Abstract:
در نظام بانکی که چرخه ورود و خروج وجوه نقد در قالب سپرده پذیری و پرداخت تسهیلات اصلیترین فعالیت آن محسوب میشود، حفظ مشتریان اهمیت بالایی دارد. بدین منظور مدیران بانکها بصورت قابل توجهی به حوزه امور مشتریان تمرکز نموده و در این راستا داده کاوی و روشهای تحلیل متنوع آماری میتواند نقش موثری در تصمیمگیری داشته باشد. در این پژوهش روشی پیشنهاد خواهد شد که در آن از یک الگوریتم مبتنی بر ضریب همبستگی، شاخصهای موثر بر مشتریانی که اخیرا از بانک خارج شدهاند، را شناسایی خواهد نمود و سپس با استفاده از قابلیت رگرسیون خطی، مدل خروج مشتریان استخراج و نهایتا متناسب با شباهت مشتریان با مدل رگرسیون، مشتریان در 6 خوشه طبقه بندی خواهند شد. در همین راستا تحلیلهایی درخصوص سایر شاخصها و انتظارات مدیریتی برای تمرکز و حفظ مشتریان ارایه شده است.
In the banking system, where the cycle of inflow and outflow of cash in the form of depositing and payment of facilities is considered as its main activity, customer retention is very important. For this purpose, bank managers have significantly focused on customer affairs and in this regard, data mining and various statistical analysis methods can play an effective role in decision making. In this research, a method will be proposed in which an algorithm based on the correlation coefficient will identify the indicators affecting customers who have recently left the bank, and then using linear regression, the model of customer withdrawal will be extracted and finally According to the similarity of customers with the regression model, customers will be classified into 6 clusters. In this regard, analyzes of other indicators and managerial expectations have been presented to focus and retain customers.
Machine summary:
بدين منظور مديران بانک ها بصورت قابل توجهي به حوزه امور مشتريان تمرکز نموده و در اين راستا داده کاوي و روش هاي تحليل متنوع آماري مي تواند نقش موثري در تصميم گيري داشته باشد.
در اين پژوهش روشي پيشنهاد خواهد شد که در آن از يک الگوريتم مبتني بر ضريب همبستگي ، شاخص هاي موثر بر مشترياني که اخيرا از بانک خارج شده اند، را شناسايي خواهد نمود و سپس با استفاده از قابليت رگرسيون خطي، مدل خروج مشتريان استخراج و نهايتا متناسب با شباهت مشتريان با مدل رگرسيون ، مشتريان در ٦ خوشه طبقه بندي خواهند شد.
نجمي و 1 Hierarchical Clustering 2 Density-Bases Clustering 3 Model-Based Clustering 1372 همکاران (١٣٩٧) فضاي صنعتي و اقتصادي فعلي با وجود رقابت هاي شديد در آن را دليل آن دانسته که بنگاه هاي اقتصادي از سمت جذب مشتريان جديد به سوي حفظ مشتريان قبلي تمايل داشته باشند، براي اين منظور توسعه روش هاي شناسايي مشتريان رويگردان و پيش بيني رويگرداني را مهم تلقي نموده اند.
٥. ٤ بکارگيري مدل براي مطالعه موردي و ارزيابي (فاز ٥ روش کريسپ ) گام ١- با توجه به اينکه هدف اصلي در اين پژوهش پيش بيني خروج يا رويگرداني مشـتريان مـي باشـد، متغييـر هـدف فيلد خروج يا عدم خروج مشتريان تعيين شده است .
- تحليل ها نشان مي دهد در جامعه آماري پژوهش وضعيت خروج يا عدم خروج مشتريان با درآمد هاي پيش بيني شده بدون ارتباط است .
Customers churn prediction and marketing retention strategies: An application of support vector machines based on the auc parameter-selection technique in b2b e-commerce industry.
Prediction of churn behavior of bank customers using data mining tools.