پيش بيني الگوهاي رفتاري مشتريان بانك جهت شناسايي روش مناسب براي ارايه سرويس‌هاي پيشنهادي

Foreseeing the Behavioral Patterns of Bank Customers for Recognizing the Right Time to Deliver Recommended Services

چكيده ارايه سرويس هاي مناسب به مشتريان همواره يكي از موارد مهم در بانك ها بوده است. از سويي شناسايي زمان مناسب براي ارايه اين سرويس ها نيز توجه بسياري از محققان را به خود جلب كرده است. شناسايي زمان مناسب ارايه پيشنهادها هم از نظر اثر بخشي پيشنهادها، (پذيرش مشتريان) و هم از نظر كارايي (صرف مناسب منابع) براي طراحان حايز اهميت بوده است. در اين مقاله سعي شده با استفاده از داده هاي مربوط به تراكنش هاي مالي مشتريان، زمان مناسب جهت پيشنهاد سرويس هاي مورد علاقه مشتري شناسايي گردد. بر اين اساس در اين تحقيق نتايج حاصل از پيش بيني روند آتي تراكنش هاي مشتري(روند مثبت، منفي يا تغيير الگوي رفتاري) با بيان از شبكه هاي عصبي پرسپترون، در شناسايي زمان مناسب جهت پيشنهاد سرويس‌هاي مورد علاقه بيان شده است. اين سرويس ها بر اساس علايق مشتري و نتايج حاصل از پيش بيني الگوي رفتاري شناسايي گرديده است. كليد واژه‌ها: بانكداري، سيستم‌هاي پيشنهاد دهنده، الگوي رفتاري مشتري، شبكه عصبي پرسپترون.

University, Ilam Abstract: Offering a suitable recommended service to a customer is one of the most important issues in banks. On the other side, recognizing the right time to recommend the right service is the focus of many researchers. Recognizing the right time to recommend the right service is of great importance to Planners because of two reasons: the efficiency of recommendations (customer acceptance) and efficiency (using the resources properly). In this research it has been tried to recognize the right time to recommend services that are interesting to customers with the use of data that has been gathered from customersʹ financial transactions. In this research, the results from predicting customersʹ future transactions (Positive trend, negative trend and change of behavioral patterns) which were predicted through perceptron neural network, were used for recognizing the right time to recommend services to customers. These services were chosen according to customersʹ interests and the results of predicting customersʹ behavioral patterns. Keywords: Banking, Recommending Systems, Customer Behavior Pattern, MLP