the form of RFM 1 model. Then, using the SOM 2 neural network as one of the clustering algorithms, the customers will be divided into 10 clusters. In the following, using the proposed model, the clusters are ranked. The best clusters are identified and the operation of granting facilities is done for the members of these clusters. Finally, three clusters 5, 1 and 7 were determined as the best clusters, which are the target customers. The coefficient of facilities granted to these top three clusters is 0.271, 0.173 and 0.556 respectively.
ملخص الجهاز:
مطالعات کمي در مديريت صنعت بانکداري به منظور افزايش رضايتمندي و سودآوري مشتريان با استفاده از مدل RFM(مطالعه موردي : بانک ملت ) محمد مرادي ،١ محمد صادق حري *٢و ايرج نوري ٣ تاريخ دريافت : ١٤٠٢/٤/٢٢و تاريخ پذيرش : ١٤٠٢/٦/٣٠ چکيده مؤسسات اعتباري براي در اختيار قرار دادن انواع تسهيلات اعطايي به مشتريان خود، نياز به انجام بررسيهاي کاملي به منظور شناخت متقاضيان ازابعادکيفي وکمّي دارندتاازاين راه ،ارزيابي کاملي ازسنجش توان بازپرداخت ومحاسبه احتمال عدم بازپرداخت تسهيلات وخدمات تأمين مالي ازسوي آنان به عمل آيد،اين بررسيهارابه طورعام اعتبارسنجي گويند.
شرکت ها مي توانند با مدلهاي دادهکاوي مشتريان همگن با ارزش يکسان را در خوشه هاي کوچکتر مشابه قرار دهند تا به تقسيم بندي بازار بپردازند (حسن زاده و همکاران ، ٢٠١٢) و از اين راه تمرکز و تلاش خود را به شناسايي فرصت ها و ارائه خدمات به شيوه سفارشي مبذول دارد (يي هو، ٢٠١٠: ٢).
اين تحقيق از مدل RFM براي تبديل داده هاي اوليه به فرم دلخواه براي استفاده در الگوريتم خوشه بندي استفاده کرده است در نتيجه تغييراتي در نحوه محاسبه آنها انجام شده است .
خوشه اي که بالاترين عدد را در اين فرمول احصاء نمايد رتبه اول وفاداري و سودآوري را خواهد داشت فرمول رتبه دهي جامع : (رجوع شود به تصویر صفحه) همچنين مي توان از آناليز نتايج حاصله براي مديريت ريسک اعتباري مشتريان نيز استفاده کرد که براي اين منظور ميتوان خوشه هاي برتر را با تغيير يکي از شاخصهاي مدل RFM به شاخص بازپرداخت تسهيلات در موعد مقرر رتبه بندي جديد نمود که از اين طريق ضريب تسهيلات اعطايي به خوشه هاي برتر قابل محاسبه خواهد بود.