شناسایی عوامل مؤثر بر موفقیت بازاریابی در یکی از شعب بانک تجارت با استفاده از تکنیک‌های داده‌کاوی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استاد، گروه مهندسی صنایع، دانشگاه علم و صنعت ایران، تهران، ایران

2 دانشجوی دکتری مهندسی سیستم‌های اقتصادی و اجتماعی، دانشگاه علم و صنعت ایران، تهران، ایران

3 دانشجوی کارشناسی‌ارشد مهندسی فناوری اطلاعات، دانشگاه علم و صنعت ایران، تهران، ایران

چکیده

با توجه به بازار رقابتی موجود در صنعت بانکداری، اهمیت مدیریت ارتباط با مشتری روزبه‌روز افزایش می‌یابد که یکی از مهم‌ترین ارکان آن، بازاریابی فعال و مؤثر است. از این رو، در این پژوهش تلاش شده است با توجه به کاربرد ابزارهای داده‌کاوی، عوامل مؤثر بر موفقیت فعالیت بازاریابی در یکی از شعب بانک تجارت، شناسایی و بررسی شود. عواملی که باعث می­شوند مشتریان بانک، تمایل بیشتری به بهره­مندی از سپرده‌های بلند مدت در بانک از خود نشان دهند. در حقیقت، نتایج این پژوهش به افزایش نرخ بازگشت در بازاریابی مستقیم در صنعت بانکداری کمک خواهد کرد که در مطالعات پیشین کمتر مورد توجه قرار گرفته بود. به این منظور، مجموعه‌ داده‌ای مربوط به کمپین بازاریابی تلفنی صورت گرفته در یکی از شعب بانک تجارت در بازه زمانی اردیبهشت 1395 الی شهریور 1397 دریافت شده است. تحقیق حاضر از حیث طبقه­بندی تحقیقات بر مبنای هدف از نوع کاربردی است و از دیدگاه روش­شناسی تحقیق، از نوع آمیخته می­باشد. متغیر هدف این مسئله، نتیجه موفقیت یا شکست فعالیت بازاریابی تلفنی صورت گرفته است. ابتدا به جهت شناسایی مشتریان با استفاده از الگوریتم خوشه‌بندی K-Means داده­ها به شش خوشه تقسیم شده­اند. در مرحله بعد، به‌ منظور شناسایی عوامل مؤثر بر موفقیت کمپین بازاریابی، از الگوریتم‌های درخت تصمیم C5 و CART استفاده شده است. به‌عنوان نتیجه‌گیری کلی از اجرای سه الگوریتم ذکرشده می‌توان عنوان کرد که در مقایسه با سایر متغیرها، متغیر مدت‌زمان مکالمه با مشتری، بیشترین تأثیر را در تصمیم‌گیری شخص در مورد افتتاح سپرده داشته است. لازم به ذکر است از آن­جا که دوره زمانی و مکان جمع­آوری داده در این پژوهش محدود بوده است، احتمالاً نتایج این پژوهش قابل تعمیم به سایر بانک­ها نیست.

کلیدواژه‌ها


عنوان مقاله [English]

Identifying the Factors Affecting Marketing Success at One of the Branches of Tejarat Bank Using Data Mining Techniques

نویسندگان [English]

  • mehdi ghazanfari 1
  • aghdas badiee 2
  • fatemeh moslehi 3
1 Professor, Department of Industrial Engineering, Iran University of Science and Technology, Tehran, Iran
2 Ph.D. Student, Economic and Social Systems Engineering, Iran University of Science and Technology, Tehran, Iran
3 Master of Science (MSc) in Information Technology Engineering, Iran University of Science and Technology, Tehran, Iran
چکیده [English]

Given the competitive market in the banking industry, the importance of customer relationship management in the industry is increasing day by day, one of the most important elements of which is active and effective marketing. Therefore, in this research it has been tried to identify and investigate the factors affecting the success of marketing activities, taking into account the application of data mining tools. Those factors that make bank customers more willing to take advantage of long-term deposits in the bank. In fact, the results of this study will help to increase the rate of return on direct marketing in the banking industry, which has been less considered in previous studies. To this end, the data set related to the telemarketing campaign conducted at one of the branches of Tejarat Bank in the period from May 2016 to September 2018. This paper is based on the type of applied research in sight of the objective of the research and from the perspective of the methodology of the research, is a mixed type, i.e., both qualitative and quantitative. The decision variable of this problem is the result of the success or failure of the telephone marketing activity. First, for identifying customers using the K-Means clustering algorithm, data are divided into six clusters. In the next step, C5 and CART decision tree algorithms were used to identify the factors affecting the success of the marketing campaign. As a general conclusion of the implementation of the three mentioned algorithms, it can be said that, in comparison with other variables, the time variable of the conversation with the client has the greatest effect on the decision of the person about the opening of the deposit. It should be noted that since the time period and place of data gathering in this research have been limited, the results of this study are not likely to be generalized to the other banks.

کلیدواژه‌ها [English]

  • data mining
  • Banking
  • Customer Relationship Management
  • Telephone Marketing
  • Decision tree
آقالاری، ص. و سجودی شیجانی، ا. (۱۳۹۵). "ارایه مدلی جدید برای پیش­بینی وفاداری مشتری مبتنی بر وضعیت سازمان با روش­های داده­کاوی مطالعه موردی: بانک­های خصوصی و دولتی تبریز"، سومین کنفرانس بین المللی مدیریت و اقتصاد، دانشگاه تربیت حیدریه، ایران.

 

تارخ، م. و شریفیان، ک. (1389). "کاربرد داده‌کاوی در بهبود مدیریت ارتباط با مشتری"، فصلنامه علمی پژوهشی مطالعات مدیریت صنعتی، دوره 6، شماره 17، صص. 153- 181.

 

خطیب سمنانی، م.، ایزدی، س. و خادمی، ر. (1396). "مزیت رقابتی داده کاوی در بانکداری الکترونیکی در برابر نااطمینانی‌های اقتصادی"، اقتصاد مالی، دوره 11، شماره 39، صص. 146-125.

 

خواجوند، س.، تقوی‌فرد، م. و نجفی، ا. (1391). "بخش­بندی مشتریان بانک صادرات ایران با استفاده از داده کاوی"، مطالعات مدیریت (بهبود و تحول)، دوره 19، شماره 67، صص. 179-200.

 

رادفر، ر.، نظافتی، ن. و یوسفی‌اصل، س. (1393). "ﻃﺒﻘﻪﺑﻨﺪی ﻣﺸﺘﺮﻳﺎن اﻳﻨﺘﺮﻧﺖﺑﺎﻧﻚ ﺑﺎ ﻛﻤﻚ اﻟﮕﻮرﻳﺘﻢ‌های دادهﻛﺎوی"، مدیریت فناوری اطلاعات، دوره 6، شماره 1 ، صص. 90-71.

 

زین‌العابدین، ف.، مهدوی، م. و خان‌بابایی، م. (1390). "بکارگیری تکنیک‌های داده‌کاوی و بازاریابی در بخش‌بندی و تحلیل رفتار مشتریان بانکداری الکترونیکی"، کنفرانس ملی فناوری اطلاعات و جهاد اقتصادی. دانشگاه سلمان فارسی کازرون، ایران.

 

عرب‌مازار، ع.، نعمتی، م. و درویشی، ا. (1396). "بررسی اثر روابط اعطای تسهیلات بر هزینه مبادله تسهیلات بانکی: مطالعه موردی بانک کشاورزی"، اقتصاد مالی، دوره 11، شماره 38، صص21-46.

 

قدس‌الهی، ا.، شهریوری، ش. و ذوالنوری، م. (1390). "مقایسه تطبیقی تکنیک‌های داده‌کاوی به منظور ارزیابی اعتباری مشتریان"، پنجمین کنفرانس داده کاوی ایران، 23-22 آذر. 1390.

 

کاباران‌زاده قدیم، م. و کردنوری، ا. (1392). "شناسایی و بررسی رابطه بین عوامل حیاتی موفقیت در حوزه اعتباری بانک و اولویت‌بندی آنها با رویکرد فرآیند تحلیل سلسله مراتبی (موردکاوی بانک توسعه صادرات ایران – تهران"، اقتصاد مالی، دوره 7، شماره 24، صص. 213-242.

 

ناظمی، ج.، جعفری، پ. و هاشمی، ح. (1391). "کاوش خصوصیات مشتریان بانکداری خرد با استفاده از تکنیک‌های داده‌کاوی"، مجله مدیریت بازاریابی، دوره 7، شماره 14، صص 35-21.

 

ولایتی، م.، حسین‌زاده لطفی، ف.، شهریاری، م. و رهنمای رودپشتی، ف. (1396). "رویکرد داده‌کاوی در بخش‌بندی بازار مشتریان به منظور اتخاذ استراتژی‌های کارا (مطالعه موردی صنعت مخابرات)"، اقتصاد مالی، دوره 11، شماره 38، صص. 243-266.

 

Bilal Zoric, A. (2016). “Predicting customer churns in banking industry using neural networks”, Interdisciplinary Description of Complex Systems, 14 (2), PP. 116-124.

 

Chu, B.H, Tsai, M.S. Ho, C.S. (2007). “Toward a hybrid data mining model for customer retention”, Knowledge-Based Systems, 20)8(, PP. 703-718.

 

Elsalamony, H.A. (2014). “Bank direct marketing analysis of data mining techniques”, International Journal of Computer Applications, 85(7), PP. 12-22.

 

Glady, N., Baesens, B. & Croux, C. (2008). “Modeling churn using customer lifetime value”, European Journal of Operational Research, 197(1), PP. 402-411.

 

Han, J. & Kamber, M. (2006). “Data Mining: Concepts and Techniques”, United States of America: Morgan Kaufmann publishers.

 

Kotler, P. & Keller. K. (2008). “Marketing Management: Analysis, Planning, and Control”, Prentice-Hall, New Jersey.

 

Kotler, P. & Keller, K.L. (2013). “Framework for Marketing Management: Global Edition”, Pearson Higher Ed.

 

Li, W., Wu, X., Sun, Y. & Zhang, Q. (2010). “Credit card customer segmentation and target marketing based on data mining”, In Computational Intelligence and Security (CIS), 2010 International Conference on, PP. 73-76.

 

Mitik, M., Korkmaz, O., Karagoz, P., Toroslu, I.H. & Yucel, F. (2017). “Data Mining Approach for Direct Marketing of Banking Products with Profit/Cost Analysis”, the Review of Socionetwork Strategies, 11(1), PP. 17-31.

 

Nachev, A. & Hogan, M. (2014). “Application of multilayer perceptrons for response modeling”, In Proceedings on the International Conference on Artificial Intelligence (ICAI) (P. 1). The Steering Committee of the World Congress in Computer Science, Computer Engineering and Applied Computing (WorldComp).

 

Ngai, E.W., Xiu, L. & Chau, D.C. (2009). “Application of data mining techniques in customer relationship management: A literature review and classification”, Expert systems with applications,36(2), PP. 2592-2602.

 

Nueno, J.L. & Quelch, J.A. (1998). “The mass marketing of luxury” Business Horizons, 41(6), PP. 61-68.

 

Ogwueleka, F.N., Misra, S., Colomo‐Palacios, R. & Fernandez, L. (2015). “Neural network and classification approach in identifying customer behavior in the banking sector: A case study of an international bank”, Human factors and ergonomics in manufacturing & service industries, 25(1), PP. 28-42.

 

Oyeniyi, A.O. & Adeyemo, A.B. (2015). “Customer Churn Analysis in Banking Sector Using Data Mining Techniques”, African Journal of Computing & ICT, 8 (3).

 

Pavlović, D., Reljić, M. & Jaćimović, S. (2014). “Application of data mining in direct marketing in banking sector”, Industrija, 42(1), PP. 189-201.

 

Shih, J.Y., Chen, W.H. & Chang, Y.J. (2014). “Developing target marketing models for personal loans”, In Industrial Engineering and Engineering Management (IEEM), 2014 IEEE International Conference on. PP. 1347-1351.

 

Tan, P.N., Steinbach, M. & Kumar, V. (2005). “Introduction to Data Mining”, Pearson education.

 

Van den Poel, D. & Lariviere, B. (2004). “Customer attrition analysis for financial services using proportional hazard models”, European Journal of Operational Research, 157(1), PP. 196-217.

 

Xu, S. & Qiu, M. (2008). “A Privacy Preserved Data Mining Framework for Customer Relationship Management”, Journal of Relationship Marketing, 7 (3), PP. 309-321.

 

Yang, X., Chen, J., Hao, P. & Wang, Y.J. (2015). “Application of clustering for customer segmentation in private banking”, In Seventh International Conference on Digital Image Processing (ICDIP 2015) (Vol. 9631, P. 96311Z). International Society for Optics and Photonics.