رتبه بندی مشتریان

هدف  این مقاله  ارائه مدلی ترکیبی است تا ضمن ارزیابی عملکرد تسهیلات سیستم بانکی از منظر بازپرداخت بدهی تسهیلات، امکان پیش بینی وضعیت اعتباری متقاضیان تسهیلات را فراهم اورد.در این راستا در ابتدا با اتخاذ رویکرد مدیریت اعطای تسهیلات توسط بانک ها به خوشه بندی و رتبه بندی 100224 فقره از تسهیلات صندوق کارآفرینی امید پرداخته شده اس ت. تمامی اطلاعات مربوط به تسهیلات اعطایی به مشتریان فوق از نرم افزار بانکداری متمرکز صندوق استخراج شده است و با اتکا به این مجموعه داده کمی ارزشمند و دارای روایی بالا از روش های کیفی برای گردآوری داده ها استفاده نشده است. در این مقاله  از روش تحلیل عاملی «رب پی سی ای»  برای طبقه بندی و از الگوریتم دو مرحله ای «کی-مینز»  برای خوشه بندی استفاده می شود. همچنین غیر از روش های خوشه بندی اشاره شده از روش «سی سی ار»  نیز برای ارزیابی عملکرد تسهیلات صندوق استفاده شده است. در ادامه با هدف ایجاد زمینه پیش بینی وضعیت اعتباری متقاضیان پیش از اعطای تسهیلات به ارائه مدلی برای پیش بینی اعتبار با استفاده از دو  الگوریتم ماشین بردار پشتیبان و الگوریتم ترکیبی فراابتکاری شبکه عصبی-ژنتیک پرداخته شده است. نتایج به دست آمده از پیش بینی وضعیت اعتباری متقاضیان تسهیلات نشان می دهد که مدل به دست آمده از روش ترکیبی شبکه عصبی-ژنتیک با میانگین مربعات خطا 23/0 و ضریب تعیین  78 درصد از صحت پیش بینی بیشتری در مقایسه با مدل ماشین بردار پشتیبان برخوردار است. بنابراین، مدل ارائه شده برای پیش بینی وضعیت اعتباری در این مقاله، می تواند پیش بینی به نسبت مناسبی از عملکرد متقاضیان تسهیلات داشته باشد. روشی جدید که در قالب یک نرم افزار داده کاوی امکان پیش بینی اعتبار متقاضیان از منظر بازپرداخت بدهی تسهیلات را برای موسسات مالی-اعتباری فراهم می آورد.

شناخت مشتریان و شناسایی سرویس های سودده با توجه به تنوع مشتریان بانک و گوناگونی سرویس ها 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، مهمترین شبکه بین بانکی مورد استفاده در ایران شبکه شتاب می باشد. 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 بانک ها بتوانند در این شبکه رفتار مشتریان خود را تحلیل و ارزیابی نموده و به تدوین سیاستهای موثر در برخورد با مشتریان بپردازند. همچنین جهت بررسی مطالعات مشابه و افزایش اطلاعات از طریق مطالعات کتابخانه ای و اینترنتی، اطلاعات مرتبط با مدل مورد نظر گردآوری شد. نهایتاً R +FMW مدلی جهت خوشه بندی مشتریان بانک و تراکنش های آنها ارائه 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 بانک ها می توانند مشتریان فعال در شبکه تبادل بین بانکی(شتاب) را شناسایی کنند و مشتریان و کانال های ارتباطی پرهزینه را از جنبه ی میزان کارمزد و اطلاعات دموگرافیک تشخیص دهند.

شناخت مشتریان و شناسایی سرویس های 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 درگاه های الکترونیکی بانک ها با استفاده از شبکه های تبادل گوناگون اطلاعات نظیر ساتنا، پایا، چکاوک، صیاد و . . . به یکدیگر متصل هستند. مهمترین شبکه بین بانکی مورد استفاده در ایران شبکه شتاب می باشد. 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 بانک ها 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 داده های مورد نیاز از پایگاه داده سوئیچ کارت بانک استخراج و با روش کریسپ تجزیه تحلیل های مورد نیاز و عملیات داده کاوی بر روی آن انجام شد. این داده ها در پایگاه داده های بانک رفاه موجود بوده و با استفاده از دستورات زبان دستکاری داده ها از پایگاه دادههای موسسه استخراج گردید. همچنین جهت بررسی مطالعات مشابه و افزایش اطلاعات از طریق مطالعات کتابخانه ای و اینترنتی، اطلاعات مرتبط با مدل مورد نظر گردآوری شد. نهایتاً R+FMW مدلی جهت خوشهبندی مشتریان بانک و تراکنش های آنها ارائه 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 بانک ها می توانند مشتریان فعال در شبکه تبادل بین بانکی(شتاب) را شناسایی کنند و مشتریان و کانال های ارتباطی پرهزینه را از جنبه ی میزان کارمزد و اطلاعات دموگرافیک تشخیص دهند.

هدف: در بانک ها، مدیریت و اعتبارسنجی مشتریان، یکی از موارد حیاتی است و برای حفظ امنیت مالی و پایداری سازمان بانکی بسیار اهمیت دارد. یکی از چالش های اساسی در این حوزه، شناسایی شاخص های مناسب برای اعتبارسنجی و امتیازدهی به مشتریان است. چون اغلب این مشتریان به اطلاعات مالی و اعتباری دسترسی محدودی دارند و نمی توانند ضامن یا سوابق قرض دهی مناسبی ارائه کنند، تعیین شاخص های صحیح و قابل اعتماد بسیار چالش برانگیز است. همچنین، برای امتیازدهی به مشتریان، باید یک سیستم امتیازدهی مناسب و عادلانه وجود داشته باشد. این سیستم باید بتواند با در نظر گرفتن معیارهای اعتباری و رفتاری، مشتریان را در رده های مختلف قرار دهد و بر اساس عملکرد آن ها، به آن ها امتیازهای متناسب اختصاص دهد. علاوه براین، نیاز به توسعه روش هایی برای ارزیابی و پایش مشتریان در طول زمان نیز وجود دارد. هدف این پژوهش، شناسایی شاخص های اعتبارسنجی و رتبه بندی مشتریان در تسهیلات خُرد در بانک خاورمیانه است. روش: این پژوهش از نظر هدف کاربردی زمینه ای و از نظر روش اکتشافی است. جامعه آماری آن، کلیه مشتریان خُرد بانکداری دیجیتال بانک خاورمیانه بودند که درخواست دریافت تسهیلات کم بهره ۲ درصد سالانه با نرخ جریمه ۶ درصد را داشتند. روش های آماری در این پژوهش، در دو بخش آمار توصیفی و استنباطی انجام گرفت. در بخش آمار توصیفی، برخی فاکتورهای شخصیتی همچون سن، جنسیت، تحصیلات، کسب وکار، وضعیت بدهی جاری نظام بانکی، وضعیت چک های برگشتی، وضعیت پول شویی، مانده موجودی حساب بانکی (بانکینو)، سوابق تراکنش های بانکی، مکان جغرافیایی (محل زندگی و کار)، مدل گوشی همراه و سیستم عامل گوشی و رتبه اخذ شده از سامانه شرکت مشاوره رتبه بندی اعتباری ایران و... تجزیه وتحلیل و از طریق جدول و نمودارها بررسی شدند. الگوریتم های نایو بیز، متا، Attribute Selected Classifier و الگوریتم j۴۸ اجرا و از نرم افزار وکا برای رده بندی معیارها و ایجاد الگو استفاده شد. افزون بر این، به منظور ارزیابی نهایی مدل اعتبارسنجی و رتبه بندی مشتریان تسهیلات خُرد بدون پشتوانه، از آزمون تی در سطح ۰/۲۵ استفاده شد. یافته ها: یافته ها نشان داد که اگر فردی برای درخواست وام مراجعه کند، بانک باید به شاخص هایی توجه کند و بر اساس آن شاخص ها، در خصوص پرداخت یاعدم پرداخت وام تصمیم گیری کند. از این رو به فردی که تمام یا بخش عمده ای از این شاخص ها را دارد، می توان وام پرداخت کرد یا از متقاضی، وثیقه مناسب گرفت. این شاخص ها عبارت اند از: ۱. تسویه وام های قبلی شخص در بانک اعطا کننده، ۳۰ روز و ۶۰ روز بعد از سررسید وام انجام شده باشد؛ ۲. مبلغ تسهیلات دریافت شده این شخص، بالاترین مبلغ وام قابل پرداخت باشد؛ ۳. وضعیت وام های قبلی شخص در سایر بانک ها تسویه شده باشد؛ ۴. مبلغ وام درخواستی هر چه بالاتر باشد، بهتر است؛ ۵. سن فرد بالاتر از میان سال باشد؛ ۶. مدرک فرد کارشناسی، دیپلم و زیر دیپلم نباشد؛ ۷. امتیاز فرد بالای ۴۰ باشد؛ ۸. سیستم عامل گوشی فرد اندروید نباشد؛ ۹. مدل گوشی فرد سامسونگ یا شیائومی نباشد؛ ۱۰. بررسی های مربوط به وضعیت پول شویی فرد منفی باشد. نتیجه گیری: بانک ها باید در این استراتژِی (تسهیلات خُرد بدون پشتوانه) به اشخاصی تسهیلات بدهند که قبل از وارد شدن به هرگونه رابطه اعتباری جدید، درباره آن ها کاملاً شناخت داشته باشند. داده های لازم را از آن ها جمع آوری کنند و از حسن اعتبار و شهرت آن ها اطمینان یابند. بانک باید اطلاعات کامل و جامعی در خصوص وام گیرنده دریافت کند؛ به نحوی که این اطلاعات قابل اتکا باشد؛ زیرا اعطای تسهیلات به اندازه سودآوری، می تواند بانک را متحمل ریسک کند.