بخش بندي خوشه اي مشتريان بانك (مورد مطالعه: بانك صادرات ايران)

Customer Segmentationof Bank Customers (Case: SaderatBank of Iran)

شناخت مشتریان، ایجاد تمایز بین گروه های مختلف مشتریان و رتبه بندی آنها یكی از مسائل مهم در بانك ها و سازمان های مشتری محور است. برای رسیدن به دركی صحیح از مشتریان، سازمان ها نیازمند استفاده از مقیاسی هستند كه از طریق آن بتوان میزان اهمیت مشتریان مختلف را سنجش نمود. هدف این تحقیق ارائه الگویی جهت بخش بندی و رتبه بندی مشتریان بانك است. در راستای این هدف اطلاعات مربوط به 30,000 مشتری بانك صادرات ایران در بازه یك ساله فروردین 89 تا فروردین 90 دریافت شد. این اطلاعات شامل تاریخ آخرین تراكنش، تعداد تراكنش ها در بازه زمانی یك ساله، مانده حساب در انتهای این بازه زمانی و همچنین اطلاعات استفاده از خدمات بانكداری خرد بوده است. مشتریان نمونه بر اساس تحلیل آر اف ام با استفاده از الگوریتم Twostep خوشه بندی و به این ترتیب مشتریان به چهار بخش تفكیك شدند. سپس رتبه بندی بخش های حاصل شده، از طریق محاسبه ارزش طول عمر مشتریان انجام شد و كشف الگوهای پنهان بین داده های استفاده از خدمات بانكداری و بخش های مختلف مشتریان با استفاده از الگوریتم C5.0انجام گرفت. نتایج به دست آمده از این تحقیق می تواند به عنوان راهكاری جهت تدوین استراتژی های بازاریابی و پیشنهاد محصول و خدمات برای هر یك از گروه های مشتریان به كار رود.

Customer cognition, understanding difference between groups of customers and ranking them is one of the important problems in banks and customer-based organizations. To achieve a correct understanding about customers, organizations need a measure to evaluate the importance of different customers. The goal of this research is to present a framework for customer segmentationand their ranking. In this regard, the information of thirty thousand customers of SaderatBank from April 2010 to April 2011 was reviewed. This information includes: date of the last financial transactions, number of transactions and end of time account balance. The data was used for segmenting customers based on Weighted RFM (WRFM) using two step algorithm and so customers were divided into four groups. Then these groups were ranked based on their lifetime value and hidden patterns between the data of retail banking product ownership and customer value-based segmentation was discovered using C5.0 algorithm. The result of this study could be used as a guideline for marketing strategies and developing of services and products for each group in the banking industry.