تحليل مشكلات شعب بانك آينده در سراسر كشور با استفاده از روش داده‎كاوي

Analyzing the Problems of Ayandeh Bank Branches across the Country Using Data Mining Technique

بسياري از بانك هاي كشور به‎منظور مديريت مشكلات و شكايات مشتريان و شعب خود، بخشي از واحد مديريت ارتباط با مشتريان را به شركت هايي مانند مراكز تماس، برون‎سپاري مي كنند. با توجه به اينكه اين واحد مهم در خارج از بانك ها مديريت مي شود، لذا تحليل داده هاي آن و ارزيابي عملكرد مراكز تماس از اهميت بسياري برخوردار است. از سوي ديگر، بسياري از بانك ها توانايي تحليل و چگونگي استفاده از الگوهاي پنهان موجود در داده ها را ندارند، به همين منظور در اين مقاله سعي داريم تا با ارايه مدل RFS، شعب بانك را براساس شباهت فاكتورهاي R به‎معناي تازگي اعلام مشكل، F فركانس يا تعداد مشكلات و S ميزان رضايت شعب از مركز تماس، خوشه‎بندي كرده و ارتباط ميان فاكتورهاي موجود با نوع مشكلات اعلام شده را بيابيم. همچنين با بررسي فاكتور S، مي توان توانايي مركز تماس را براي رفع مشكلات شعب هر خوشه ارزيابي كرد. شعب بر اساس الگوي رفتارشان در چهار خوشه بهينه توزيع شده، نتايج تحليل شدند و در پايان پيشنهادهايي به‎منظور بهبود عملكرد مركز تماس، ارايه شده است.

In order to manage problems and complaints of customers and branches, many banks in the country outsource parts of their customer relationship management to companies such as call centers. Since this important unit is managed out of the banks, analyzing the data and evaluating the performance of call centers are very important. On the other hand, many banks are not able to analyze and do not know how to use hidden patterns in the data. Hence, by presenting RFS model in this paper, we have tried to cluster bank branches based on R factor (recently announced problem), F (frequency or number of difficulties) and S (branches satisfaction with call center) and find the relationship between these factors and mentioned problems. Moreover, call centerʹs ability to resolve problems of branches of each cluster can be assessed using S Factor. Branches were distributed into four optimized clusters based on their behavior pattern. Finally, the results were analyzed and the recommendations were presented to improve the performance of call centers.