Abstract:
شناخت مشتریان و شناسایی سرویسهای سودده با توجه به تنوع مشتریان بانک و گوناگونی سرویسها در نظام بانکی کشور از اهمیت بالایی برخوردار است. مدیریت ارتباط با مشتری در حال حاضر هسته مرکزی را در دنیای تجارت به خود اختصاص داده است، امروزه درگاههای الکترونیکی بانکها با استفاده از شبکههای تبادل گوناگون اطلاعات نظیر ساتنا، پایا، چکاوک، صیاد و... به یکدیگر متصل هستند. مهمترین شبکه بین بانکی مورد استفاده در ایران شبکه شتاب میباشد. دراین پژوهش با استفاده از فنون داده کاوی به بخش بندی و رتبه بندی مشتریان در شبکه شتاب با استفاده از یک مدل بهبود یافته داده کاوی مبتنی بر تازگی خرید، تناوب خرید و مبلغ خرج شده برای خرید پرداخته شده به نحوی که بانکها بتوانند در این شبکه رفتار مشتریان خود را تحلیل و ارزیابی نموده و به تدوین سیاستهای موثر در برخورد با مشتریان بپردازند. به این منظور دادههای مورد نیاز از پایگاه داده سوییچ کارت بانک استخراج و با روش کریسپ تجزیه تحلیلهای مورد نیاز و عملیات داده کاوی بر روی آن انجام شد. این دادهها در پایگاه دادههای بانک رفاه موجود بوده و با استفاده از دستورات زبان دستکاری دادهها از پایگاه دادههای موسسه استخراج گردید. همچنین جهت بررسی مطالعات مشابه و افزایش اطلاعات از طریق مطالعات کتابخانهای و اینترنتی، اطلاعات مرتبط با مدل مورد نظر گردآوری شد. نهایتا R+FMW مدلی جهت خوشهبندی مشتریان بانک و تراکنشهای آنها ارایه گردید. نتایج تحقیق نشان داد که مدل توسعه یافته R+FMW از دقت بالاتری نسبت به مدل RFM پایه برخوردار است و با استفاده از این مدل بانکها میتوانند مشتریان فعال در شبکه تبادل بین بانکی (شتاب) را شناسایی کنند و مشتریان و کانالهای ارتباطی پرهزینه را از جنبهی میزان کارمزد و اطلاعات دموگرافیک تشخیص دهند.
Recognizing customers and identifying profitable
services is of great importance due to the diversity of
bank customers and the variety of services in the
country's banking system. Customer relationship
management is now the core of the business world,
today the electronic portals of banks using various
information exchange networks such as Satna, Paya,
Chakavok, Sayad and. . . Are connected to each other.
In this study, data mining techniques are used to
segment and rank customers in the Shetab network
using an improved data mining model based on recent
purchasing, purchase frequency and amount spent on
purchases so that banks can behave in this network.
Analyze and evaluate your customers and formulate
effective policies in dealing with customers. For this
purpose, the required data were extracted from the bank
card switch database and the required analyzes and data
mining operations were performed on it using the Crisp
method. This data is available in the database of the
Welfare Bank and was extracted from the database of
the institution using language manipulation commands.
Finally, R + FMW presented a model for clustering
bank customers and their transactions. The results
showed that the developed R + FMW model has a
higher accuracy than the basic RFM model and by
using this model, banks can identify customers active in
the interbank exchange network (acceleration) and
customers and costly communication channels. In terms
of fees and demographic information.