خوشه بندی مشتریان

در عصر حاضر یکی از چالش های بزرگ برنامه ریزان و مدیران در حوزه خدمات بانکی، شناخت مشتریان، ایجاد تمایز بین گروه های مختلف مشتریان می باشد. بدیهی است استفاده از الگوی مناسب به بانک این فرصت را می دهد که پیشنهادات ارزشمند خود را متناسب با نیازها و خواسته های بخشهای هدف گیری شده طراحی و ارائه نموده و در نتیجه عملکرد بانک از منظرهای مختلف بهبود یابد. هدف این مطالعه بکارگیری مدل مناسبی جهت خوشه-بندی مشتریان بر اساس شاخص هایی مانند تازگی، تعداد تراکنش ،و عامل مالی می باشد. در این مقاله جهت خوشه بندی داده ها از تلفیق الگوریتم ژنتیک با سی میانگین فازی جهت غلبه بر مشکلاتی مانند حساس بودن به مقدار اولیه و گرفتار شدن در دام بهینه محلی استفاده گردیده است. جامعه آماری این پژوهش، متشکل از مشتریان شعب بانک رفاه شهر تهران می باشد. همچنین از روش نمونه گیری تصادفی ساده جهت اخذ نمونه استفاده شده است. یافته های تحقیق نشان می دهد که مشتریان متعلق به خوشه اول بدلیل دارا بودن عملکردی بالا در شاخص های ""تازگی""،""تعداد تراکنش""، و""عامل مالی"" جزء مشتریان وفادار و مشتریان خوشه دوم بخاطر دارا بودن عملکردی پایین در شاخص ""تازگی""، عملکرد متوسط در شاخص ""تعداد تراکنش""،و عملکردی بالا در شاخص""عامل مالی"" جزء مشتریان رویگردان از بانک می باشند. لذا پیشنهاد می گردد که با توجه به موارد فوق راهکارهای اجرایی را اتخاذ نمایند

به عنوان یکی از روش های مسوولیت اجتماعی شرکت، از شریک سازی یک برند با یک علّت است که از آن با نام بازاریابی علّی یاد می گردد، که توجه بسیاری از شرکت ها را به خود جلب کرده است که شاید یکی از دلایل آن را می توان تأثیر مثبت بازاریابی علّی بر روی رفتار مشتری دانست. بازاریابی علّی روشی می باشد که در آن پرداخت های خیرخواهانه شرکت، به مبادلات مالی مشتریان که درآمدزاست، متصل شده است، همچون اهدای پول به ازای هر خرید مشتری. عوامل متعددی در تشکیل کمپین بازاریابی علّی وجود دارند که می توان به عواملی همچون اندازه اهدا، خیریه، نوع محصول، شهرت اجتماعی شرکت، اهمیت علّت، نزدیکی جغرافیایی علّت و غیره اشاره نمود. این پژوهش با تمرکز بر روی عامل "نوع محصول" به دنبال ارائه دسته بندی محصولات موجود و همچنین خوشه بندی مشتریان در بازاریابی علّی است. در این راستا پرسشنامه 524 دانشجو از 5 دانشگاه جامع در تهران شامل 27 سوال (محصول) مورد بررسی قرار گرفت که پس از استفاده از تحلیل عاملی اکتشافی و پس از چرخش متعامد واریماکس 27 عامل استفاده شده در پژوهش، محصولات موجود در قالب 5 عامل کلی شامل محصولات لذت جویانه، محصولات ضروری، محصولات بهداشتی- درمانی، محصولات مسکن و متعلقات و محصولات دیجیتال دسته بندی شدند. همچنین طبق تحلیل های صورت گرفته با استفاده از روش خوشهبندی کا-میانگین ، مشتریان در بازاریابی علّی در سه قالب مشتریان نوع دوست، مشتریان محصول محور (شامل متمرکز بر محصولات ضروری-مسکن و متعلقات و متمرکز بر محصولات لذت جویانه، بهداشتی-درمانی و دیجیتال) و مشتریان دور نامگذاری شدند (تاکسونومی) و ویژگیهای خوشههای مختلف مورد تحلیل قرار گرفت.

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.

بخش بندی مشتریان، فرصتی برای توجه به نیازهایی است که در پرتو بازاریابی انبوه مجالی برای ابرازشان نبوده است. هدف اولیه ی بخش بندی یافتن و حفظ مشتریانی است که قصد ارائه ی خدمت به آن ها را داریم. در این پژوهش خوشه بندی مشتریان بانک با استفاده از شبکه های عصبی مصنوعی رقابتی و روش های آماری سنتی با یکدیگر مقایسه شده اند. برای خوشه بندی مشتریان، 7 مشخصه ی کلیدی 600 مشتری از مشتریان یک بانک استخراج شده است. با استفاده از یک شبکه ی عصبی رقابتی و همچنین روش آماری وارد خوشه بندی مشتریان انجام گرفته و نتایج حاصل با استفاده از روش تحلیل تمایزات و شاخص های MAPE و RMSE با یکدیگر مقایسه شده است. مقایسه ی خوشه بندی های انجام شده، برتری قابل توجه شبکه ی عصبی رقابتی بر روش آماری وارد را نشان می دهد. خوشه بندی با استفاده از شبکه های عصبی رقابتی نقطه ی قوت و نوآوری این مقاله است. به خصوص که رفع نرون مرده در شبکه های عصبی رقابتی مورد تأکید قرار گرفته است. این مهم با استفاده از ترم بایاس در شبکه ی عصبی رقابتی، قابل دستیابی است که در این مقاله بر آن تأکید شده است.

با توجه به اینکه در سال های اخیر ارتباط دو طرفه سازمان ها با مشتریانشان به صورت محسوسی تغییر کرده، تداوم کسب و کار هیچ گونه تضمین بلند مدت ندارد. لذا سازمان ها به جهت حفظ توانایی رقابت در این بازار نامطمئن، میبایست مشتریان خود را به خوبی شناسایی، نیاز ها و خواسته های آن ها را پیش بینی نموده و با مجهز شدن به این اطلاعات و ارائه استراتژی های بازاریابی کارآمد در جهت حفظ و بقای خود تلاش نمایند. با توجه به اهمیت و سهم بالای درآمد بنادر ایران در اقتصاد داخلی و وجود رقابت شدید بین بنادر منطقه، ضرورت شناسایی مشتریان کلیدی و تعیین نیازها و خواسته های آنها برای سازمان بنادر و دریانوردی بیشتر از گذشته احساس می گردد.از سوی دیگر داده کاوی که علم تجزیه و تحلیل داده ها است به عنوان پل ارتباطی بین قسمت هایی از داده معرفی می شود. در همین خصوص ابزارهایی در داده کاوی مانند خوشه بندی و طبقه بندی وجود دارند که شرایط لازم برای ارائه خدمت مورد نظر به مشتریان خوشه هدف و برقراری ارتباط تنگاتنگ با آن ها را برای سازمان ایجاد می نماید. در این پژوهش تحلیل RFM روی داده های پردازش شده 595 مشتری سازمان بنادر در طول یکسال انجام و فرایند خوشه بندی با استفاده از خروجی تحلیل RFM و دو الگوریتم خوشه بندی K - means و SOM انجام می گردد که به منظور تعیین تعداد بهینه خوشه ها از شاخص سیلوئت استفاده می گردد (12 خوشه تعیین گردید). در انتها کیفیت خوشه ها با استفاده از معیار انحراف معیار داده های درون خوشه ها ارزیابی و نتایج به دست آمده از دو روش مقایسه می گردد. با توجه به اینکه کیفیت خوشه های حاصل از الگوریتم SOM بهتر از k-means می باشد بر اساس خوشه های به دست آمده از الگوریتم SOM بدین ترتیب مشتریان کلیدی و با ارزش مشخص می گردد. بر اساس تجزیه و تحلیل نتایج مشخص گردید مشتریان خوشه های 9 و 12 منتج از الگوریتم SOM با دارا بودن الگوی ↑ M ↑ F ↑ R بیشترین ارزش و وفاداری را برای سازمان بنادر دارند و مهمترین مشتریان سازمان بنادر محسوب می شوند و مشتریان خوشه نخست منتج از الگوریتم SOM با دارا بودن الگوی ↓ M ↓ F ↓ R کمترین میزان ارزش و وفاداری را برای سازمان بنادر دارند.