دانلود پایان نامه دسته بندی مشتریان بانک با استفاده از تکنیک های یادگیری ماشین

در مديريت ارتباط با مشتری CRM  مي توان گفت مهم ترين دارايي اغلب سازمان ها مشتريان آن ها هستند. مشتريان به خاطر ارتباط مستقيمي که با اقدامات يک سازمان دارند، منبع ارزشمندی برای فرصت ها، تهديدات و سوالات عملياتي مرتبط با صنعت مربوطه مي باشند. به اين ترتيب لازم است در سازمان، سيستمي برای جذب و حفظ مشتريان طراحي و پياده سازی شود، سيستمي که بتواند روابط سازمان و مشتريان را به خوبي مديريت کند. امروزه اين سيستم ها به سيستم های مديريت ارتباط با مشتريان مشهور شده و نرم افزارهايي با نام CRM به بازار آمده که مي توانند سازمان را در راه جلب رضايت مشتريان تواناتر سازند که هدف آن ها توانمند سازی سازمان برای ارائه خدمات بهتر به مشتريان از طريق ايجاد فرآيندهای خودکار و يكپارچه برای جمع آوری و پردازش اطلاعات شخصي مشتريان است. مديريت ارتباط با مشتری متشكل از فرآيند کسب و کار، فناوری و نقش های لازم جهت اداره کردن مشتريان در مراحل متعدد چرخه حيات سازمان است (زلقي, 1392).

داده کاوی يكي از تكنيک های جديد برای کاويدن الگوها و روندها با توجه به داده های مشتريان است که سبب بهبود ارتباط با مشتری مي شود و از ابزارهای مطرح در مديريت ارتباط با مشتری است. بخش بندی شيوه ای برای شناخت مشتری و شكستن کل جمعيت مشتريان به گروه های کوچكتر است.

در اين تحقيق قصد داريم با استفاده از ويژگي های مشتريان نمايه ای برای آن ها تشخيص داده و مشترياني که برای سيستم بانکي دارای اهميت بوده و سودآور مي باشند را تشخيص دهيم. به اين ترتيب مي توانيم تسهيلات مناسب تری برای آن ها ايجاد نماييم. برای بخش بندی از مدلي به نام RFM استفاده مي شود. يكي از مدل های مطرح در تحليل ارزش مشتری، مدل RFM است که توسط Hughes در سال 2013 ارائه شده است و به بيان تفاوت مشتريان با استفاده از اين سه متغير: تازگي، تكرار و ارزش پولي مي پردازد. 

تازگي آخرين خريد(R)، نشان دهنده تازگي است که مدت زمان بين آخرين تعامل تجاری با زمان حال را نشان مي دهد که هر چه اين مدت کمتر باشد، R بيشتر است.تكرار خريد(F)، نشان دهنده تكراراست و تعداد تراکنش ها در يک بازه مشخص را نشان مي دهد که هر چه تكرار بيشتر باشد، F هم بزرگتر است. ارزش پولي خريد(M)، تعاملات را در بازه ای خاص نشان مي دهد که هر چه ارزش پولي بيشتر باشد، M بزرگتر است.

متغيرهای مدل RFM برای بخش بندی مشتريان بسيار کارا هستند. از ديگر کاربردهای مدل RFM در بخش بندی مشتريان بر اساس متغيرهای تازگي، تكرار و ارزش پولي مي توان به بخش بندی مشتريان به منظور تعيين سياست های بهينه بازاريابي برای هر بخش اشاره کرد. در واقع RFM متدی است که اين سه ويژگي را برای هر مشتری مورد بررسي قرار داده و بر اساس آن ها به مشتری امتياز ميدهد (حسيني, 1392).  امروزه قابليت شناخت مشتريان سودآور، ايجاد يک وفاداری بلند مدت در آن ها و گسترش روابط موجود، از فاکتورهای کليدی و رقابتي برای يک سازمان مشتری محور مي باشد. لازمه برخورداری از اين فاکتورهای رقابتي، وجود يک مديريت ارتباط با مشتری در سازمان مي باشد. ارزيابي سودآور بودن مشتريان به طور دقيق، از عوامل اساسي در اين مديريت محسوب مي گردد. پس از مطالعات اوليه پيرامون کارهای انجام شده در تعيين وفاداری مشتريان، مشخص شد که تاکنون روشي مبتني بر ترکیب طبقه بندهای محبوب مثل درخت تصمیم C4.5 و شبکه عصبی و k نزدیکترین همسایه برای ارزيابي ميزان وفاداری مشتريان ارائه نشده است. پس از خوشه بندی مشتريان، خروجی خوشه به دسته بند وارد شده، سپس بر اساس معیارهای RFM کلیه مشتریان را مدل سازی نموده و به هر نمونه دسته ای اختصاص داده می شود. نتايج اعمال اين روش بر روی يک مجموعه داده، بيانگر دقت بالای آن نسبت به روش های قبلي، در تشخيص مشتريان وفادار و غير وفادار است. بنابراین محقق در این پژوهش در صدد است که روشی را مبتنی بر الگوریتم خوشه بندی و روشهای طبقه بندی مثل شبکه عصبی و درخت تصمیم C4.5 یا ترکیبی از روشهای فوق بکار ببرد که دسته بندی مشتریان معتبر و نامعتبر در سیستم بانکداری الکترونیک را با دقت قابل قبولی نسبت به سایر روشها ارائه نماید.

- ارائه الگو یا مدل جامع برای ارائه یا عدم ارائه تسهیلات به مشتریان آتی متقاضی تسهیلات

دسته بندی و طبقه بندی مشتریان فعلی بانک