خوشه‌بندي مشتريان در حوزه بانكداري الكترونيك با بهره‌گيري از تراكنش‌هاي الكترونيكي و اطلاعات دموگرافيك (مورد مطالعه: بانك رفاه)

Strategy As Thoughts Multiplicity: The Innovative Participatory Learning Metaphor-Drama Research

شناخت مشتريان و شناسايي سرويس‌هاي سودده با توجه به تنوع مشتريان بانك و گوناگوني سرويس‌ها در نظام بانكي كشور از اهميت بالايي برخوردار است. مديريت ارتباط با مشتري در حال حاضر هسته مركزي را در دنياي تجارت به خود اختصاص داده است، مهمترين شبكه بين بانكي مورد استفاده در ايران شبكه شتاب مي باشد. دراين پژوهش با استفاده از فنون داده‌كاوي به بخش‌بندي و رتبه ­بندي مشتريان در شبكه شتاب با استفاده از يك مدل بهبود يافته داده كاوي مبتني بر تازگي خريد، تناوب خريد و مبلغ خرج شده براي خريد پرداخته شده به نحوي كه بانك‌ها بتوانند در اين شبكه رفتار مشتريان خود را تحليل و ارزيابي نموده و به تدوين سياستهاي موثر در برخورد با مشتريان بپردازند. همچنين جهت بررسي مطالعات مشابه و افزايش اطلاعات از طريق مطالعات كتابخانه اي و اينترنتي، اطلاعات مرتبط با مدل مورد نظر گردآوري شد. نهايتاً R+FMW مدلي جهت خوشه‌بندي مشتريان بانك و تراكنش‌هاي آنها ارائه گرديد. نتايج تحقيق نشان داد كه مدل توسعه يافته R+FMW از دقت بالاتري نسبت به مدل RFM پايه برخوردار است و با استفاده از اين مدل بانك‌ها ميتوانند مشتريان فعال در شبكه تبادل بين بانكي(شتاب) را شناسايي كنند و مشتريان و كانال‌هاي ارتباطي پرهزينه را از جنبهي ميزان كارمزد و اطلاعات دموگرافيك تشخيص دهند.

Knowing customers and identifying profitable services is of great importance due to the diversity of bank customers and the variety of services in the country's banking system. Customer relationship management is currently the core of the business world, the most important interbank network used in Iran is the Shetab network. In this research, data mining techniques are used to segment and rank customers in the Shetab network, using an improved data mining model based on recent purchasing, purchase frequency and amount spent on purchases so that banks can behave in this network. Analyze and evaluate your customers and formulate effective policies in dealing with customers. Also, in order to review similar studies and increase information through library and internet studies, information related to the model was collected. Finally, R + FMW presented a model for clustering bank customers and their transactions. The results showed that the developed R + FMW model has a higher accuracy than the basic RFM model, and using this model, banks can identify customers active in the interbank exchange network (acceleration) and customers and costly communication channels. In terms of fees and demographic information.