الگوي چند‌ هدفه تخصيص خدمات بانك به مشتريان خوشه‌بندي شده

Multi-objective model of bank product Assignment to clustered customers

پژوهش‌هاي اخير نشان داده است كه بانك‌ها با شناسايي و تقسيم‌بندي مشتريان به گروه‌هايي با نيازها و الگوهاي رفتارهاي مشابه مي‌توانند سودآوري خود را از ارائه خدمات و محصولات به‌شدت افزايش دهند و با شناسايي مشتريان مشابه، رفتار آنها را تحليل و جهت كسب بيشترين مطلوبيت براي آنها، خدمات و محصولات خود را عرضه كنند. در اين پژوهش بر‌اساس پنج ويژگي هريك از مشتريان شامل آخرين زمان مراجعه، تعداد تراكنش، مبلغ سپرده‌‌گذاري، مبلغ وام‌ و مانده معوقات وام‌ها در طول يكسال فعاليت از پايگاه داده بانك استخراج شد و سپس به كمك الگوريتم كا ميانگين مشتريانخوشه‌بندي شدند. سپس الگوي چندهدفه تخصيص خدمات بانك به هركدام از خوشه‌‌‌ها طراحي شد. اهداف الگوي طراحي شده افزايش ميزان رضايت مشتريان، كاهش هزينه‌ها و كاهش مخاطره تخصيص خدمات بود. با توجه به آنكه مسئله داراي يك راه‌حل بهينه نبوده و هر يك از ويژگي‌هاي مشتري داراي يك تابع توزيع احتمالي‌اند، براي حل از شبيه‌سازي استفاده شد. نتايج به دست آمده بهبود قابل توجهي از سطح ارائه خدمات و محصولات به مشتريان بانك را نسبت به وضعيت فعلي نشان داد. در اين پژوهش از نرم‌افزارهاي وكا و آر براي داده‌كاوي و ارنا براي شبيه‌سازي و بهينه‌سازي استفاده شد. از نتايج اين پژوهش در توسعه و ساخت نرم‌افزار تحليلي مشتريان در يكي از بانك‌هاي خصوصي كشور استفاده شد.

Knowing customer behavior patterns, clustering and assigning them is one of the most important purpose for banks. In this research, the 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. Then, the multi-objective model of bank service allocation was designed for each of the clusters. The purpose of the designed model was to increase customer satisfaction, reduce costs, and reduce the risk of allocating services. Given the fact that the problem does not have an optimal solution, and each client feature has a probability distribution function, simulation was used to solve it. In order to determine the neighbor optimal solution of the Simulated Anneling 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. The results of this research were used to develop Business Intelligence software for customers in one of the private banks of Iran.