خوشه بندي مشتريان در حوزه بانكداري الكترونيك با بهره گيري از تراكنش‌هاي الكترونيكي و اطلاعات دموگرافيك (مورد مطالعه: بانك رفاه)

Clustering Customers in the Field of Electronic Banking Using Electronic Transactions and Demographic Information (Case Study of Welfare Bank)

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، امروزه درگاه‌هاي الكترونيكي بانك‌ها با استفاده از شبكه‌هاي تبادل گوناگون اطلاعات نظير ساتنا، پايا، چكاوك، صياد و . . . به يكديگر متصل هستند. مهمترين شبكه بين بانكي مورد استفاده در ايران شبكه شتاب مي باشد. دراين پژوهش با استفاده از فنون داده‌كاوي به بخش‌بندي و رتبه‌بندي 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. به اين منظور داده‌هاي مورد نياز از پايگاه داده سوئيچ كارت بانك استخراج و با روش كريسپ تجزيه تحليل‌هاي مورد نياز و عمليات داده‌كاوي بر روي آن انجام شد. اين داده‌ها در پايگاه داده هاي بانك رفاه موجود بوده و با استفاده از دستورات زبان دستكاري داده‌ها از پايگاه دادههاي موسسه استخراج گرديد. 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 now the core of the business world, today the electronic portals of banks using various information exchange networks such as Satna, Paya, Chakavak, Sayad and. . . They are connected to each other. The most important interbank network used in Iran is Shetab network.In this study, data mining techniques were used to classify and rank customers in the Shetab network using an improved RFM-based data mining model so that banks could analyze and evaluate their customers' behavior in this network and formulate Deal with effective policies in dealing with customers.For this purpose, the required data were extracted from the bank card switch database and the required analyzes and data mining operations were performed on it by CRISP method. This data is available in the database of the Welfare Bank and was extracted from the database of the institution using DML commands. 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 by using this model, banks can identify customers active in the interbank exchange network (acceleration) and expensive customers and communication channels. Recognize in terms of fees and demographic information