(مديريت دانش مشتريان با الگوريتم يادگيري بدون ناظرخوشه بندي (مطالعه موردي بانك كشاورزي كرمانشاه

Customers Knowledge Management by unsupervised learning algorithm clustering(Case Study: Keshavarzi Bank in Kermanshah)

در دنياي رقابتي امروز، مشتري مهمترين عامل براي بقاي سازمان است. در اين پژوهش تلاش شده است تا از طريق ارائه مدلي نقش دانش مشتريان و اثرات مديريت دانش مشتريان جهت اتخاذ تصميمات مديران بانك نشان داده شود. طبقه بندي مشتريان با استفاده از الگوريتم هاي داده كاوي، بانكها را قادر به نگهداري مشتريان قديمي و جذب مشتريان جديد خواهد كرد. هدفاصلي اين تحقيق، بررسي عملكرد الگوريتم هاي داده كاوي، K - Means K - Harmonic Means و Weighted K - Means به منظور مديريت دانش مشتريان با الگوريتم يادگيري بدون ناظر خوشه بندي هست. جامعه آماري اين تحقيق شامل 921 نفر از مشتريان حقيقي و حقوقي يكي از شعب بانك كشاورزي در شهر كرمانشاه در بازه يك ساله از فروردين 93 تا فروردين 94) مي باشد. طرح نمونه گيري احتمالي بوده و از نوع نمونه گيري تصادفي ساده استفاده گرديده است. مشتريان نمونه بر اساس تحليل RFM، اطلاعات پروفايل مشتريان و اطلاعات تراكنشي آنها خوشه بندي مي شوند. جهت انجام فرآيند تحقيق، از متدولوژي استاندارد داده كاوي CRISP - DM ، براي كاوش در پايگاه هاي داده مشتريان بانك استفاده شده است. از معيارهاي ارزيابي و اعتبار سنجي خوشه ها همچون شاخص مربع خطا و روش Min -Max براي نرمال سازي داده ها استفاده شده است. يافته هاي تحقيق نشان مي دهد روش خوشه بندي K - Harmonic Means كه داراي كمترين SSE هستند، به عنوان مناسب ترين خوشه ها شناسايي و در نهايت دانش پنهان در داده تا جهت اتخاذ سياست هاي بهبود ارتباط با مشتري، استخراج مي گردد.

In recent competitive world, the customer is the key factor of the survival of an organization .In this study,we have tried to introduce a new model to demonstrate the role of customer’s knowledge and the impact of customer’s knowledge management on the bank manager’s decision making. Customer classification, using data mining techniques, will enable banks to keep old customers and to attract the new ones. The aim of this study was to evaluate the performance of data mining algorithms, K-Harmonic Means, K-Means and Weighted K-Means (unsupervised learning algorithms) in order to manage customer knowledge.The study population including 921 natural and legal customers to one of the branches of the Keshavarzi Bank of Kermanshah city for one year period(from Farvardin93 to Farvardin 94). Simple Random Sampling has been used. Customer’s clustering are based on RFM analysis, customer’s profile and transactional information. The research process are based on CRISP data mining standard methodology for searching bank customers’ database In this study, evaluation and validation of clusters based on Sum of Squared Error index and Min-Max have been used for data normalization. The results show clustering method K-Harmonic Means has the least amount of SSE, are identifiedas appropriate clusters and finally extract the knowledge hidden in data to make decisions in order to improve customer relations.