کاوش خصوصیات مشتریان بانکداری خرد با استفاده از تکنیک های داده کاوی

نوع مقاله: مقاله پژوهشی

نویسندگان

چکیده

با روند خصوصی سازی در صنعت بانکداری کشور و رشد بی­سابقه رقابت در تکنولوژی­های بانکداری، هر روزه بر اهمیت نگهداری از مشتریان کنونی و جذب مشتریان جدید افزوده می­شود. نگهداری مشتریان یک استراتژی ارزشمند است که سودآوری بلند مدت و موفقیت سازمان­ها را تضمین می­کند. در این مطالعه، با استفاده از تکنیک­های داده کاوی مدلی دو مرحله­ای برای شناسایی ویژگی­های گروه­های مختلف مشتریان سپرده کوتاه مدت بانک معرفی گردیده است. در مرحله نخست، از الگوریتم K-mean جهت شناسایی گروه­های مشتریان بر مبنای میزان سودآوری آن­ها بهره گرفته شده است. چون در K-mean تعداد بهینه خوشه­ها بستگی به مسئله مورد نظر دارد، بنابراین از طریق الگوریتم خوشه­بندی Twostep تعداد بهینه خوشه­ها معین می­گردد. پس از تعیین گروه­های مختلف مشتریان از لحاظ میزان سودآوری آن­ها برای بانک، در مرحله دوم، با استفاده از الگوریتم Apriori قواعد وابستگی هر خوشه استنتاج می­گردد. نتایج حاصل از این کاوش، به بانک­ها کمک خواهد کرد تا درک بهتری از انتظارات کنونی و آتی مشتریان داشته باشند. و از این طریق تدوین استراتژی­های بازاریابی برای جذب و نگهداری از مشتریان بر مبنای سودآوری آن­ها تسهیل می­گردد.

کلیدواژه‌ها


عنوان مقاله [English]

Mining the Retail Banking Customers Characteristics Using Data Mining Techniques

نویسندگان [English]

  • J. Nazemi
  • P. Jafari
  • H. Hashemi
چکیده [English]

Deregulation within the banking industry's and unprecedented growth competition in new technologies, every day the importance of keeping current customers and attract new customers are added. This study presents a two-step model to identify characteristics of different groups of bank customers, based on their profitability. The new criteria introduced to analyze the profitability of each customer. And then, this criterion has been used for clustering customers based on their profitability. Because in k-mean algorithm there is not a general rule for the optimal number of clusters and the number of clusters depend on the problem, therefore firstly with applied by Two-step clustering algorithm determine the optimal number of clusters. In this study, Customers clustering to 3 groups as golden, silver, and bronze customers. Then, by using K-mean algorithm different groups of customers are identified. And with help of Apriori algorithm association rules of each cluster is inference. The result of this exploration, help to banks have better understanding of current and future customer expectations. And through this may be facilitated develop of marketing strategies to attract and retain profitable customers.