رویکرد بخش بندی و رتبه بندی پویای مشتریان و شناسایی تحرک رفتاری آنان با بهره گیری از تکنیک های داده کاوی در بانک رفاه کارگران (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
امروزه شناسایی، تعیین ارزش وبخش بندی مشتریان برای بانک ها یک امر حیاتی است اما روش های ایستای بخش بندی مشتریان که برمبنای ثبات مشتریان درهریک از بخش های تعیین شده می باشد از کارایی لازم برخوردار نبوده و شناخت الگوهای جابجایی وپویایی مشتریان در این بخش ها ازاهمیت ویژه ای برخوردارمی باشد. این پژوهش اقدام به بخش بندی ورتبه بندی پویای مشتریان بانک رفاه کارگران و شناسایی تحرک رفتاری آنان بین بخش های مختلف دربازه زمانی مشخص با بهره گیری از تکنیک های داده کاوه نموده است. از آنجا که داده کاوی درصدد توصیف حجم انبوه داده ها برای کشف الگوها و قواعد معنادار است لذا در این تحقیق از روش های معمول نمونه گیری جهت تعیین حجم نمونه استفاده نشده و تعداد 1123735مشتری حقیقی ارزشمند بانک که دارای حساب قرض الحسنه بودند عینا بعنوان جامعه آماری و تمامی تراکنش های مالی ایشان در بازه زمانی 6ماهه از اول مهر 1398 تا 29اسفند 1398 بعنوان نمونه انتخاب گردید سپس عملیات پیش پردازش و مدلسازی داده ها در شش بازه زمانی و به صورت ماهانه باهدف بخش بندی ورتبه بندی پویای مشتریان به وسیله الگوریتم های کای میانگین K MEAN و شبکه های عصبی خودسازمانده SOM انجام گردید. براساس نتایج حاصل از این پژوهش مشتریان به سه بخش اصلی تقسیم وپویایی ایشان مورد بررسی قرارگرفته و راهکارهایی جهت بهبود و اثربخشی بیشتر فعالیت های بازاریابی ارایه شده است.Dynamic segmentation and ranking approach of customers and identifying their behavioral mobility using data mining techniques in Kargaran Welfare Bank
Nowadays, identifying, determining the value and segmentation of customers is essential for a bank. Dynamic classification of workers#39; welfare bank customers and identification of their behavioral mobility between different departments in a specific period of time using data techniques Kaveh. In this regard, transaction data of customers of this bank was considered as a statistical community. In six time periods and on a monthly basis with the aim of segmentation and dynamic ranking of customers by K MEAN algorithms and self-organized neural networks SOM was performed. Based on the results of this study, customers were divided into three main sections and their dynamics were studied. Marketing is provided.
تبلیغات
