۰٫۷۱۱۵۲۹

۰

خوشه سوم

۲۵۳

۰٫۶۸۰۲۴

۰٫۵۲۲۳۵۲

۰٫۱۴۹۷۷۶

۰

خوشه چهارم

۱۸۱

۰٫۳۸۷۰۳

۰٫۲۵۹۷۶۴

۰٫۶۴۹۲۷۲

۰

خوشه پنجم

۳۹

۰٫۴۲۶۰۹

۰٫۴۹۱۱۵۸

۰٫۹۴۴۴۷۵

۱

۴-۵- نتایج تحقیق
با مقایسه جدول ۴-۷ با جدول راهنمای ۴-۶ می­توان دریافت که خوشه اول که مقدار متغیر R آن پایین (یعنی اخیراً به بانک مراجعه داشته اند)، متغیر F یعنی تعداد تراکنش اخیر آن­ها طی یک سال گذشته آن نسبتاً بالا و متغیر M یعنی میانگین مبلغ تراکنش­های آن­ها در طی یک سال گذشته نسبتاً پایین است، مشتریانی هستند وفادار با مانده حساب پایین (مشتریان قدیمی­تر) و بانک در مواجهه با این گروه باید به دنبال جواب این سؤال باشد که چطور می­توان این گروه از مشتریان را که وفاداری نسبتاً بالایی به بانک دارند به سرمایه ­گذاری بیشتر و افزایش موجودی و فعالیت حساب از طرق مختلف در بانک ترغیب نمود. ارائه تسهیلات، می ­تواند پیشنهادی مناسب جهت نگهداشت مشتریان این گروه باشد.
خوشه دوم که مقدار R، F و M نسبتاً بالایی دارند، از آنجاییکه میانگین مبلغ تراکنش­ها و تعداد تراکنش بالایی دارند، مشتریانی ارزشمند برای بانک محسوب می­شوند. اما از آنجاکه فاصله زمانی آخرین تراکنش آن­ها با بانک عدد به نسبت بزرگی است، احتمال فرار این مشتریان بالاست. بانک باید با ارائه خدمت رسانی سریع­تر و بهتر به این دسته از مشتریان، این احتمال را کاهش داده و جهت جلب اعتماد مجدد آن­ها تلاش نماید.

( اینجا فقط تکه ای از متن پایان نامه درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

در مورد مشتریان خوشه سوم می­توان گفت این مشتریان با وجود تعداد گردش بالا در یک سال گذشته، اخیراً گردش حسابی نداشته­اند. در مورد مشتریان این خوشه و خوشه دوم می­­توان گفت باید به روش­هایی مانند معرفی طرح­های جدید به این مشتریان سعی در جذب مجدد آن­ها نمود. البته مشتریان خوشه دوم به دلیل داشتن میانگین مبلغ بالا­تر نسبت به مشتریان این خوشه از ارزش بالاتری برخوردارند.
مشتریان خوشه سوم مشتریانی نسبتاً ارزشمند ولی با فعالیت حساب پایین و به طور معمول مشتریان جدید هستند که میزان نسبتاً بالای تبادل نقدینگی با بانک را دارا می­باشند. بانک می ­تواند با معرفی کامل کلیه خدمات بانکی ارائه شده به روش‌های مختلف مانند ارائه کاتالوگ­، ارسال پیامک، ایمیل و … مشتری جدید را در انتخاب خدمات متناسب و در نتیجه بقای ارتباط با این بانک یاری نماید.
مقدار میانگین ۱ مربوط به متغیر K در خوشه پنجم نشان می‌دهد کلیه مشتریان این خوشه جزء مشتریان کلیدی بانک می­باشد. با گسترش دامنه مطالعه به سایر متغیرهای مربوط به این مشتریان می­توان به گزاره­های دانشی ارزشمندی دست یافت. مثلاً اکثریت افراد این خوشه مرد، متأهل و دارای شغل آزاد می­باشند. این دانش در مورد ارزشمندترین مشتریان بانک می ­تواند در زمینه اخذ تصمیماتی جهت افزایش روزافزون رضایت این دسته از مشتریان و ممانعت از رویگردانی آن­ها از این بانک بسیار کمک کننده باشد. یکی از این رویکرد­ها که می ­تواند در ارتقاء رضایت این مشتریان تأثیرگذار باشد، ارسال پیامک­هایی خاص این گروه­ ها و معرفی خدمات جدید به قصد افزایش بازدهی حساب­های آنان در نزد این بانک می­باشد. توسعه خدمات جدید متناسب با مطالبات این گروه می ­تواند موجب بقای ارتباط آن­ها با بانک بوده و قطعاً رضایت مشتری در دراز مدت سودآوری زیادی را برای بانک به همراه خواهد داشت.
۴-۶- جمع‌بندی مطالب فصل
در این تحقیق یک نمونه هزارتایی از داده‌های مربوط به تراکنش­های اخیر مشتریان با بانک مهر اقتصاد از پایگاه داده‌های این بانک موجود استخراج شده و با انجام عملیات پیش­پردازشی مانند نرمال، جدول داده‌ها، حاوی مقادیر نرمال شده متغیرهای R، F، M و K در قالب جدول اکسل، به عنوان ورودی الگوریتم‌های K-Means، WK-Means و Anti Harmonic Means آماده‌سازی شد. سپس به کمک معیار SSE، خوشه­های به دست آمده از روش K-Means که دارای کمترین مقدار SSE بودند، به عنوان مناسب­ترین خوشه‌ها شناسایی و به گام نهایی یعنی گام تحلیل خوشه‌ها، تحویل شد. و در نهایت این خوشه‌ها با کمک نظرات خبرگان بانکی مورد تحلیل قرار می­گیرد. دانش حاصل می ­تواند پشتیبانی قدرتمند برای مدیران سازمان جهت اتخاذ راهبُردهایی جهت بهبود ارتباط با مشتری باشد.
فصل پنجم
نتیجه‌گیری و پیشنهاد‌ها
۵-۱- مقدمه
هرچند ممکن است استخراج دانش از حجم عظیم داده‌های برجای‌مانده از تعاملات سازمان­ها و به خصوص تعاملات بانک­ها با مشتریانشان، در نگاه اول بسیار سخت و گاهی ناممکن به نظر برسد، اما با بهره­ گیری از ابزارهای نوین تحلیل داده‌ها همچون داده‌کاوی و استفاده از دانش­های روز دنیا همچون مباحث مدیریت دانش و مدیریت ارتباط با مشتری می­توان این داده‌ها را به گنجینه‌ای گران‌بها تبدیل نمود. این گنجینه همان دانش استخراج‌شده از طریق کند و کاو این داده­هاست.
می­توان فن‌های داده‌کاوی را ابزارهای پشتیبان تصمیم دانست که مدیران سازمان را قادر می­سازد که به جای تأثیرپذیری از محیط، بر بازار و عوامل آن تأثیرگذار باشند.
رتبه ­بندی مشتریان با بخش‌بندی آن­ها سعی در کشف الگوهای رفتاری مشابه حاکم بر آن بخش دارد. کشف این الگوها می ­تواند در مسیر اتخاذ تصمیمات راهبردی سازمان بکار گرفته شود.
۵-۲- خلاصه تحقیق
هدف از این تحقیق با عنوان «مدیریت دانش مشتریان بانک مهر اقتصاد با بهره گرفتن از تکنیک­های داده‌کاوی»، بخش‌بندی مشتریان بانک مهر اقتصاد باهدف کشف ویژگی‌های رفتاری مشابه جهت تسهیل اتخاذ استراتژی‌های متناسب با هر بخش و در نتیجه حفظ، تقویت و یا توسعه ارتباط با مشتریان این بانک می­­باشد. داده‌های خام مورد نیاز جهت این مطالعه از پایگاه داده‌های بانک مهر اقتصاد استخراج شده است.
چارچوب کلی این تحقیق در هفت گام تنظیم شده است. در گام انتخاب متغیرها، با توجه به اهداف تحقیق و به جهت کاهش حجم داده‌ها، متغیرهای تأثیرگذار بر این مطالعه شناسایی شد و از این میان سه دسته متغیر داده ­های جمعیت آماری مشتریان، متغیرهای تراکنش‌های مالی مشتریان (R، فاصله میان زمان آخرین تراکنش مشتری تا زمان مورد ارزیابی، F، تعداد خریدهای مشتریان در یک بازه زمانی خاص و M، میانگین مبالغ تراکنش‌های مشتری در یک بازه زمانی خاص) و متغیر K مربوط به کلیدی بودن مشتری که با نظر خبرگان بانکی تعیین می­گردد، انتخاب شده است. در گام آماده‌سازی داده‌ها عملیات پیش­پردازشی نظیر حذف داده‌های نامناسب و نرمال سازی، جهت آماده‌سازی برای ورود به الگوریتم انجام می­گیرد. این داده‌ها در یک مجموعه با هزار نمونه و در قالب جدول اکسل تنظیم شدند. در ادامه تعداد خوشه‌ها به منظور تفکیک مشتریان با بهره گرفتن از نظرات خبرگان بانکی، پنج دسته تعیین گردید. در گام بعد الگوریتم‌های خوشه‌بندی K-Means، WK-Means و A-H-Means بر روی پایگاه داده‌ها اعمال شد. در نهایت با شناسایی خوشه­های مشتریانی که بیشترین شباهت را در الگوهای رفتاری خود دارند، دانشی حاصل خواهد شد که می ­تواند در جهت اتخاذ استراتژی­ مناسب جهت جذب و نگهداری مشتری و بهبود کارآیی مالی او، توسط مدیران سازمان بکار گرفته شود.
۵-۳- نتیجه‌گیری
با بکارگیری تکنیک­های هوشمند داده‌کاوی مشتریان بانک مهر اقتصاد در پنج دسته و با توجه به بیشترین شباهت در الگوی رفتاری گروه­بندی شدند.
خوشه‌بندی مشتریان بر مبنای چارچوب ارائه شده در این تحقیق به ما کمک می­ کند تا مشتریانی که دارای الگوهای رفتاری مشابه بر حسب متغیرهای تراکنشی مشتریان و ممتغیرهای جمعیت آماری هستند را در گروه ­های واحدی در نظر گرفته و بر مبنای ویژگی‌های اکثریت مشتریان هر گروه، سرویس­های متناسب با این ویژگی­ها را به روش‌های متفاوت به مشتریان پیشنهاد نمود.