منابع پایان نامه درباره خوشه‌بندی، مشتریان کلیدی، صنعت بانکداری

جدول 4-7 بخشی از اطلاعات حاصل از خوشه‌بندی نمونه هزارتایی از داده‌های مربوط به مشتریان بانک مهر اقتصاد را نشان می‌دهد.
جدول 4-7 اطلاعات مربوط به خوشه‌بندی مشتریان بانک مهر اقتصاد به روش K-Means تعداد عناصر خوشه
میانگین متغیرها در خوشه
R
F
M
K
خوشه اول
266
0.1862
0.538372
0.171973
0
خوشه دوم
261
0.55927
0.669639
0.711529
0
خوشه سوم
253
0.68024
0.522352
0.149776
0
خوشه چهارم
181
0.38703
0.259764
0.649272
0
خوشه پنجم
39
0.42609
0.491158
0.944475
1 4-5- نتایج تحقیق
با مقایسه جدول 4-7 با جدول راهنمای 4-6 میتوان دریافت که خوشه اول که مقدار متغیر R آن پایین (یعنی اخیراً به بانک مراجعه داشتهاند)، متغیر F یعنی تعداد تراکنش اخیر آنها طی یک سال گذشته آن نسبتاً بالا و متغیر M یعنی میانگین مبلغ تراکنشهای آنها در طی یک سال گذشته نسبتاً پایین است، مشتریانی هستند وفادار با مانده حساب پایین (مشتریان قدیمیتر) و بانک در مواجهه با این گروه باید به دنبال جواب این سؤال باشد که چطور میتوان این گروه از مشتریان را که وفاداری نسبتاً بالایی به بانک دارند به سرمایهگذاری بیشتر و افزایش موجودی و فعالیت حساب از طرق مختلف در بانک ترغیب نمود. ارائه تسهیلات، میتواند پیشنهادی مناسب جهت نگهداشت مشتریان این گروه باشد.
خوشه دوم که مقدار R، F و M نسبتاً بالایی دارند، از آنجاییکه میانگین مبلغ تراکنشها و تعداد تراکنش بالایی دارند، مشتریانی ارزشمند برای بانک محسوب میشوند. اما از آنجاکه فاصله زمانی آخرین تراکنش آنها با بانک عدد به نسبت بزرگی است، احتمال فرار این مشتریان بالاست. بانک باید با ارائه خدمت رسانی سریعتر و بهتر به این دسته از مشتریان، این احتمال را کاهش داده و جهت جلب اعتماد مجدد آنها تلاش نماید.
در مورد مشتریان خوشه سوم میتوان گفت این مشتریان با وجود تعداد گردش بالا در یک سال گذشته، اخیراً گردش حسابی نداشتهاند. در مورد مشتریان این خوشه و خوشه دوم میتوان گفت باید به روشهایی مانند معرفی طرحهای جدید به این مشتریان سعی در جذب مجدد آنها نمود. البته مشتریان خوشه دوم به دلیل داشتن میانگین مبلغ بالاتر نسبت به مشتریان این خوشه از ارزش بالاتری برخوردارند.
مشتریان خوشه سوم مشتریانی نسبتاً ارزشمند ولی با فعالیت حساب پایین و به طور معمول مشتریان جدید هستند که میزان نسبتاً بالای تبادل نقدینگی با بانک را دارا میباشند. بانک میتواند با معرفی کامل کلیه خدمات بانکی ارائه شده به روش‌های مختلف مانند ارائه کاتالوگ، ارسال پیامک، ایمیل و … مشتری جدید را در انتخاب خدمات متناسب و در نتیجه بقای ارتباط با این بانک یاری نماید.
مقدار میانگین 1 مربوط به متغیر K در خوشه پنجم نشان می‌دهد کلیه مشتریان این خوشه جزء مشتریان کلیدی بانک میباشد. با گسترش دامنه مطالعه به سایر متغیرهای مربوط به این مشتریان میتوان به گزارههای دانشی ارزشمندی دست یافت. مثلاً اکثریت افراد این خوشه مرد، متأهل و دارای شغل آزاد میباشند. این دانش در مورد ارزشمندترین مشتریان بانک میتواند در زمینه اخذ تصمیماتی جهت افزایش روزافزون رضایت این دسته از مشتریان و ممانعت از رویگردانی آنها از این بانک بسیار کمک کننده باشد. یکی از این رویکردها که میتواند در ارتقاء رضایت این مشتریان تأثیرگذار باشد، ارسال پیامکهایی خاص این گروهها و معرفی خدمات جدید به قصد افزایش بازدهی حسابهای آنان در نزد این بانک میباشد. توسعه خدمات جدید متناسب با مطالبات این گروه میتواند موجب بقای ارتباط آنها با بانک بوده و قطعاً رضایت مشتری در دراز مدت سودآوری زیادی را برای بانک به همراه خواهد داشت.
4-6- جمع‌بندی مطالب فصل
در این تحقیق یک نمونه هزارتایی از داده‌های مربوط به تراکنشهای اخیر مشتریان با بانک مهر اقتصاد از پایگاه داده‌های این بانک موجود استخراج شده و با انجام عملیات پیشپردازشی مانند نرمال، جدول داده‌ها، حاوی مقادیر نرمال شده متغیرهای R، F، M و K در قالب جدول اکسل، به عنوان ورودی الگوریتم‌های K-Means، WK-Means و Anti Harmonic Means آماده‌سازی شد. سپس به کمک معیار SSE، خوشههای به دست آمده از روش K-Means که دارای کمترین مقدار SSE بودند، به عنوان مناسبترین خوشه‌ها شناسایی و به گام نهایی یعنی گام تحلیل خوشه‌ها، تحویل شد. و در نهایت این خوشه‌ها با کمک نظرات خبرگان بانکی مورد تحلیل قرار میگیرد. دانش حاصل میتواند پشتیبانی قدرتمند برای مدیران سازمان جهت اتخاذ راهبُردهایی جهت بهبود ارتباط با مشتری باشد.
فصل پنجم
نتیجه‌گیری و پیشنهاد‌ها 5-1- مقدمه
هرچند ممکن است استخراج دانش از حجم عظیم داده‌های برجای‌مانده از تعاملات سازمانها و به خصوص تعاملات بانکها با مشتریانشان، در نگاه اول بسیار سخت و گاهی ناممکن به نظر برسد، اما با بهرهگیری از ابزارهای نوین تحلیل داده‌ها همچون داده‌کاوی و استفاده از دانشهای روز دنیا همچون مباحث مدیریت دانش و مدیریت ارتباط با مشتری میتوان این داده‌ها را به گنجینه‌ای گران‌بها تبدیل نمود. این گنجینه همان دانش استخراج‌شده از طریق کند و کاو این دادههاست.
میتوان فن‌ه ای داده‌کاوی را ابزارهای پشتیبان تصمیم دانست که مدیران سازمان را قادر میسازد که به جای تأثیرپذیری از محیط، بر بازار و عوامل آن تأثیرگذار باشند.
رتبهبندی مشتریان با بخش‌بندی آنها سعی در کشف الگوهای رفتاری مشابه حاکم بر آن بخش دارد. کشف این الگوها میتواند در مسیر اتخاذ تصمیمات راهبردی سازمان بکار گرفته شود.
5-2- خلاصه تحقیق
هدف از این تحقیق با عنوان «مدیریت دانش مشتریان بانک مهر اقتصاد با استفاده از تکنیکهای داده‌کاوی»، بخش‌بندی مشتریان بانک مهر اقتصاد باهدف کشف ویژگی‌های رفتاری مشابه جهت تسهیل اتخاذ استراتژی‌های متناسب با هر بخش و در نتیجه حفظ، تقویت و یا توسعه ارتباط با مشتریان این بانک میباشد. داده‌های خام مورد نیاز جهت این مطالعه از پایگاه داده‌های بانک مهر اقتصاد استخراج شده است.
چارچوب کلی این تحقیق در هفت گام تنظیم شده است. در گام انتخاب متغیرها، با توجه به اهداف تحقیق و به جهت کاهش حجم داده‌ها، متغیرهای تأثیرگذار بر این مطالعه شناسایی شد و از این میان سه دسته متغیر دادههای جمعیت آماری مشتریان، متغیرهای تراکنش‌های مالی مشتریان (R، فاصله میان زمان آخرین تراکنش مشتری تا زمان مورد ارزیابی، F، تعداد خریدهای مشتریان در یک بازه زمانی خاص و M، میانگین مبالغ تراکنش‌های مشتری در یک بازه زمانی خاص) و متغیر K مربوط به کلیدی بودن مشتری که با نظر خبرگان بانکی تعیین میگردد، انتخاب شده است. در گام آماده‌سازی داده‌ها عملیات پیشپردازشی نظیر حذف داده‌های نامناسب و نرمال سازی، جهت آماده‌سازی برای ورود به الگوریتم انجام میگیرد. این داده‌ها در یک مجموعه با هزار نمونه و در قالب جدول اکسل تنظیم شدند. در ادامه تعداد خوشه‌ها به منظور تفکیک مشتریان با استفاده از نظرات خبرگان بانکی، پنج دسته تعیین گردید. در گام بعد الگوریتم‌های خوشه‌بندی K-Means، WK-Means و A-H-Means بر روی پایگاه داده‌ها اعمال شد. در نهایت با شناسایی خوشههای مشتریانی که بیشترین شباهت را در الگوهای رفتاری خود دارند، دانشی حاصل خواهد شد که میتواند در جهت اتخاذ استراتژی مناسب جهت جذب و نگهداری مشتری و بهبود کارآیی مالی او، توسط مدیران سازمان بکار گرفته شود.
5-3- نتیجه‌گیری
با بکارگیری تکنیکهای هوشمند داده‌کاوی مشتریان بانک مهر اقتصاد در پنج دسته و با توجه به بیشترین شباهت در الگوی رفتاری گروهبندی شدند.
خوشه‌بندی مشتریان بر مبنای چارچوب ارائه شده در این تحقیق به ما کمک میکند تا مشتریانی که دارای الگوهای رفتاری مشابه بر حسب متغیرهای تراکنشی مشتریان و ممتغیرهای جمعیت آماری هستند را در گروههای واحدی در نظر گرفته و بر مبنای ویژگی‌های اکثریت مشتریان هر گروه، سرویسهای متناسب با این ویژگیها را به روش‌های متفاوت به مشتریان پیشنهاد نمود.
میتوان با بررسی خوشه‌ها، خوشههایی که بیش‌ترین تعداد مشتریان کلیدی در آنها قرارگرفته‌اند شناسایی نمود. با این امکان مشتریان مستعد کلیدی شدن شناخته میشوند و با خدمت رسانی هر چه بیشتر به این گروهها منجر به حفظ و ادامه ارتباط مؤثر آنها با بانک گردید.
با بررسی خوشههایی که بیش‌ترین مشتریان کلیدی را در خود جای دادهاند و شناسایی اکثریت مشتریان در این خوشه‌ها از منظر نوع شغل، محل منطقه بانکی و جنسیت و … و با نظر کارشناسان و خبرگان بانکی میتوان خدمات بانکی ویژه و متناسب با این گروهها را طراحی نموده و از طریق پیامک و یا به طور رودررو به این افراد معرفی نمود. 5-4- زمینه‌های پیشنهادی، راهکارها و پیشنهاد‌ات جهت پژوهش‌های آتی
امروزه تحقیقات فراوانی در زمینه دادهکاوی و بکارگیری آن در صنعت بانکداری دنیا و کشورمان در حال انجام است. با این وجود زمینههای بالقوه بسیاری در بکارگیری این دانش در بانکها و مؤسسات مالی و اعتباری در کشور وجود دارد. بدیهی است پیشدستی در بهرهگیری از این ظرفیتها میتواند مزیت رقابتی را برای بانک یا موسسه مالی و اعتباری مربوطه به ارمغان آورده و ارزش افزوده بیشتری را نصیب بانک یا مؤسسه مورد نظر نماید. علاوه بر این ایجاد زمینههایی جهت آشنایی کارشناسان و متخصصان امور بانکی با مباحث دادهکاوی و کاربردهای آن در صنعت بانکداری ضروری به نظر میرسد.
با توجه به کاربردهای وسیع شناخته‌شده از داده‌کاوی در صنعت بانکداری، به‌کارگیری این ابزار در سایر زمینهها مانند کشف تقلب، ارزیابی اعتبار مشتریان و پیش بینی توانمندی مشتری در بازپرداخت اقساط تسهیلات، ارزیابی عملکرد بانک و … در این بانک پیشنهاد میگردد.
در حال حاضر مشتریان کلیدی بانک مهر اقتصاد توسط نظر خبرگان این بانک و صرفاً با استفاده از چند معیار محدود انتخاب میگردند. استفاده از الگوریتم‌های داده‌کاوی مانند قواعد همبستگی و استخراج قوانینی جهت شناسایی مشتریان کلیدی بانک میتواند معیار خوبی جهت تکمیل نظر خبرگان در جهت انتخاب این دسته از مشتریان باشد.
برای بهبود نتایج حاصل از خوشهبندی، در گام تعیین تعداد بهینه خوشه‌ها استفاده از روش‌های Two-Step، Davis Bouldin و یا روش‌های موجود در زمینه تعداد بهینه خوشه‌ها در خوشه‌بندی‌های فازی، میتواند نتیجه نهایی را بهبود بخشد.
ارائه سرویس مناسب به مشتریان بالقوه با استفاده از الگوریتم Apriori جهت شناسایی هر چه دقیقتر رابطه میان گروههای مختلف مشتریان و سرویسهای مورد علاقه آنها و در نتیجه تخصیص امکانات متناسب جهت کاهش هزینههای مربوط به تبلیغا ت بانک از زمینههایی است که برای تکمیل این تحقیق پیشنهاد میگردد.
در گام تعیین تعداد بهینه خوشه‌ها میتوان از روش‌های Two-Step، Davis Bouldin و یا روش‌های موجود در زمینه تعداد بهینه خوشه‌ها در خوشه‌بندی‌های فازی استفاده نمود.
پیوست 1: کد الگوریتمها
using System;
using System.Collections.Generic;
using System.ComponentModel;
using System.Data;
using System.Drawing;
using System.Text;
using System.Windows.Forms;
namespace Read_Excel_Files
{
public partial class Form2 : Form
{
DataTable dt;
DataTable[] dtp=new DataTable[5];
double Epsilon = 0.000000000008;
public Form2()
{
InitializeComponent();
} private void button1_Click(object sender, EventArgs e)
{
try
{
dt = new]]>

Author: مدیر سایت

پاسخی بگذارید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *