مدل به‌كارگيري تكنيك‌هاي داده‌كاوي در شناسايي، بخش‌بندي و تحليل رفتار مشتريان خدمات بانكداري الكترونيكي

Model of Applying Data Mining Techniques in Identification, Segmentation and Analysis of Customers Behavior of Electronic Banking Services

بانك‌ها به منظور ارايه خدمات الكترونيكي به مشتريان نيازمند شناسايي و تحليل رفتار آن‌ها هستند. تكنيك‌هاي داده‌كاوي مي‌توانند در حجم زياد داده‌هاي مشتريان به كسب دانش نهان براي پشتيباني از تصميمات بازاريابي كمك كنند. مساله اصلي، چگونگي به‌كارگيري تكنيك‌هاي داده‌كاوي و مدل تحليل آر.اف.ام در شناسايي و تحليل رفتار مشتريان در بخش‌بندي و طبقه‌بندي و انتخاب گروه‌هايي از مشتريان ارزشمند است. مدل پيشنهادي در اين مقاله بر مبناي فرايند استاندارد كريسپ در داده‌كاوي بوده و در آن بعد از آماده‌سازي و پيش‌پردازش داده‌ها، دو رويكرد مطرح مي‌شود. 1. بخش‌بندي مشتريان به كمك ابزار خوشه‌بندي و محاسبه ارزش هر مشتري در خوشه‌ها و رتبه‌بندي آن‌ها براي پيدا كردن ارزشمندترين خوشه‌ها. 2. امتيازدهي وتعيين ارزش مشتري به عنوان ويژگي هدف در ساخت مدل‌هاي طبقه‌بندي ميزان ارزش مشتريان. از مجموعه داده جمعيت‌شناختي و تراكنشي مشتريان براي آموزش و تست مدل پيشنهادي استفاده شد. نتايج نشان مي‌دهد كه به‌كارگيري مدل پيشنهادي مي‌تواند مشتريان را بر اساس رفتار آن‌ها شناسايي و تحليل نموده و به بخش‌بندي و طبقه‌بندي آن‌ها بپردازد تا پشتيباني از تصميمات برنامه‌هاي بازاريابي و ارتقا آن به خوبي انجام شود.

In order to present electronic services, banks need to identify and analyze customersʹ behavior. In high volume customersʹ data set, data mining techniques can help to gain hidden knowledge for supporting marketing decisions. The main problem is how using data mining and RFM analysis model for identification and analysis of customersʹ behavior in order to segment and classify and select groups of valuable customers. The proposed model in this paper is based on CRISP – DM standard in data mining and in this model, after data preparation and preprocessing, two approaches are presented: 1. customers segmentation via clustering tool and then, calculate customer value in clusters and rank them to find valuable clusters, 2. scoring and determining customer value as a target attribute in construction of classification models of customersʹ value. Demographic and transactional data set are used to train and test the proposed model. Results show using the proposed model can identify and analyze customers with respect to their behaviors and segment and classify them; until supporting and promoting marketing decisions can be employed in a good manner. Keywords: Data mining, Customer segmentation, Customer behavior, Electronic banking