Abstract:
شناخت مشتریان و شناسایی سرویس‌های سودده با توجه به تنوع مشتریان بانک و گوناگونی سرویس‌ها در نظام بانکی کشور از اهمیت بالایی برخوردار است. مدیریت ارتباط با مشتری در حال حاضر هسته مرکزی را در دنیای تجارت به خود اختصاص داده است، مهمترین شبکه بین بانکی مورد استفاده در ایران شبکه شتاب می باشد. دراین پژوهش با استفاده از فنون داده‌کاوی به بخش‌بندی و رتبه بندی مشتریان در شبکه شتاب با استفاده از یک مدل بهبود یافته داده کاوی مبتنی بر تازگی خرید، تناوب خرید و مبلغ خرج شده برای خرید پرداخته شده به نحوی که بانک‌ها بتوانند در این شبکه رفتار مشتریان خود را تحلیل و ارزیابی نموده و به تدوین سیاستهای موثر در برخورد با مشتریان بپردازند. همچنین جهت بررسی مطالعات مشابه و افزایش اطلاعات از طریق مطالعات کتابخانه ای و اینترنتی، اطلاعات مرتبط با مدل مورد نظر گردآوری شد. نهایتا R+FMW مدلی جهت خوشه‌بندی مشتریان بانک و تراکنش‌های آنها ارائه گردید. نتایج تحقیق نشان داد که مدل توسعه یافته R+FMW از دقت بالاتری نسبت به مدل RFM پایه برخوردار است و با استفاده از این مدل بانک‌ها می‌توانند مشتریان فعال در شبکه تبادل بین بانکی(شتاب) را شناسایی کنند و مشتریان و کانال‌های ارتباطی پرهزینه را از جنبه‌ی میزان کارمزد و اطلاعات دموگرافیک تشخیص دهند.
Knowing customers and identifying profitable services
is of great importance due to the diversity of bank
customers and the variety of services in the country's
banking system. Customer relationship management is
currently the core of the business world, the most
important interbank network used in Iran is the Shetab
network. In this research, data mining techniques are
used to segment and rank customers in the Shetab
network, using an improved data mining model based
on recent purchasing, purchase frequency and amount
spent on purchases so that banks can behave in this
network. Analyze and evaluate your customers and
formulate effective policies in dealing with customers.
Also, in order to review similar studies and increase
information through library and internet studies,
information related to the model was collected. Finally,
R + FMW presented a model for clustering bank
customers and their transactions. The results showed
that the developed R + FMW model has a higher
accuracy than the basic RFM model, and using this
model, banks can identify customers active in the
interbank exchange network (acceleration) and
customers and costly communication channels. In terms
of fees and demographic information.
Machine summary:
نتایج تحقیق نشان داد که مدل توسعه یافته R+FMW از دقت بالاتری نسبت به مدل RFM پایه برخوردار است و با استفاده از این مدل بانک‌ها می‌توانند مشتریان فعال در شبکه تبادل بین بانکی(شتاب) را شناسایی کنند و مشتریان و کانال‌های ارتباطی پرهزینه را از جنبه‌ی میزان کارمزد و اطلاعات دموگرافیک تشخیص دهند.
با استفاده از این مدل بانک میتواند خوشه های مختلف مشتریان را مشخص نموده و با شناسایی نحوه فعالیت‌ها و نیازهای مشتری درگاه‌های خود را متناسب با هزینه و فایده توسعه داده و پیشنهادهای هدفمند و کمپین های تبلیغاتی خاص به منظور جذب مشتری به درگاه مورد علاقه اش را انجام دهد، تا بدینوسیله نسبت به کاهش سبد هزینه‌های خود در شبکه شتاب و افزایش درآمدهای کارمزدی اقدام نموده و حتی به جذب مشتریان سایر بانک ها نیز اقدام نماید.
در این مطالعه موردی که به صورت مقاله در سال 2018 منتشر شده است، توکلی(Tavakoli) به همراه همکاران خود در شرکت دیجیکالا یک مدل بر اساس مدل RFM ارائه می‌دهند که با توجه به تغییرات کسب و کار و با استفاده از روش خوشه بندی K-Means به تقسیم‌بندی مشتریان می‌پردازد و نام آن را R+FM قرار می دهند.
(
, 
, 
)
