چکیده:
شناخت مشتریان، ایجاد تمایز بین گروه های مختلف مشتریان و رتبه بندی آنها یکی از مسائل مهم در بانک ها و سازمان های مشتری محوراست. برای رسیدن به درکی صحیح از مشتریان، سازمان ها نیازمند استفاده از مقیاسی هستند که از طریق آن بتوان میزان اهمیت مشتریان مختلف را سنجش نمود. هدف این تحقیق ارائه الگویی جهت بخش بندی و رتبه بندی مشتریان بانک است. در راستای این هدف اطلاعات مربوط به 30,000 مشتری بانک صادرات ایران در بازه یک ساله فروردین 89 تا فروردین 90دریافت شد. این اطلاعات شامل تاریخ آخرین تراکنش، تعداد تراکنش ها در بازه زمانی یک ساله، مانده حساب در انتهای این بازه زمانی و همچنین اطلاعات استفاده از خدمات بانکداری خرد بوده است. مشتریان نمونه بر اساس تحلیل آر افام با استفاده از الگوریتم Twostep خوشه بندی و به این ترتیب مشتریان به چهاربخش تفکیک شدند. سپس رتبه بندی بخش های حاصل شده، از طریق محاسبه ارزش طول عمرمشتریان انجام شد و کشف الگوهای پنهان بین داده های استفاده از خدمات بانکداری وبخش های مختلف مشتریان با استفاده از الگوریتم C5.0انجام گرفت. نتایج به دست آمده از این تحقیق می تواندبه عنوان راهکاری جهت تدوین استراتژی های بازاریابی و پیشنهاد محصول و خدمات برای هر یک از گروه های مشتریان به کار 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.
خلاصه ماشینی:
"جدول (١) : دسته بندی اطلاعات مشتری نوع اطلاعات ویژگی ها توضیح اطلاعات تراکنش رتبه تازگی (R) عاملی است متناسب با تاریخ آخرین تراکنش ی(پارامترهای RFM) تعداد تراکنش (F) تعداد تراکنش های مالی در طول یک سال عامل مالی (M) مجموع مانده تمام سپرده های مشتری در پایان یک سال حساب جاری در صورتی که مشتری از این محصول استفاده کند مقدار ١ و در غیر اینصورت مقدار صفر می گیرد حساب کوتاه مدت در صورتی که مشتری از این محصول استفاده کند مقدار ١ و در غیر اینصورت مقدار صفر می گیرد اطلاعات استفاده از خدمات حساب بلند مدت در صورتی که مشتری از این محصول استفاده کند مقدار ١ و در غیر اینصورت مقدار صفر می گیرد حساب قرض الحسنه در صورتی که مشتری از این محصول استفاده کند مقدار ١ و در غیر اینصورت مقدار صفر می گیرد حساب گنجینه در صورتی که مشتری از این محصول استفاده کند مقدار ١ و در غیر اینصورت مقدار صفر می گیرد تعداد خدمات تعداد خدمات مورد استفاده هر مشتری در ابتدا ٣٨,٨٨٨ مشتری به عنوان مشتریان نمونه معرفی شدند و با حذف اطلاعات ناقص ٢٠,٥٧٠ مشتری باقی ماندند که کار تحلیل و مدلسازی بر روی این تعداد از مشتریان انجام می گیرد.
جدول (٣) : خوشه بندی مشتریان بر اساس پارامترهای RFM ( به تصویر صفحه مراجعه شود) در گام بعد امتیاز CLVخوشه ها را به شکلی که در رابطه (٤) آمده است محاسبه می کنیم [١٠]: ( به تصویر صفحه مراجعه شود)برای تحلیل رفتار تراکنشی مشتری که عوامل تأثیر گذار در ارزش مشتری در آن دخیل است ، الگوریتم های دسته بندی به منظور بیان دانش و استخراج قوانین در ارتباط با هر بخش مشتریان به کار می روند."
(
, 
, 
)
