بهينه‌سازي از طريق شبيه‌سازي براي حل مسئله تخصيص چندهدفه ارائه خدمات به مشتريان خوشه‌بندي‌ شده بانك

Multi-Objective Problem of Services Assignment to Bank Clustered Customers

شناخت الگوهاي رفتاري مشتريان، خوشه‌بندي و ارائه خدمت به آنها يكي از مهمترين مسائل بانك‌ها محسوب مي‌شود. در اين تحقيق پنج ويژگي هريك از مشتريان شامل آخرين زمان مراجعه، تعدادتراكنش، مبلغ سپرده‌گذاري، مبلغ وام‌ و مانده معوقات وام‌ها در طول يكسال فعاليت از پايگاه داده بانك استخراج شد و سپس بكمك الگوريتم كاميانگين مشتريان خوشه‌بندي شدند. سپس مدل چندهدفه تخصيص خدمات بانك به هركدام از خوشه‌‌ها طراحي گرديد.اهداف مدل طراحي شده افزايش ميزان رضايت مشتريان، كاهش هزينه‌ها و كاهش ريسك تخصيص خدمات بود. با توجه به آنكه مسئله داراي يك راه حل بهينه نبوده و هر يك از ويژگي‌هاي مشتري داراي يك تابع توزيع احتمالي‌اند، براي حل از شبيه‌سازي استفاده شد. جهت تعيين جواب نزديك به بهينه از الگوريتم تبريد در ساخت جواب‌هاي همسايه استفاده شد و مدل شبيه‌سازي اجرا گرديد. نتايج بدست آمده بهبود قابل توجهي نسبت به وضعيت فعلي را نشان داد.در اين تحقيق از نرم افزارهاي وكا و آر براي داده‌كاوي و ارنا براي شبيه‌سازي و بهينه‌سازي استفاده شد.

Knowing customer behavior patterns clustering and assigning them is one of the most important purposes for banks. In this research five criteria of each customer including Recency Frequency Monetary Loan and Deferred were extracted from the bank database during one year and then clustered using the customer's K-Means algorithm. A multi-objective model of bank service allocation was then designed for each of the clusters. The purpose of the designed model was to increase customer satisfaction reduce costs and reduce risk of allocating services. Given the fact that the problem does a unique optimal solution and each client feature has a probability distribution function a simulation approach was used to solve it. In order to determine the neighbor optimal solution of the Simulated Annealing algorithm neighboring solutions were used and a simulation model was implemented. The results showed a significant improvement over the current situation. In this research we used Weka and R-Studio software for data mining and Arena for simulation for optimization.