پروپوزال پایان نامه مدیریت دانش مشتری (docx) 1 صفحه
دسته بندی : تحقیق
نوع فایل : Word (.docx) ( قابل ویرایش و آماده پرینت )
تعداد صفحات: 1 صفحه
قسمتی از متن Word (.docx) :
وزارت علوم، تحقیقات و فناوری
دانشگاه علوم و فنون مازندران
پایاننامه
مقطع کارشناسی ارشد
رشته: مهندسی فناوری اطلاعات
عنوان: مدیریت دانش مشتریان بانک مهر اقتصاد با استفاده از تکنیکهای دادهکاوی
اساتید راهنما: دکتر جواد وحیدی، دکتر بابک شیرازی
استاد مشاور: دکتر حسین علیزاده
دانشجو: سیده عطیه علیکیا امیری
217614537274500) تابستان 1392(
این پایاننامه را تقدیم میدارم به:
روح پاک پدرم که عالمانه به من آموخت که چگونه در عرصه زندگی، ایستادگی را تجربه نمایم.
و به مادرم، دریای بی‌کران فداکاری و عشق که وجودم برایش همه رنج بود و وجودش برایم همه مهر.
و خواهرانم که حضورشان همیشه مایهی دلگرمی و امید من است.
و سپاس ...
سپاس خدای را که سخنوران، در ستودن او بمانند و شمارندگان، شمردن نعمت‌های او ندانند و کوشندگان، حق او را گزاردن نتوانند. و سلام و درود بر محمد و خاندان پاك او، طاهران معصوم، هم آنان که وجودمان وامدار وجودشان است، و نفرين پيوسته بر دشمنان ايشان تا روز رستاخيز...
و سپاسگزارم از اساتید گرامی و بزرگوار
جناب آقای دکتر جواد وحیدی و جناب آقای دکتر بابک شیرازی که در کمال سعه‌صدر، با حسن خلق و فروتنی، از هیچ کمکی در این عرصه بر من دریغ ننمودند و زحمت راهنمایی این پایاننامه را بر عهده گرفتند.
و از استاد گرامی، جناب آقای دکتر حسین علیزاده که زحمت مشاوره این پایاننامه را عهده‌دار بودند که بدون مساعدت ایشان، این پروژه به نتیجه مطلوب نمی‌رسید.
و از استاد گرامی، جناب آقای پروفسور ایرج مهدوی که زحمت داوری این پایاننامه را متقبل شدند، کمال تشکر و قدردانی را دارم.
این پژوهش از حمایت موسسه مالی و اعتباری مهر برخوردار بوده است.
چکیده
افزایش روزافزون سطح رقابت در بازار، مدیران و تحلیلگران سازمانها را وادار ساخته به دنبال راهکارهایی باشند که مزیت رقابتی را برای سازمان به ارمغان آورند. بر اساس مطالعات موجود، استفاده از دانش مشتری جهت اتخاذ استراتژی‌های لازم برای جلب رضایت مشتری میتواند سازمانها را بهسمت تحقق این هدف سوق دهد. از سوی دیگر گسترش بهرهگیری از فناوریهای بروز در زمینه اطلاعات و ارتباطات خصوصاً در بانکها باعث بر جای ماندن حجم عظیمی از دادهها گشته که تحلیل و تصمیمگیری بر اساس آنها با روشهای معمول گزارشگیری و روشهای آماری امکانپذیر نمیباشد. دادهکاوی ابزار بروز و قدرتمندی است که در این پایاننامه جهت تحلیل دادهها به جهت استخراج دانش مشتری پیشنهاد میگردد.
هدف از این تحقیق با عنوان «مدیریت دانش مشتریان بانک مهر اقتصاد با استفاده از تکنیکهای دادهکاوی»، بخش‌بندی مشتریان بانک مهر اقتصاد، باهدف کشف ویژگی‌های رفتاری مشابه، برای کمک به مدیران این بانک جهت تسهیل اتخاذ استراتژی‌های متناسب با هر بخش و در نتیجه حفظ، تقویت و یا توسعه ارتباط با مشتریان و نهایتاً سودآوری برای این بانک میباشد. داده‌های خام مورد نیاز جهت این مطالعه از پایگاه داده‌های بانک مهر اقتصاد استخراج شده است.
كلمات كليدي فارسي:
مدیریت دانش مشتری، دادهکاوی، خوشهبندی مشتریان، کشف دانش.
فهرست مطالب
TOC \o "1-5" \h \z \u فصل اول PAGEREF _Toc370501622 \h 1
1-1- مقدمه PAGEREF _Toc370501624 \h 1
1-2- تعريف مسئله PAGEREF _Toc370501625 \h 4
1-3- ضرورت انجام تحقيق PAGEREF _Toc370501626 \h 10
1-4- مراحل انجام تحقيق PAGEREF _Toc370501627 \h 11
1-5- محدوده تحقيق PAGEREF _Toc370501628 \h 12
1-6- اهداف تحقيق PAGEREF _Toc370501629 \h 13
1-7- ساختار پایاننامه PAGEREF _Toc370501630 \h 15
فصل دوم PAGEREF _Toc370501631 \h 17
2-1- مقدمه PAGEREF _Toc370501633 \h 18
2-2- مديريت دانش PAGEREF _Toc370501634 \h 20
2-2-1- دانش چيست؟ PAGEREF _Toc370501635 \h 21
2-2-2- هرم دانش PAGEREF _Toc370501636 \h 22
2-2-3- انواع دانش PAGEREF _Toc370501637 \h 23
2-2-3-1- دانش صريح PAGEREF _Toc370501638 \h 23
2-2-3-2- دانش ضمنی PAGEREF _Toc370501639 \h 24
2-2-4- مديريت دانش چیست؟ PAGEREF _Toc370501640 \h 24
2-2-5- استراتژی‌های مديريت دانش PAGEREF _Toc370501641 \h 26
2-2-5-1- استراتژی اجتماعی سازی (تبدیل دانش پنهان به پنهان) PAGEREF _Toc370501642 \h 27
2-2-5- 2- استراتژی برونی سازی (پنهان به آشکار) PAGEREF _Toc370501643 \h 28
2-2-5- 3- استراتژی ترکیبسازی (آشکار به آشکار) PAGEREF _Toc370501644 \h 28
2-2-5- 4- استراتژی درونیسازی (آشکار به پنهان) PAGEREF _Toc370501645 \h 29
2-2-6-معایب عدم بهرهگیری از دانش در سازمان PAGEREF _Toc370501646 \h 29
2-2-7- اهداف مدیریت دانش PAGEREF _Toc370501647 \h 30
2-2-8- مدلهای مديريت دانش PAGEREF _Toc370501648 \h 31
2-3- مديريت دانش مشتری PAGEREF _Toc370501649 \h 33
2-3-1- انواع دانش مشتری PAGEREF _Toc370501650 \h 35
2-3-2- مدل مدیریت دانش مشتری PAGEREF _Toc370501651 \h 40
2-4- مديريت ارتباط با مشتری PAGEREF _Toc370501652 \h 42
2-4-1- مديريت ارتباط مشتريان در نظام بانکی PAGEREF _Toc370501653 \h 46
2-4-2- مدیریت ارتباط با مشتری: اهداف، مزایا و چالش‌ها PAGEREF _Toc370501654 \h 48
2-5- مقايسه مفاهيم CKM و KM و CRM PAGEREF _Toc370501655 \h 50
2-6- تاریخچه‌ای از بانک و بانکداری PAGEREF _Toc370501656 \h 54
2-7- سير تحول فناوري اطلاعات در صنعت بانكداري PAGEREF _Toc370501657 \h 55
2-7-1 دوره اول: اتوماسيون پشت باجه PAGEREF _Toc370501658 \h 55
2-7-2- دوره دوم: اتوماسيون جلوي باجه PAGEREF _Toc370501659 \h 56
2-7-3- دوره سوم: اتصال مشتريان به حساب‌هایشان PAGEREF _Toc370501660 \h 56
2-7-4- دوره چهارم: یکپارچه‌سازی سیستم‌ها و مرتبط كردن مشتريان با تمامي عمليات بانكي PAGEREF _Toc370501661 \h 57
2-7-5- بانكداري الكترونيك PAGEREF _Toc370501662 \h 57
2-8- دادهکاوی PAGEREF _Toc370501663 \h 58
2-8-1- مقايسه روشهای آماری و دادهکاوی PAGEREF _Toc370501664 \h 59
2-8-2- مفهوم دادهکاوی PAGEREF _Toc370501665 \h 61
2-8-3- دادهکاوی و کشف دانش PAGEREF _Toc370501666 \h 64
2-8-4- فرايند دادهکاوی PAGEREF _Toc370501667 \h 66
2-8-5- معرفی روشهای دادهکاوی PAGEREF _Toc370501668 \h 73
2-8-5-1- دسته‌بندی PAGEREF _Toc370501669 \h 75
2-8-5-2- درخت تصمیم PAGEREF _Toc370501670 \h 76
2-8-5-3- شبکه‌های عصبی PAGEREF _Toc370501671 \h 77
2-8-5-4- پیش بینی PAGEREF _Toc370501672 \h 79
2-8-5-5- خوشهبندی PAGEREF _Toc370501673 \h 80
2-8-5-5- انواع خوشهبندی PAGEREF _Toc370501674 \h 81
2-8-5-5-2- معیارهای ارزیابی در خوشهبندی PAGEREF _Toc370501675 \h 83
2-8-5-6- تحلیل انحراف PAGEREF _Toc370501676 \h 85
2-8-5-7- قواعد وابستگی (انجمنی) PAGEREF _Toc370501677 \h 86
2-8-5-8- تحلیل توالی PAGEREF _Toc370501678 \h 86
2-8-6- نرمافزار دادهکاوی PAGEREF _Toc370501679 \h 87
2-8-7- کاربردهای دادهکاوی PAGEREF _Toc370501680 \h 88
2-8-7-1- دادهکاوی در صنعت بانكداری PAGEREF _Toc370501681 \h 90
2-9- پیشینه تحقیق PAGEREF _Toc370501682 \h 91
2-9-1- کاربرد دادهکاوی در بخش‌بندی و مدل‌سازی رفتاری مشتریان در صنعت بانکداری PAGEREF _Toc370501683 \h 93
2-9-2- کاربرد دادهکاوی در ارزیابی اعتبار مشتریان PAGEREF _Toc370501684 \h 96
2-9-3- کاربرد دادهکاوی در زمینه کشف تقلب PAGEREF _Toc370501685 \h 98
2-9-4- کاربرد دادهکاوی در تحلیل روی‌گردانی مشتری PAGEREF _Toc370501686 \h 99
2-10- جمع‌بندی مطالب فصل PAGEREF _Toc370501687 \h 106
فصل سوم PAGEREF _Toc370501688 \h 109
3-1- مقدمه PAGEREF _Toc370501690 \h 110
3-2- روش پیشنهادی PAGEREF _Toc370501691 \h 110
3-2-1- چارچوب تحقیق PAGEREF _Toc370501692 \h 111
3-2-2- انتخاب متغیرها PAGEREF _Toc370501693 \h 113
3-2-3- آماده‌سازی و پیش‌پردازش دادهها PAGEREF _Toc370501694 \h 115
3-2-3-1- نرمال سازی دادهها PAGEREF _Toc370501695 \h 115
3-2-4- تعیین تعداد بهینه خوشه‌ها PAGEREF _Toc370501696 \h 116
3-2-5- خوشهبندی PAGEREF _Toc370501697 \h 117
3-2-5-1- انواع خوشهبندی PAGEREF _Toc370501698 \h 118
3-2-5-2- خوشهبندی به روش K-Means PAGEREF _Toc370501699 \h 120
3-2-5-1-1- مزایای استفاده از الگوریتم خوشهبندی K-Means PAGEREF _Toc370501700 \h 121
3-2-5-1-2- محدودیت‌های الگوریتم K-Means PAGEREF _Toc370501701 \h 121
3-2-5-2- خوشهبندی به روش WK-Means PAGEREF _Toc370501702 \h 122
3-2-5-3- خوشهبندی به روش A-H-Means PAGEREF _Toc370501703 \h 124
3-2-6- ارزیابی خوشه‌ها به روش مجموع مربع خطاها و انتخاب بهترین روش PAGEREF _Toc370501704 \h 126
3-2-7- به‌کارگیری دانش حاصل از خوشهبندی PAGEREF _Toc370501705 \h 128
3-3- روشهای جمع آوری اطلاعات PAGEREF _Toc370501706 \h 128
3-4- جمع‌بندی مطالب فصل PAGEREF _Toc370501707 \h 129
فصل چهارم PAGEREF _Toc370501708 \h 131
4-1- مقدمه PAGEREF _Toc370501710 \h 131
4-2- معرفی بانک مهر اقتصاد PAGEREF _Toc370501711 \h 132
4-3- موضوع و فعالیت بانک PAGEREF _Toc370501712 \h 133
4-4- محاسبات تحقیق PAGEREF _Toc370501713 \h 134
4-4-1- گام انتخاب و جمع آوری متغیرهای ورودی PAGEREF _Toc370501714 \h 134
4-4-2- گام آماده‌سازی و پیش‌پردازش دادهها PAGEREF _Toc370501715 \h 136
4-4-3-گام تعیین تعداد بهینه خوشه‌ها PAGEREF _Toc370501716 \h 137
4-4-4- گام خوشهبندی دادهها PAGEREF _Toc370501717 \h 138
4-4-4-1- خوشهبندی به روش K-Means PAGEREF _Toc370501718 \h 139
4-4-4-2- خوشهبندی به روش WK-Means PAGEREF _Toc370501719 \h 141
4-4-4-3- خوشهبندی به روش A-H-Means PAGEREF _Toc370501720 \h 142
4-4-5- ارزیابی خوشه‌ها به روش مجموع مربع خطاها و انتخاب بهترین روش PAGEREF _Toc370501721 \h 142
4-4-6-گام به‌کارگیری دانش حاصل از خوشهبندی PAGEREF _Toc370501722 \h 144
4-5- نتایج تحقیق PAGEREF _Toc370501723 \h 147
4-6- جمع‌بندی مطالب فصل PAGEREF _Toc370501724 \h 149
فصل پنجم PAGEREF _Toc370501725 \h 151
5-1- مقدمه PAGEREF _Toc370501726 \h 152
5-2- خلاصه تحقیق PAGEREF _Toc370501727 \h 152
5-3- نتیجه‌گیری PAGEREF _Toc370501728 \h 154
5-4- زمینه‌های پیشنهادی، راهکارها و پیشنهاد‌ات جهت پژوهش‌های آتی PAGEREF _Toc370501729 \h 155
منابع و مآخذ PAGEREF _Toc370501730 \h 171
فهرست جدول‌ها
TOC \o "2-5" \h \z \t "Heading 1,1,Style table,1" جدول 2-1 انواع مختلف تبدیلات دانش PAGEREF _Toc365655066 \h 19
جدول 2-2 مقایسه مفاهیم مدیریت دانش، مدیریت ارتباط با مشتری و مدیریت دانش مشتری PAGEREF _Toc365655067 \h 35
جدول 2-3 مقایسه روشهای تحلیل آماری و دادهکاوی PAGEREF _Toc365655068 \h 41
جدول 2-4 فعالیت‌های مربوط به فازهای CRISP-DM و خروجی هر فعالیت PAGEREF _Toc365655069 \h 50
جدول 2-5 نمونه داده‌های مورد نیاز در یک مسئله مدل‌سازی به روش دسته‌بندی PAGEREF _Toc365655070 \h 54
جدول 2-6 معیارهای محاسبه شباهت در خوشهبندی PAGEREF _Toc365655071 \h 59
جدول 2-7 معیارهای محاسبه فاصله در خوشهبندی PAGEREF _Toc365655072 \h 60
جدول 2-8 پژوهش‌های انجام‌گرفته در زمینه کاربرد دادهکاوی در صنعت بانکداری PAGEREF _Toc365655073 \h 71
جدول 3-1 متغیرهای تحقیق PAGEREF _Toc365655074 \h 80
جدول 4-1 نمونه ده‌تایی از داده‌های مربوط به مشتریان بانک مهر اقتصاد PAGEREF _Toc365655075 \h 95
جدول 4-2 متغیرهای نرمال شده PAGEREF _Toc365655076 \h 96
جدول 4-3 وزن نسبی متغیرهای تحقیق PAGEREF _Toc365655077 \h 100
جدول 4-5 مقادیر مجموع مربع خطاها در الگوریتم‌های مختلف خوشهبندی PAGEREF _Toc365655078 \h 101
جدول 4-6 دسته‌بندی مشتریان بر مبنای ویژگی‌های رفتاری مشابه PAGEREF _Toc365655079 \h 103
جدول 4-7 اطلاعات مربوط به خوشهبندی مشتریان بانک مهر اقتصاد به روش K-Means PAGEREF _Toc365655080 \h 104
فهرست تصاویر و نمودارها
TOC \o "2-5" \h \z \t "Heading 1,1,Style pictures,1" شکل 2-1 سلسله‌مراتب دانش PAGEREF _Toc365654999 \h 23
شکل 2-2 دانش صریح فقط بخش کوچکی از دانش را تشکیل می‌دهد. PAGEREF _Toc365655000 \h 24
شکل 2-3 مدل مدیریت دانش پروبست و رمهارد PAGEREF _Toc365655001 \h 32
شکل 2-4 چارچوب خوشه انگور جهت نوع شناسی دانش مشتری PAGEREF _Toc365655002 \h 38
شکل 2-5 مدل مدیریت دانش مشتری PAGEREF _Toc365655003 \h 41
شکل 2-7 گام‌های فرایند تولید دانش از پایگاه دادهها PAGEREF _Toc365655004 \h 64
شکل 2-8 متدولوژي فرآيند استاندارد ميان صنعتي دادهکاوی (CRISP-DM) PAGEREF _Toc365655005 \h 68
شکل 2-9 دسته‌بندی کلی عملکردهای دادهکاوی PAGEREF _Toc365655006 \h 74
شکل 2-11 نیروهای رقابتی پورتر PAGEREF _Toc365655007 \h 90
شکل 3-1 چارچوب تحقیق PAGEREF _Toc365655008 \h 112
شکل 4-1 خوشه اول، الگوریتم K-Means PAGEREF _Toc365655009 \h 139
شکل 4-2 خوشه دوم، الگوریتم K-Means PAGEREF _Toc365655010 \h 140
شکل 4-3 خوشه سوم، الگوریتم K-Means PAGEREF _Toc365655011 \h 140
شکل 4-4 خوشه چهارم، الگوریتم K-Means PAGEREF _Toc365655012 \h 140
شکل 4-5 خوشه پنجم، الگوریتم K-Means PAGEREF _Toc365655013 \h 141
فصل اول
مقدمه و کلیات تحقیق
1-1- مقدمه
در سالهای اخیر دانش به عنوان منبعی ارزشمند در کنار منابعی چون کار، زمین، سرمایه قرار گرفت و به عنوان موتور تولیدکننده درآمد و يك دارايي مهم و راهبُردی برای سازمان شناخته شد. از طرفی به دلیل وجود رقابت شدید در بین کسب و کارهای امروزی از جمله صنعت بانکداری، مشتری و توجه به جایگاه او و ارتباط با او اهمیت ویژهای یافته است. بنابراین مبحث بسیار مهم مدیریت دانش مشتری مطرح گردید که امروزه مطالعات بسیار زیادی را به خود اختصاص داده است. مدیریت دانش مشتری با استفاده از راهکارهای مختلف مدیریت دانش نظیر روشهای دادهکاوی زمینه بسیار خوبی را جهت استفاده مفید از گنجینه گران‌بهای دانش مشتری فراهم میآورد.
از سوی دیگر در عصر حاضر بهرهگیری از فناوریهای نوین اطلاعات و ارتباطات در عرصههای مختلف کسبوکار به امری گریزناپذیر مبدل گشته است. به طور خاص صنعت بانکداری از جمله صنایعی است که به‌کارگیری فناوریهای روز دنیا در این صنعت میتواند مزیت رقابتی انکارناپذیری را برای آن ایجاد نماید. بنابراین این صنعت نیز از بهرهگیری از بروزترین فناوریها مستثنا نبوده و مواردی مانند بانکداری الکترونیک، سیستم‌های یکپارچه بانکداری، دستگاههای خودپرداز، کارتهای اعتباری، پایانههای خرید الکترونیک و... از مصادیق این امر میباشد.
ورود فناوریهای جدید به سازمان سبب افزایش چشمگیر سرعت تولید اطلاعات و در نتیجه بر جای ماندن حجم عظیمی از دادهها گشته است. از آنجا که این دادهها اغلب حجیم و وسیع میباشند، معمولاً به صورت خام قابل‌استفاده نیستند، بلکه دانش موجود در آنها باید استخراج گردد. با این وجود که ارزش این دادهها بر کسی پوشیده نیست، حجم بسیار بالای داده‌های ارزشمند موجود، تحلیل و بهرهگیری از آنها را به امری چالش‌برانگیز مبدل ساخته است. چرا که تحلیل به واسطه روشهای گزارش گیری سنتی در این مقیاس امکانپذیر نیست و روشهای آماری موجود نیز از ظرفیت کافی جهت تحلیل این دادهها برخوردار نمیباشند. بنابراین باید به دنبال راهکاری بود که با غلبه بر این محدودیت، امکان انجام مطالعاتی جامعتر با نتایج دقیقتر و درصد خطای پایینتر را ممکن سازد. این مسئله گواهی بر لزوم به‌کارگیری روشهای نوین تحلیل دادهها جهت حصول دانش، نظیر روش دادهکاوی خواهد بود.
دانش قابل توجهی که در زمان استفاده از خدمت یا مصرف کالا توسط مشتری، بین مشتری و سازمان تبادل میشود، به عنوان منبعی مهم برای سازمان شناخته میشود و کسب و بهرهبرداری از آن به یک مزیت رقابتی در سازمانها تبدیل شده است.
مدیریت دانش مشتری دربردارنده فرایندهاییست که با شناسایی و اکتساب اطلاعات مشتری و نیز ایجاد و بهرهبرداری از دانش مشتریان، مربوط است [9]. چنین اطلاعاتی در ماورای محدودههای خارجی سازمان قرار دارند و دانشی که از آنها استخراج میشود موجب ایجاد ارزش برای سازمان و مشتریان آن خواهد شد [32]. در این تحقیق مسئولیت کشف دانش بر عهده الگوریتم‌های دادهکاوی خواهد بود. در ادامه از این دانش به عنوان راهنما در مسیر اتخاذ استراتژی‌های سازمان، بهرهگیری میشود.
1-2- تعريف مسئله
بااهمیت یافتن مشتری در عرصه پرتلاطم رقابت میان کسبوکارهای مباحثی همچون مدیریت دانش مشتری و مدیریت ارتباط با مشتری مطالعات و تحقیقات فراوانی را به خود اختصاص دادهاند.
مديريت دانش، كسب دانش درست، براي افراد مناسب، در زمان صحيح و مکان مناسب است، به گونه‌اي که آنان بتوانند براي دستيابي به هدف‌هاي سازمان، بهترين استفاده را از دانش ببرند.
در تعریفی دیگر مديريت دانش فرايند كشف، كسب، توسعه و ايجاد، تسهيم، نگهداري، ارزيابي و به‌کارگیری دانش مناسب در زمان مناسب توسط فرد مناسب در سازمان، که از طريق ايجاد پيوند مناسب بين منابع انساني، فناوري اطلاعات و ايجاد ساختاری مناسب براي دستيابي به اهداف سازماني صورت مي‌پذيرد، تعریف شده است.
مدیریت ارتباط با مشتری از جمله راهکارهایی است که در سالهای اخیر با افزایش روزافزون سطح رقابت در بازار به عنوان سلاحی ارزشمند در جهت افزایش وفاداری مشتری و جلب رضایت او و با هدف به ارمغان آوردن مزیت رقابتی بالاتر برای سازمان، از سوی سازمانها بکار گرفته شده است. امروزه بیشتر روشهای مدیریت ارتباط با مشتری مبتنی بر فناوری اطلاعات میباشند و مسلماً برای رسیدن به مدیریت مؤثر ارتباط با مشتری ناگزیر از مدیریت دانش مشتری خواهیم بود.
مديريت ارتباط با مشتری در برگيرنده مجموعهاي از فرايندهاست که سازمانها را قادر ميسازد تا از استراتژيهاي كسبوكار در جهت ايجاد روابط بلندمدت و سودآور با مشتريان خاص پشتيباني نمايند [46].
در حقیقت CRM يك فناوری پيشرفته در جهت دستيابي به قلههاي اطلاعات مشتري است [G] و شركتها از آن به عنوان ابزاری در جهت افزايش رضايتمندي مشتري استفاده ميكنند. مديريت ارتباط با مشتري به عنوان فعالیتی جهت گسترش و نگاه‌داری مشتريان سازمانها به طور گستردهاي مورد توجه قرار گرفته است و ابزارهاي آن افزايش رضايت مشتري و وفاداري اوست. همچنين مديريت دانش KM همچون مديريت روابط با مشتري بر جمع آوری منابعي تأكيد دارد كه از فعاليتهاي تجاري در جهت رسيدن به توانايي رقابت‌پذیری حمايت ميكند [37] براي بهبود روابط با مشتري، خدمات‌رسانی به روشي كه مورد دلخواه اوست، ضروري است. از اين رو به مديريت دانش مشتری احتياج است [17].
امروزه حجم بالای پایگاههای داده و پراکندگی و عدم به‌کارگیری راهکارهای مناسب جهت تحلیل این دادهها مطالعه و تصمیمگیری بهینه پیرامون ارتباط با مشتریان را با مشکل مواجه نموده است.
به طور ویژه بانکها سازمانهایی هستند که با مشتریان تعامل مستقیم دارند و عنصر مشتری در این سازمانها اهمیت ویژهای دارد. بدیهی است جهت پیشرو بودن در عرصه رقابت توجه به جایگاه مشتری و اختصاص خدمات ویژه با تشخیص نیازمندیهای آنها و ارائه خدمات درست به آنها محقق خواهد شد. تحلیل منابع باارزش دادهای در رابطه با مشتریان کنونی بانکها و مشتریان بالقوه و... مقدمهای جهت تحقق این مهم خواهد بود.
با ورود فناوریهای جدید به سازمانها و افزایش سرعت تولید اطلاعات و در نتیجه بر جای ماندن حجم عظیمی از دادهها و دشواری استفاده از این حجم وسیع، معمولاً امکان استفاده از این دادهها به صورت خام وجود ندارد، بلکه دانش موجود در آنها باید استخراج گردد. همچنین تحلیل این دادهها به واسطه روشهای گزارش گیری سنتی در این مقیاس امکانپذیر نیست و روشهای آماری موجود نیز از ظرفیت کافی جهت تحلیل این دادهها برخوردار نمیباشند. دادهکاوی راهکاری است که با غلبه بر این محدودیت، امکان انجام مطالعاتی جامعتر با نتایج دقیقتر و درصد خطای پایینتر را ممکن سازد.
دادهها کمیت‌های عددی یا خصیصه‌ای هستند که در نتیجه مشاهده یا آزمایش حاصل شدهاند. داده‌های دسته‌بندی شده اطلاعات را تشکیل می‌دهند. اطلاعات از ترتيب، تركيب و شبكه شدن دانش را ايجاد مينمايد. دانش، اطلاعات سازمان‌یافته، تحلیل یافته و یا تلخیص شده برای افزایش درک، آگاهی یا تشخیص میباشد.
دادهکاوی ابزاری بروز، قدرتمند و وسیع است که میتواند جهت تحلیل حجم عظیم داده بکار گرفته شود. دادهکاوی به بهرهگیری از ابزارهای تجزیه و تحلیل دادهها به منظور کشف الگوها و روابط معتبری که تا کنون ناشناخته بوده‌اند اطلاق میشود. این ابزار با کاوش در بین داده‌های موجود و استخراج الگوها و روابط موجود در پایگاه دادهها، موجب تسهیل مطالعات و اتخاذ تصمیمات خواهد شد. همچنین به کمک امکانات موجود در این ابزار میتوان حجم دادهها را کاهش داد و داده‌های اضافی را حذف نمود. استفاده از روشهای مختلف دادهکاوی میتواند جهت کشف دانش و الگوهای موجود در حجم عظیم دادهها (برای مثال به طور خاص داده‌های جمعیت شناختی مشتریان بانک نظیر جنسیت، سن، وضعیت تأهل، تحصیلات، شغل و غیره، یا داده‌های مربوط به تراکنشهای مالی مشتریان و یا سرویسهای ارائه شده توسط بانک) استفاده شود. این الگوها میتوانند از سوی مدیران جهت اتخاذ تصمیمات مقتضی در ارتباط با مشتری، چگونگی برخورد با شرایط متفاوت کسبوکار، ارائه خدمات خاص و غیره بکار گرفته شود.
تعاريف متفاوتي از دادهکاوی وجود دارد ولي تعريفي كه در اكثر مراجع به اشتراك ذكر شده عبارت است از «استخراج اطلاعات و دانش و كشف الگوهاي پنهان از پايگاه داده‌های بسيار بزرگ و پيچيده.» دادهکاوی يك متدولوژي بسيار قوي و با پتانسيل بالا میباشد كه به سازمانها كمك میکند كه بر مهم‌ترین اطلاعات از مخزن داده‌های خود تمركز نمايند [52].
دادهکاوی را میتوان به عنوان ابزاری جهت کشف دانش از پایگاههای داده تعریف نمود. دادهکاوی یک گام در فرایند کشف دانش از پایگاه داده است که با استفاده از الگوریتم‌های کشف و تحلیل دادهها تعداد خاصی الگو یا مدل را از روی دادهها تولید میکند.
یک الگو زمانی میتواند به عنوان دانش تلقی شود که :
به سادگی برای افراد قابل فهم باشد.
اعتبار آن از یک حد آستانهای پایینتر نباشد.
دانش جدیدی متناسب با اهداف تعیین‌شده سازمان ارائه دهد.
کاربردی باشد. [1]
امروزه کاربردهای مختلفی برای دادهکاوی در صنعت بانکداری شناخته شده است.
شهرابی و همکاران در [1] کاربردهایی نظیر مدیریت ارتباط با مشتریان از طریق بخش‌بندی آنها و استخراج قواعد رفتاری آنها جهت هدایت فعالیت‌های بازاریابی بانک، مدل‌سازی پاسخ بازار به تصمیمات کلان بانک و شناسایی اثر هر یک از سیاستهای بانک بر تقاضا و امکان شبیهسازی تعاملی سیاستها و تصمیمات قبل از اجرا، ارزیابی ریسک اعتباری مشتریان متقاضی دریافت وام، محاسبه کارایی شعب و پیشبینی سریهای زمانی مالی و ... کشف الگوهای پنهان در داده‌های حاصل از تعاملات با مشتریان و تحلیل این الگوها را به عنوان مثالهایی از کاربرد ابزار دادهکاوی در بانک ذکر کرده است.
بانکها میتوانند جهت افزایش سودآوری از طریق مشتریان تراز اول خود، برای یک محصول جدید بانکی، مشتریان بالقوه خود را از طریق دادهکاوی شناسایی نموده و آنها را به سمت استفاده از این محصول سوق دهند و بدین ترتیب در زمان و هزینه صرفهجویی کنند.
پیادهسازی سیستم هوشمند ارزیابی اعتبار مشتری به کمک دادهکاوی از کاربردهای دیگر این ابزار جهت مدیریت دانش مشتریان در بانک است. در این کاربرد میتوان با استفاده از اطلاعات گروهی از وامگیرندگان سابق (مانند بعضی اطلاعات شخصی وام‌گیرنده مانند سن و جنسیت و وضعیت تأهل و درآمد و...، تعداد تراکنش ماهیانه مشتری با بانک، سایر بدهیهای بانکی، نوع ضمانت و...) و وضعیت آنها از نظر بازپرداخت وام به مدلی دست یافت که مشتریان متقاضی وام را در دستههایی مانند مشتری خوشحساب، مشتری بدحساب و ... دسته‌بندی نمود. با حصول این دانش در مورد مشتری متقاضی اعتبار تصمیمگیری در مورد پرداخت یا عدم پرداخت اعتبار بسیار سادهتر خواهد بود.
برخی از مشكلات نبود مديريت دانش میتوان عدم اولويت‌بندي و استفاده از انواع دانش، ایجاد شکاف دانشی در صورت جدا شدن كارشناسان از سازمان، احتكار دانش به جاي ازدياد آن، استفاده محدود از دانشهاي موجود، نبود مستندات در خصوص تجربيات به دست آمده از پروژه‌ها و كارها و نبود ساختار مناسب براي تسهيم سريع دانش را نام برد.
1-3- ضرورت انجام تحقيق
افزایش روزافزون سطح رقابت در بازار، مدیران و تحلیلگران سازمانها را وادار ساخته به دنبال راهکارهایی باشند که مزیت رقابتی را برای سازمان به ارمغان آورند. بر اساس مطالعات موجود، استفاده از دانش مشتری جهت اتخاذ استراتژی‌های لازم برای جلب رضایت مشتری میتواند سازمانها را به سمت تحقق این هدف سوق دهد. از سوی دیگر گسترش بهرهگیری از فناوریهای بروز در زمینه اطلاعات و ارتباطات خصوصاً در بانکها باعث بر جای ماندن حجم عظیمی از دادهها گشته که تحلیل و تصمیمگیری بر اساس آنها با روشهای معمول گزارش گیری و روشهای آماری امکانپذیر نمیباشد. دادهکاوی ابزار بروز و قدرتمندی است که در این پایاننامه جهت تحلیل دادهها به جهت استخراج دانش مشتری پیشنهاد میگردد.
امروزه تحقیقات فراوانی در زمینه دادهکاوی و به‌کارگیری آن در صنعت بانکداری دنیا و کشورمان در حال انجام است. با این وجود زمینه‌های بالقوه بسیاری در به‌کارگیری این دانش در بانکها و مؤسسات مالی و اعتباری در کشور وجود دارد. بدیهی است پیش‌دستی در بهرهگیری از این ظرفیتها میتواند مزیت رقابتی را برای بانک یا موسسه مالی و اعتباری مربوطه به ارمغان آورده و ارزش افزوده بیشتری را نصیب بانک یا مؤسسه مورد نظر نماید. علاوه بر این ایجاد زمینههایی جهت آشنایی کارشناسان و متخصصان امور بانکی با مباحث دادهکاوی و کاربردهای آن در صنعت بانکداری ضروری به نظر میرسد.
بدین ترتیب مدیران بانکها میتوانند با یافتن الگوهای حاکم بر روند تغییرات بازار، استراتژی‌های لازم را در زمان نیاز اتخاذ نمایند و یا با یافتن خصوصیات مشتریان و دسته‌بندی آنها الگوی مناسبی جهت جذب مشتری و جلب رضایت آنها کشف نموده و در نتیجه سودآوری را برای سازمان به ارمغان آورند.
1-4- مراحل انجام تحقيق
برای استخراج دانش مشتری توسط دادهکاوی در سازمان هدف، الگوی کشف دانش از پایگاه داده [53] انتخاب شده است. گام‌های این الگو به صورت زیر است:
ابتدا باید شناسایی دامنه فعالیت‌های کسبوکار صورت گرفته و دسترسی به دادهها مقدور گردد. دادهها در اینجا میتواند مجموعهای از حقایق، الگوها و یا خبرگی باشد.
در مرحله بعد با توجه به اهداف تعیین‌شده مورد نظر ذینفعان سازمان (مدیران، کارمندان، سرپرستان شعب، کاربران، خبرگان و مشاورین فناوری اطلاعات)، رکوردهای مورد نیاز توسط دادهکاو از میان حجم عظیم داده‌های سازمان مورد نظر انتخاب میشوند. در این مرحله حجم انبوه دادهها به داده‌های هدف کاهش داده میشود.
برای آماده‌سازی بخش داده‌های انتخابی باید عملیات پیشپردازشی روی آنها صورت گیرد. این عملیات شامل جمع آوری اطلاعات لازم برای مقداردهی به مقادیر رکوردهای از قلم افتاده، تشخیص داده‌های متفاوت و هماهنگی آنها با بقیه، جمع آوری اطلاعات لازم برای اصلاح یا حذف داده‌های نامناسب میباشد. محصول این مرحله داده‌های پیش‌پردازش شده خواهد بود.
گام بعد گزینش دادهها با هدف کاهش حجم آنها و یافتن ویژگیهایی از دادهها با توجه به هدف تعیین شده برای کسبوکار خواهد بود. با کاهش حجم دادهها یا روشهای تغییرات آنها حجم دادهها میتواند به مقدار مفید و مؤثری کاهش یابد.
مرحله بعد اعمال یک یا چند الگوریتم (مانند کلاسیفایرها و یا شبکه‌های عصبی و ...) از بین الگوریتم‌های موجود و یا ابتکاری دادهکاوی بر روی دادههاست. حاصل این مرحله یک یا چند مدل و یا الگو خواهد بود.
در گام بعد با تحلیل، ارزیابی و تفسیر الگوهای معنادار کشف شده، دانش استخراج میگردد. دانش استخراج شده میتواند به صورت قواعدی مستند شود.
1-5- محدوده تحقيق
در اين تحقيق، تجزيه و تحليل بر روی دادههاي خام پايگاه داده‌های شعب بانك مهر اقتصاد استان مازندران صورت خواهد پذيرفت. جامعه آماري مورد مطالعه کل دادههاي ذخيره شده در پایگاه داده‌های این شعب ميباشد.
مبنای اين تحقيق، مطالعات كتابخانهاي گستردهاي شامل بررسي پاياننامهها و تحقيقات موجود و مرتبط با موضوع، مطالعه مقالات و كتب لاتين و فارسي مرتبط و همچنين استفاده از اينترنت میباشد.
1-6- اهداف تحقيق
دانش در سازمان به طور مداوم در حال گردش است. این دانش ایجاد، جذب، تحلیل و توزیع میشود و همواره در تمام فعاليتهاي سازمان و خصوصاً فعالیت‌های مرتبط با مشتري مورد استفاده قرار ميگيرد. مدیریت دانش مشتری در سازمان به منظور تبدیل دانش تئوری مشتری به دانش قابل بهرهبرداری جهت پشتیبانی اتخاذ تصمیمات آتی در سازمان بکار گرفته میشود.
در بسیاری از منابع هدف از مدیریت دانش، تبدیل دانش ضمنی به دانش ﺻﺮﻳﺢ و اﻧﺘـﺸﺎر ﻣـؤﺛﺮ آن در سازمان بیان شده است.
مدیریت دانش عملی کلی به منظور مدیریت فرآیندهای خلق، ذخیره و نگهداری و به اشتراک گذاردن دانش است؛ که به طور عمومی باید شامل شناسایی وضعیت موجود، تشخیص، وضوح نیازها و خواسته‌ها و بهبود فرآیندهای مورد اثر باشد و به تبع آن پروژه‌های مدیریت دانش پروژه‌های بهبود بخشی هستند.
مدیریت دانش به خودی خود امری فناوری محور نیست اما به‌کارگیری فناوری در تحقق کاراتر این چرخه ضروری به نظر میرسد، بنابراین در این پایاننامه دادهکاوی به عنوان ابزار تحلیل دادهها و کشف دانش بکار گرفته خواهد شد.
در این پایاننامه هدف بر این است که طبق الگوی تشریح شده با به‌کارگیری نرمافزارهای موجود در زمینه دادهکاوی و به کمک ابزارهایی از آن نظیر دسته‌بندی و خوشهبندی و... به تحلیل داده‌های حاصل از تعامل سازمان (بانک) با مشتریان (برای مثال داده‌های جمعیت شناختی مشتریان بانک نظیر جنسیت، سن، وضعیت تأهل، تحصیلات، شغل و غیره، یا داده‌های مربوط به تراکنشهای مالی مشتریان و یا سرویسهای ارائه شده توسط بانک) به دسته‌بندی مشتریان با حداکثر اطمینان و کمترین خطای ممکن پرداخته شود. از آن جا که مشتریان بانک خصوصیات و نیازهای متفاوتی دارند، با دسته‌بندی مشتریان و تحلیل دستهها توسط دادهکاو و نظرات افراد خبره در سازمان، دانش حاصل استخراج میشود. مشتریان هر دسته به طور معمول خصوصیات مشابهی دارند و میتوان با اتخاذ استراتژی مناسب هر دسته به نیازهای آنان رسیدگی نمود و در حصول هر چه بیشتر رضایت مشتری پیشرو بود. شناسایی مشخصههای هر گروه میتواند در موارد زیر بکار گرفته شوند:
عرضهی محصول طراحی شده متناسب با نیازهای هر گروه
عرضه محرکهای مناسب برای توسعه ارتباط مشتری با بانک
تولید محصول جدید متناسب با ویژگی هر گروه
برای مثال با تعیین مشتریان وفادار بانک که معمولاً سودآوری زیادی برای بانک دارند میتوان به آنان خدمات تشویقی ارائه نمود و یا خدمات تازهتری به آنان پیشنهاد داد و در حفظ این دسته از مشتریان کوشید. از طرفی به کمک مدلهای حاصل از دادهکاوی میتوان اطلاعات مربوط به هر مشتری دلخواه را به مدل داده و تعیین نمود که مشتری در کدام دسته قرار میگیرد تا خدمات متناسبتری به آنان ارائه گردد.
1-7- ساختار پایاننامه
ساختار این پایاننامه به صورت زیر است:
در فصل دوم، مفاهیم پایهای مورد استفاده در این تحقیق شرح داده خواهند شد. این مفاهیم شامل موضوعاتی چون مدیریت دانش، مدیریت دانش مشتری، مدیریت ارتباط با مشتری و دادهکاوی و خلاصهای از روشهای موجود در زمینه دادهکاوی میباشد، در ادامه پیشینه کارهای مرتبط انجام شده در این زمینه معرفی خواهند شد. سپس در فصل سوم روش پیشنهادی و مؤلفههای آن به همراه مدلهای مورد استفاده بیان خواهند شد. در فصل چهارم جزئیات مربوط به گام‌های اصلی بیان شده و فرایندهای داخلی آنها معرفی و روش پیشنهادی بر روی داده‌های واقعی مربوط به مشتریان بانک اقتصاد مهر شعب استان مازندران اعمال میگردد. در فصل پنجم نتیجههای ممکن استخراج شده و راهکارها و پیشنهاداتی برای تحقیقات آتی، ارائه خواهند شد.
فصل سوم
روش تحقیق
2204720248920
3-1- مقدمه
تحقیق از نظر لغوی به معنای بررسی و پیدا کردن حقیقت است و از منظر علمی عبارتست از تلاش و انجام یک فعالیت منظم و هدف دار برای رسیدن به حقیقت، پاسخ به سؤال، دستیابی به دانش و آگاهی بیشتر در مورد یک پدیده و یا یک مسئله به منظور چاره جویی با استفاده از مراحل و روش علمی. به عبارت دیگر تحقیق تجزیه و تحلیل و ثبت عینی و سیستماتیک مشاهدات کنترل شده که ممکن است به پروراندن قوانین کلی، اصول یا نظریه‌هایی بینجامد و به پیش بینی و یا احتمالاً به کنترل نهایی رویدادها منتج شود.
در فصل پیش رو چارچوب کلی روش پیشنهادی تشریح میگردد و سعی شده با طرح این چارچوب بر پایهی گام‌های اساسی، اهداف تحقیق که همان بخش‌بندی مشتریان و استخراج استراتژی‌های متناسب با هر بخش و به‌کارگیری استراتژیها و دانش حاصل در چرخه مدیریت دانشی سازمان میباشد، حاصل گردد.
در این مسیر برخی روشهای موجود در زمینه خوشهبندی مبتنی بر بخش‌بندی مانند K-Means، WK-Means، A-Harmonic means و معیارهای ارزیابی و اعتبارسنجی خوشه‌ها همچون شاخص مجموع مربع خطاها و روش Min-Max برای نرمال سازی دادهها تشریح خواهند شد.
3-2- روش پیشنهادی
هدف از این تحقیق کشف دانش نهفته در داده‌های خام مشتریان بانک اقتصاد مهر با استفاده از روشهای دادهکاوی و به‌کارگیری آن جهت اتخاذ استراتژیهایی برای مدیریت دانش مشتریان است که این مهم از تلفیق ابزارهای دانشی با رویکردهای مربوط به مدیریت ارتباط با مشتریان حاصل خواهد شد.
3-2-1- چارچوب تحقیق
در شکل 3-1 چارچوب کلی این تحقیق نشان داده شده است.
شکل 3-1 چارچوب تحقیق
3-2-2- انتخاب متغیرها
شناسایی متغیرها از گام‌های اساسی در مسیر تحقیق است. با در نظر گرفتن اهداف تحقيق، مطالعه تحقيقات انجام‌شده در حوزه بخش‌بندی رفتاری مشتریان بانک و بررسی رویکردهای سازمانی بانک مهر اقتصاد، سه دسته متغير زير انتخاب شده است:
دادههاي جمعيت آماری مشتریان: اين متغيرها شامل جنسيت، سن، تحصيلات، وضعيت تأهل، شغل و تاریخ تولد، محل منطقه بانکی و ... میباشد.
تراکنشهای مالي مشتريان: تراکنشهای مالي مشتري میتواند شاخص مناسبی برای بررسي الگوي رفتاري مشتري باشد و تحقیقات زیادی در این زمینه صورت گرفته است. در این میان متغيرهايی چون تراكنش اخير مشتري، متغیر پولی، فراواني (که به اصطلاح با سر نام RFM شناخته میشوند)، در مطالعات دادهکاوی کاربرد گستردهای یافتهاند. اين متغیرها در پايگاه اطلاعاتی بانک وجود دارند و از طريق پردازش دادههاي تراكنشي مشتريان محاسبه میشوند که R، فاصله ميان زمان آخرين تراكنش مشتري تا زمان مورد ارزيابي، F، تعداد خريدهاي مشتريان در يك بازه زماني خاص و M، ميانگين مبالغ تراکنشهای مشتري در يك بازه زماني خاص میباشند.
دانش ضمنی خبرگان بانکی: بانک مهر اقتصاد برخی از مشتریان خود را به عنوان مشتریان کلیدی میشناسد. مشتریان کلیدی بانکی در هر استان بنا بر نظر خبرگان بانکی با ویژگی‌های خاصی تعریف میشوند. منشأ این ویژگیها دانش ضمنی خبرگان بانکی در هر استان میباشد. در استان مازندران، این متغیر بر اساس ویژگی مانده حساب مشتری تعیین میگردد. در این تحقیق این متغیر با نام K تعریف میگردد.
این متغیرها در جدول 3-1 نمایش داده شده است.
جدول 3-1 متغیرهای تحقیق
ردیفمتغیرشرح1IDشماره مشتری2Sexجنسیت3Ageسن4Educationتحصیلات5Marital Statusوضعیت تأهل6Jobشغل7Locationمحل منطقه بانکی8Rفاصله زمانی میان آخرین تراکنش مشتری تا زمان گزارش گیری9Fتعداد تراکنشهای مشتریان در بازه زمانی یک ساله تا زمان گزارش گیری10Mمیانگین مبلغ تراکنشهای مشتری در بازه زمانی یک ساله تا زمان گزارش گیری11Kمشتری جزء مشتریان کلیدی بانک میباشد یا خیر
3-2-3- آماده‌سازی و پیش‌پردازش دادهها
در اين تحقيق براي جمع آوری دادهها از دادههاي موجود در پايگاه اطلاعاتي بانك مهر اقتصاد استفاده شده است.
به طور معمول ویژگی‌های نمونههای مورد مطالعه در یک تحقیق دادهکاوی دارای بازه تغییرات یکسان نمیباشند. براي مثال اگر سن و متغیر پولی را به عنوان دو ویژگی یک مشتری در نظر بگیریم، این ویژگیها داراي بازه تغییرات متفاوتی هستند. همچنین مقادیر به دست آمده براي هر ویژگی نیز به واحد استفاده‌شده براي اندازهگیری آن ویژگی ارتباط مستقیم دارد براي مثال اگر براي اندازهگیری سن از واحد سال یا روز استفاده شود، مقادیر در بازه‌های مختلفی به دست خواهند آمد. در این صورت، ویژگی‌های با مقادیر بزرگ تأثیر بیشتري بر تابع هدف می‌گذارند که لزوماً به معنی مهم‌تر بودن آنها در الگوریتم بخش‌بندی نیست و بنابراین اثري نامطلوب تلقی میگردد. براي رفع این مشکل از نرمال سازی به روش Min-Max استفاده شده است.
3-2-3-1- نرمال سازی دادهها
در این روش، با یک تبدیل خطی یا غیرخطی، دادهها را در بازهاي که توسط کاربر انتخاب میشود قرار میگیرند. این بازه در کاربردهاي دادهکاوی معمولاً [-1,1] یا[0,1] میباشد. برای قرارگیری دادهها در بازه بین صفر و یک میتوان از فرمول 3-1 استفاده نمود [31].
(3-1)X*= X-Min(X)Range(X)
در فرمول بالا X نشان‌دهنده مقدار متغیر است.
3-2-4- تعیین تعداد بهینه خوشه‌ها
یکی از مهم‌ترین مسایل در خوشهبندی انتخاب تعداد خوشههای مناسب میباشد. تعداد خوشهای مناسب میباشد که:
نمونههای موجود در یک خوشه تا حد امکان شبیه به یکدیگر باشند.
نمونههای متعلق به خوشههای متفاوت تا حد امکان با یکدیگر نامشابه باشند.
عبارات فوق را بدین صورت نیز بیان میکنند که خوشه‌ها باید بیشینه فشردگی داشته باشند و تا حد امکان جدایی آنها نیز زیاد باشد. برای یک خوشهبندی مناسب هر دو معیار باهم باید ارضا شوند چرا که اگر تنها معیار فشردگی مورد استفاده قرار گیرد در آن صورت هر داده میتواند به صورت یک خوشه در نظر گرفته شود چرا که هیچ خوشهای فشرده‌تر از خوشهای با یک داده نیست و اگر تنها معیار جدایی در نظر گرفته شود در آن صورت بهترین خوشهبندی این است که کل دادهها را یک خوشه بگیریم با این توضیح که فاصله هر خوشه از خودش صفر است. بنابراین باید از ترکیب دو معیار فوق استفاده شود.
به منظور تعیین تعداد بهینه خوشه‌ها میتوان از روشهایی چون شاخص Davis-Bouldin، روش Two Step، تعیین تعداد بهینه خوشه‌ها به کمک روشهای مبتنی بر گراف و یا نظرات خبرگان استفاده نمود.
3-2-5- خوشهبندی
خوشهبندی یا گروهبندی، تقسیم اقلام موجود در یک مجموعه داده است که به طور طبیعی باهم شباهت دارند. دادههایی که با این معیار به صورت خوشههایی تفکیک میگردند، با داده‌های موجود در خوشهای که در آن قرار میگیرند، بیش‌ترین شباهت را دارند؛ و با داده‌های موجود در سایر خوشه‌ها متفاوتاند.
در خوشهبندی موضوعات زیر مورد توجه است:
چه تعداد از خوشه‌ها میتواند دانش نهفته در دادهها را کشف نماید؟ مسئله تعداد خوشه‌ها معمولاً به صورت جداگانه مورد بررسی قرار میگیرد.
معیارهای شباهت و تفاوت دادهها چیست؟ این معیارها خود به واسطه روشهای مختلفی محاسبه میگردد، اما در بیشتر روشهای خوشهبندی موجود از معیار فاصله فضایی دو داده از یکدیگر، استفاده میشود. فاصله فضایی میتواند با روشهای مختلفی چون فاصله اقلیدسی، فاصله مینکوفسکی و یا فاصله مانهاتان محاسبه شود.
بعد از تعیین تعداد خوشه‌ها و معیار شباهت یا فاصله دادهها، دادهها با استفاده از چه روشی در تعداد خوشههای معین جای گیرند [11].
خوشهبندی یک الگوریتم بدون ناظر در دادهکاوی است، زیرا هیچ صفتی منفردی برای هدایت فرایند Training استفاده نمیشود و همه صفات ورودی ارزش یکسان دارند [2].
تفاوت این روش با طبقهبندی در این است که در طبقه‌بندي هر داده به يک طبقه (کلاس) از پيش مشخص‌شده تخصيص مي‌يابد ولي در خوشه‌بندي هيچ اطلاعي از کلاسهاي موجود درون دادهها وجود ندارد و به عبارتي خود خوشه‌ها نيز از دادهها استخراج مي‌شوند.
با مطالعه و بررسی روشهای دادهکاوی موجود جهت خوشهبندی دادهها، الگوریتم‌های K-Means، WK- Means و A-H-Means برای اعمال بر روی مجموعه دادهها انتخاب شدهاند.
3-2-5-1- انواع خوشهبندی
امروزه الگوریتم‌های متنوعی در زمینه خوشهبندی معرفی شدهاند. این الگوریتمها به طور کلی به سه دسته تقسیم میشوند [1]:
1- خوشهبندی سلسلهمراتبی
در این نوع خوشهبندی خوشه‌ها به صورت متوالی به دو شیوه انباشتی و یا تقسیمکنندگی توسعه مییابند. در روش انباشتی، هر یک از نقاط به عنوان خوشه در نظر گرفته شده و سپس خوشههای مشابه باهم ادغام میگردند. در شیوه تقسیمکنندگی در ابتدا کل دادهها به عنوان یک خوشه در نظر گرفته شده و تقسیمات متوالی تا رسیدن به تعداد مناسب خوشه‌ها ادامه مییابد.
2- خوشهبندی مبتنی بر مدل
در این روش یک مدل احتمالی مشخص برای دادهها در نظر گرفته شده و سپس پارامترها برآورد میشوند. در این گروه از الگوریتمها یک مدل چگالی آمیخته مطرح میشود و فرض میشود که دادهها از مخلوط شدن تعدادی منبع داده به وجود آمدهاند. هر یک از این منابع یک خوشه بالقوه در نظر گرفته میشود.
3- خوشهبندی مبتنی بر بخش‌بندی
نام دیگر این روش خوشهبندی بر مبنای تابع هدف است که در آن اساس کار فرمولبندی تابع هدف است. تابع هدف حاصل باید طبیعت مسئله را به خوبی نشان دهد تا بتوان از طریق کمینه سازی آن، ساختار معنیداری (خوشه‌ها) را در داده‌های مفروض آشکار ساخت. معروفترین و سادهترین الگوریتم خوشهبندی مبتنی بر بخش‌بندی، الگوریتم K-means است. این الگوریتم به خاطر سادگی اجرا، سادگی برنامه و کارایی آن استفاده فراوانی دارد [1]. عملکرد کلی این روش به این صورت است که هدف ایجاد K خوشه است، بدین ترتیب که عناصر درون هر خوشه نسبت به میانگین رکوردهای آن خوشه که مرکز نامیده میشود بیش‌ترین شباهت و با مراکز دیگر خوشه‌ها بیش‌ترین عدم شباهت را داشته باشند.
3-2-5-2- خوشهبندی به روش K-Means
این روش، یک روش خوشهبندی مبتنی بر بخش‌بندی است که در آن هر خوشه به یک مرکز وابسته است. هر نقطه بسته فاصله خود باهر یک از مراکز، به خوشهای که نزدیکترین فاصله را با مرکز آن دارد مرکز تخصیص مییابد. تعداد خوشه‌ها که همان تعداد مراکز است باید از قبل تعیین شده باشد. الگوریتم پایه این روش بسیار ساده است.
1- الگوریتم با انتخاب K مرکز آغاز میشود. این مراکز میتواند به طور حدسی یا تصادفی انتخاب گردد.
2- محاسبه مقدار تابع هدف به صورت زیر است:
(3-2)KMX,C= i=1nminxi-cj2jϵ{1…k}
3- برای هر داده xi، عضویت m(cjǀxi) به ازای هر مرکز cj و وزن مربوط به آن (w(xi)) محاسبه میشود.
تابع عضویت به صورت زیر محاسبه میشود:
(3-3)mKMciǀxi= 1 ;if l=argminjxi-cj20 ;otherwise
تابع وزن عضویت به صورت زیر محاسبه میشود:
(3-4)wKMxi= 1
4- برای هر دسته، مجدداً مرکز cj جدید به صورت زیر محاسبه میشود:
(3-5)cj= i=1nmcjǀxiw(xi)xii=1nmcjǀxiw(xi)
5- گام‌های 3 و 4 را تا همگرا شدن دستهها تکرار نمایید [31].
الگوریتم خوشهبندی به روش K-means [31]Select K points as the inintial centroids.repeat From K clusters by assigning all points to the closest centoid. Recompute the centroid of each cluster.until the centroids don't change
3-2-5-1-1- مزایای استفاده از الگوریتم خوشهبندی K-Means
در صورت زیاد بودن تعداد متغیرها، این الگوریتم نسبت به روش سلسلهمراتبی دارای سرعت محاسبات بالاتر است (در صورتی که K کوچک باشد).
الگوریتم K-Means نسبت به روش سلسلهمراتبی خوشههای کمتری تولید می‌نماید.
3-2-5-1-2- محدودیت‌های الگوریتم K-Means
K-Means زمانی که خوشه‌ها از لحاظ اندازه و چگالی متفاوت و اشکال غیر کروی داشته باشند محدودیتهایی خواهد داشت. همچنین این الگوریتم زمانی که دادهها حاوی مقادیر پرت باشند با مشکل مواجه خواهد شد.
علي‌رغم اينکه خاتمه پذیری الگوريتم بالا تضمين شده است ولي جواب نهايي آن واحد نبوده و همواره جوابي بهينه نیست. به طور کلي روش ساده بالا داراي مشکلات زير است:
جواب نهايي به انتخاب خوشه‌هاي اوليه وابستگي دارد.
روالي مشخص براي محاسبه اولیه مراکز خوشه‌ها وجود ندارد.
اگر در تکراري از الگوريتم تعداد دادههاي متعلق به خوشه‌اي صفر شد راهي براي تغيير و بهبود ادامه روش وجود ندارد.
در اين روش فرض شده است که تعداد خوشه‌ها از ابتدا مشخص است. اما معمولاً در کاربردهاي زيادي تعداد خوشه‌ها مشخص نیست [31].
3-2-5-2- خوشهبندی به روش WK-Means
در خوشهبندی با الگوریتم K-Means ارزش همه دادهها یکسان در نظر گرفته میشود که این مسئله یکی از نقاط ضعف این الگوریتم شناخته میشود. در روش WK-Means سعی شده با وزن دهی متغیرها بر اساس اهمیت نسبی آنها این ضعف را تعدیل نماید.
در الگوریتم W-K-Means به دادهها بر اساس اهمیت وزن داده میشود یعنی اگر داده‌هایمان x1،x2،…،xn باشد به ترتیب وزن w1،w2،…،wn میگیرند. این رویکرد میتواند تا حد زیادی با مقدار اولیه وزن، کیفیت خوشهای را تحت تأثیر قرار دهد. پس از آماده سازی دادهها، وزن دادهها برای ارائه اطلاعات بیشتر برای الگوریتم W-K-Means در جهت بهبود دقت طراحی میشوند.
مراحل انجام کار در این الگوریتم مانند الگوریتم K-Means است. تنها تفاوت آنها در محاسبه میانگین میباشد. در الگوریتم W-K-Means میانگین به صورت زیر محاسبه میگردد.
(3-6)x = 1kWi*Xin
که در آن Xi داده‌های ورودی، K، تعداد خوشه‌ها و Wi وزن هر یک از این دادهها میباشد. با این فرمول مرکز خوشه‌ها مشخص میشود و دادهها در خوشهای قرار میگیرد که کمتری فاصله را تا مرکز خوشه‌ها دارد، بقیه مراحل مانند الگوریتم K-Means تکرار میشود.
الگوریتم خوشهبندی به روش w-K-meansCompute Xi* Wi for all pointsSelect K points as the inintial centroids.repeat From K clusters by assigning all points to the closest centroid Recompute the centroid of each cluster (the new centroid is calculated by the formula: x = 1kWi*Xin).until the centroids don't change
3-2-5-3- خوشهبندی به روش A-H-Means
خوشهبندی K-Means يك روش ساده و سريع است كه به دليل پیادهسازی آسان و تعداد تكرار كم، عموماً مورد استفاده قرار میگیرد. الگوريتم K-Means در تلاش براي يافتن مراكز خوشههای (c1,c2,...,ck) به گونه‌ای عمل میکند كه مجموع مربعات فاصله‌ی هر نقطه xi تا نزدیکترین مركز خوشه (cj) كمترين شود. وابستگي كارايي K-Means روي مقداردهي اوليه مراكز، يك مشكل اصلي اين الگوريتم میباشد. در اين الگوريتم ارتباطی قوي بين نقاط داده و نزدیکترین مراكز خوشه برقرار شده و باعث میشود مراكز خوشه‌ها از محدوده‌ی تراكم محلي دادهها خارج نشوند. روش K-harmonic means اين مشكل عمده را از طريق جايگزيني كمترين فاصله يك نقطه از مراكز كه در K-Means استفاده میشود با ميانگين هارمونيك فاصله هر نقطه تا تمامي مراكز برطرف میکند. ميانگين هارمونيك يك امتياز مناسبي را به هر نقطه‌ی داده بر اساس نزديكي آن به هر مركز می‌دهد كه اين امر را به عنوان يك ويژگي ميانگين هارمونيك در نظر میگیرند.
روش A-H-Means، یک روش میانگین‌گیری بسط یافته است که به ازای مقادیر مختلف Q سایر روشهای محاسبه میانگین را نیز نتیجه خواهد داد.
نمادهاي زير براي فرمولبندی الگوريتم A-harmonic means استفاده میشود:
X= {x1,x2,...,xn}: دادهای که باید خوشهبندی شود.
C={c1,c2,...,cK}: مجموعه مراکز خوشه‌ها.
Q: متغیر توان که میتواند از بازه R انتخاب میشود.
الگوریتم پایه برای خوشهبندی A--harmonic means مشابه الگوریتم K-Means میباشد با این تفاوت که در این روش میانگین توسط فرمول ----- محاسبه میگردد.
(3-7)AHMX,C= i=1n xi-cjQ+1jϵ{1…k} i=1n xi-cjQjϵ{1…k}
در فرمول بالا در صورتی که Q=0 فرمول i=1n xi-cj jϵ{1…k}n که همان میانگین حسابی است حاصل خواهد شد و اگر Q=-1 میانگین هارمونیک را نتیجه خواهد داد.
الگوریتم خوشهبندی به روش A-H-meansSelect K points as the inintial centroids.for Q=-1 to 5repeat From K clusters by assigning all points to the closest centroid Recompute the centroid of each cluster (the new centroid is calculated by the formula: AHMX,C= i=1n xi-cjQ+1jϵ{1…k} i=1n xi-cjQjϵ{1…k}).until the centroids don't change
3-2-6- ارزیابی خوشه‌ها به روش مجموع مربع خطاها و انتخاب بهترین روش
پس از اینکه خوشهبندی با روشهای K-Means، WK-Means و A-H-Means انجام گرفت لازم است نتایج حاصل از هر یک از سه روش مقایسه گردد تا از نتایج بهترین الگوریتم استفاده گردد. هدف از اعتبارسنجی خوشه‌ها یافتن خوشههایی ست که بهترین تناسب را با داده‌های مورد نظر داشته باشند.
براي سنجش همگنی درون خوشهای و ناهمگنی بین خوشهای تعاریف متفاوتی بر اساس فاصله اعضا وجود دارد که در زیر به تفصیل بررسی گردیده است. سپس با در نظر گرفتن این تعاریف معیارهایی براي سنجش کیفیت خوشهبندی تعریف شده است.
یکی از رایجترین معیارهای ارزیابی خوشه‌ها مجموع مربع خطاهاست. روش محاسبه SSE به صورت زیر است:
برای هر نقطه خطا فاصله آن تا نزدیکترین خوشه است.
برای محاسبه SSE، مربع فاصله هر نقطه را حساب کرده و باهم جمع مینماییم.
(3-8)SSE= i=1KxϵCij=1n(mji-xj)2
نمادهای بکار رفته در رابطه 3-8 به شرح زیر میباشد:
x: یک نقطه در خوشه Ci
xj: jاُمین ویژگی x
mij: jاُمین ویژگی نقطه نماینده خوشه Ci
میتوان نشان داد که mij، با مرکز خوشه متناسب است.
از بین دو خوشه، خوشهای که SSE کمتری دارد انتخاب میشود. یک راه ساده جهت کاهش SSE، افزایش تعداد خوشه‌ها (K) است. که البته خوشهبندی خوب خوشه‌بندی‌ای است که با K کوچک‌تر بتواند SSE کمتری از یک خوشهبندی ضعیف با K بالاتر داشته باشد [31].
کیفیت خوشه‌ها و میزان خطای خوشهبندی در این روش تا حد زیادی به انتخاب مراکز اولیه وابسته است.
در مورد انتخاب مراکز اولیه مشکلاتی وجود دارد. در صورتی که K خوشه واقعی داشته باشیم شانس انتخاب یک مرکز از هر خوشه بسیار کم است و هر چقدر K بزرگتر باشد این احتمال کمتر است. اگر خوشه‌ها اندازههای مساوی و برابر n داشته باشند، در این صورت این احتمال از فرمول –3-9 محاسبه خواهد شد:
(3-9)p=number of ways to select one centroid from each clusternumber of ways to select K centroids=K!nKKnK=K!KK
برای مثال اگر K=10 باشد این احتمال برابر است با: 10!1010=0.00036. گاهی اوقات نقاط مرکز خود را در مسیر درست اصلاح میکنند و گاهی خیر.
پیشنهاداتی برای حل مشکل مراکز اولیه:
اجرای چند باره: این روش گاهی اوقات میتواند نتیجه‌بخش باشد اما همیشه این‌طور نخواهد بود.
نمونهبرداری و استفاده از خوشهبندی سلسلهمراتبی برای تشخیص نقاط مرکزی.
انتخاب بیش از K مرکز اولیه در بازهی گسترده‌تر و سپس انتخاب بهترین نقاط از بین نقاط انتخابی.
انجام عملیات پس پردازش [31]
3-2-7- به‌کارگیری دانش حاصل از خوشهبندی
پس از بخش‌بندی مشتریان میتوان با بررسی خوشههای حاصل و با کمک نظرات خبرگان بانک و با استفاده از پروفایل مشتریان بانک مهر اقتصاد میتوان به مطالعه و استخراج دانش این خوشه‌ها پرداخت و یا به رتبهبندی خوشههای مشتریان اقدام نمود. دانش حاصل از این مرحله راهنمای بسیار خوبی جهت اتخاذ راهبُردهای بهینه متناسب با هر خوشه برای مدیریت هر چه بهتر ارتباط با مشتریان خواهد بود.
به طور معمول مشتریانی که در یک خوشه قرار میگیرند دارای ویژگی‌های رفتاری مشابهی خواهند بود.
3-3- روشهای جمع آوری اطلاعات
منابع مورد استفاده در این تحقیق شامل بررسي تحقيقات و پاياننامههاي موجود و مرتبط با موضوع، مطالعه مقالات و كتب فارسي و انگليسي، جستجوي موضوعات مرتبط در پايگاههاي داده علمي و اينترنت میباشد. در اين تحقيق براي جمع آوری دادهها از دادههاي موجود در پايگاه اطلاعاتي بانك مهر اقتصاد استفاده شده است.
3-4- جمع‌بندی مطالب فصل
در این فصل چارچوب کلی طرح پیشنهادی مطرح شده و جزئیات گامها و روشهای مورد استفاده در هر گام مورد بررسی قرار گرفت. برای مثال روشهای K-Means، WK-Means و Anti Harmonic Means جهت خوشهبندی دادهها انتخاب شده و معیار SSE به عنوان ملاکی جهت مقایسه نتایج حاصل از اجرای هر یک از این الگوریتمها بر روی مجموعه داده‌های مورد نظر خواهد استفاده خواهد شد. هر چه میزان SSE خوشه‌ها کمتر باشد نشان‌دهنده عملکرد بهتر الگوریتم خواهد بود.
در نهایت، دانش موجود در خوشههای حاصل از بهترین روش انتخابی، در مسیر مطالعه و اخذ تصمیماتی جهت مدیریت هر چه بهتر ارتباط با مشتری، به کمک مدیران سازمان خواهد شتافت.
منابع و مآخذ
[1] شهرابی، جمال، هداوندی، اسماعیل، "دادهکاوی در صنعت بانکداری"، انتشارات جهاد دانشگاهی واحد صنعتی امیرکبیر، 1390، صص 25-70.
[2] مینائی، بهروز، نصیری، مهدی، حسنی، دانیال، شناسا، ابراهیم، آموزش گام به گام دادهکاوی با Clementine، انتشارات گروه مهندسی-پژوهشی ساحر، چاپ اول، پاییز 1390.
[3] الهی، شعبان، حیدری، بهمن، مدیریت ارتباط با مشتری، تهران، شرکت چاپ و نشر بازرگانی، 1387.
[4] افراز، ع.، مدیریت دانش (مفاهیم، مدلها، اندازهگیری و پیادهسازی)، چاپ اول، انتشارات دانشگاه صنعتی امیرکبیر، 1384.
[5] تقوی، مهدی، اقتصاد کلان، انتشارات دانشگاه پیام نور، صص 176-185.
[6] علی احمدی، علیرضا. ابراهیمی، مهدی. سلیمانی ملکان، حجت، برنامه ریزی استراتژیک فناوری اطلاعات و ارتباطات، انتشارات تولید دانش، تهران، 1383.
[7] شامی زنجانی، مهدی، نجفلو، فاطمه، ارائه چارچوبی مفهومی برای نوعشناسی دانش مشتری: یک مطالعه موردی، مدیریت فناوری اطلاعات، دوره 3، شماره 9، صص 163-189، زمستان 1390.
[8] مؤمنی، حمیدرضا و همکاران، "استفاده از تکنیک دادهکاوی در مدیریت ارتباط با مشتریان در نظام بانکی"، کنفرانس ملی فناوری اطلاعات و جهاد اقتصادی، دانشگاه سلمان فارسی، کازرون، اسفند 1390.
[9] برزین پور، فرناز، اخوان، پیمان، زارع مقدم، زینب، ارائه چارچوب مفهومی عوامل و مؤلفههای مدیریت دانش مشتری در بانک ملی، نشریه علمی پژوهشی مدیریت فردا، سال هشتم، شماره 24، پاییز 1389.
[10] شهرکی، علیرضا، چهکندی، محسن، ملاشاهی، علیرضا، بررسی سیستم مدیریت ارتباط با مشتری در نظام بانکی ایران، 2010.
[11] حسینی بامکان ، سید مجتبی، پایان نامه کارشناسی ارشد، بکارگیری تکنیکهای داده کاوی جهت بهبود مدیریت ارتباط با مشتری در صنعت بانکداری (مطالعه موردی: بانک پارسیان)، استاد راهنما، دکتر محمدرضا تقوا، دانشکده حسابداری و مدیریت، دانشگاه علامه طباطبایی، 1388.
[12] ترابی، مصطفی، عوامل مؤثر بر بكارگيري خدمات موبايل بانك توسط مشتريان مورد مطالعه بانک تجارت، پایان نامه کارشناسی ارشد، به راهنمای، دکتر تقوی فرد، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبائی، 1378.
[13] ناوی، مانیا، شناسايي مولفه هاي تشكيل دهنده بار با استفاده از تكنيك داده كاوي، پایان نامه کارشناسی ارشد، استاد راهنما، دکتر محسن پارسا مقدم، دانشکده فنی و مهندسی، دانشگاه تربیت مدرس، 1387.
[14] حسین زاده، لیلا، دسته بند ي مشتر يان هدف در صنعت بيمه با استفاده از داده كاوي، پایان نامه کارشناسی ارشد، استاد راهنما، دکتر شعبان الهی، دانشکده انسانی، دانشگاه تربیت مدرس، 1386.
[15] جمالي فيروز آبادي، کامران، دارنده، احسان، ابراهيمي، سيد بابک، ارائه چارچوب مدیریت دانش مشتری (CKM) بر مبنای استقرار همزمان KM و CRM در سازمان، مجموعه مقالات مهندسی صنایع و نرمافزار، 1385.
[16] نوروزیان، م، کاربرد مدیریت دانش در بخش دولتی، مجله تدبیر، شماره 176، 1385.
[17] همایونی، سید مهدی، محتشمی، الهام، اسفندیاری، علیرضا، مدیریت دانش مشتری، کنفرانس بینالمللی مدیریت بازاریابی، شهریور 1385، صص 3-12.
[18] Bosjank,z. , "Credit users segmentation for improved customer relationship management in banking", Applied Computational Intelligence and Informatics (SACI), IEEE , 2011, pp. 379 - 384.
[19] Nie, Guangli, et al. "Credit card churn forecasting by logistic regression and decision tree." Expert Systems with Applications 38.12 (2011) : 15273-15285.
[20] Lin, Chiun-Sin, Gwo-Hshiung Tzeng, and Yang-Chieh Chin. "Combined rough set theory and flow network graph to predict customer churn in credit card accounts." Expert Systems with Applications 38.1 (2011) : 8-15.
[21] Madhoushi, Mehrdad and et al., "Survey of Customer Knowledge Management Impact on Customer Relationship Management: (Iranian study)", International Journal of Business and Social Science, Vol. 2, No. 20, November 2011.
[22] Lee, Byungtae and et al., "Empirical analysis of online auction fraud: Credit card phantom transactions", Expert Systems with Applications, vol 37, pp. 2991–2999, 2010.
[23] Hosseini, Seyed Mohammad Seyed, Anahita Maleki, and Mohammad Reza Gholamian. "Cluster analysis using data mining approach to develop CRM methodology to assess the customer loyalty." Expert Systems with Applications 37.7 (2010): pp. 5259-5264.
[24] Chen, Fei-Long and et al., "Combination of feature selection approaches with SVM in credit scoring", Expert Systems with Applications, vol 37, pp. 4902–4909, 2010.
[25] Ngai, Eric WT, Li Xiu, and D. C. K. Chau. "Application of data mining techniques in customer relationship management: A literature review and classification." Expert Systems with Applications 36.2 (2009): 2592-2602.
[26] Nisbet, Robert, John Fletcher Elder, and Gary Miner. Handbook of statistical analysis and data mining applications. Academic Press, 2009.
[27] Rezvani, Zeinab, New Product Development Based on Customer Knowledge Management, Master Thesis, Luleå University of Technology, pp.25-35, 2009.
[28] Xie, Yaya, et al. "Customer churn prediction using improved balanced random forests." Expert Systems with Applications 36.3 (2009) : 5445-5449.
[29] Abdou, Hussein et al., "Neural nets versus conventional techniques in credit scoring in Egyptian banking", Expert Systems with Applications, vol 35, pp. 1275–1292, 2008.
[30] Ranjan, Jayanthi, A Review of Data Mining Tools In Customer Relationship Management ,Journal of Knowledge Management Practice, Vol. 9, No. 1, March 2008.
[31] Han, Jiawei, and Micheline Kamber. Data mining: concepts and techniques. Morgan Kaufmann, 2006.
[32] Paquette, Scott. "Customer knowledge management." Encyclopedia of Knowledge Management (2006): 90.
[33] Rollins, Minna, and Aino Halinen. "Customer knowledge management competence: towards a theoretical framework." System Sciences, 2005. HICSS'05. Proceedings of the 38th Annual Hawaii International Conference on. IEEE, 2005.
[34] Feng, Tian-Xue, and Jin-Xin Tian. "Customer knowledge management and condition analysis of successful CKM implementation." Machine Learning and Cybernetics, 2005. Proceedings of 2005 International Conference on. Vol. 4. IEEE, 2005.
]35[ Hsieh, Nan-Chen. "An integrated data mining and behavioral scoring model for analyzing bank customers." Expert Systems with Applications 27.4 (2004): 623-633.
[36] Bose, Ranjit, and Vijayan Sugumaran. "Application of knowledge management technology in customer relationship management." Knowledge and process management 10.1 (2003): 3-17.
[37] Gebert, Henning, et al. "Knowledge-enabled customer relationship management: integrating customer relationship management and knowledge management concepts [1]." Journal of knowledge management 7.5 (2003): 107-123.
[38] Gibbert, Michael, Marius Leibold, and Gilbert Probst. "Five styles of customer knowledge management, and how smart companies use them to create value." European Management Journal 20, no 5 , pp 459-469 ,2002.
[39] Bose, Ranjit. "Customer relationship management: key components for IT success." industrial management & data systems 102.2 (2002): 89-97.
[40] Dyche, Jill. The CRM handbook: a business guide to customer relationship management. Addison-Wesley Professional, 2002.
[41] Garcia-Murillo, Martha, and Hala Annabi. "Customer knowledge management." Journal of the Operational Research Society , pp. 875-884 ,2002.
[42] Rowley J. Eight Enhancing Questions for Customer Knowledge Management in e-Business. Journal of Knowledge Management 2002; 6(5): 500-511.
[43] Rowley, Jennifer E. "Reflections on customer knowledge management in e-business." Qualitative Market Research: An International Journal 5.4 (2002): 268-280.
[44] Zack, Michael H. "Developing a knowledge strategy." The strategic management of intellectual capital and organizational knowledge (2002): 76-255.
[45] Bhatt, Ganesh D. "Knowledge management in organizations: examining the interaction between technologies, techniques, and people." Journal of knowledge management 5.1, pp. 68-75, 2001.
[46] Ling, Raymond, and David C. Yen. "Customer relationship management: An analysis framework and implementation strategies." Journal of Computer Information Systems 41.3 (2001): 82-97.
[47] Davenport, Thomas H., Jeanne G. Harris, and Ajay K. Kohli. "How do they know their customers so well?." MIT Sloan Management Review 42.2 (2001): 63-73.
[48] Davenport, Thomas H., and Laurence Prusak. Working knowledge: How organizations manage what they know. Harvard Business Press, 2000.
[49] Mårtensson, Maria. "A critical review of knowledge management as a management tool." Journal of knowledge management 4, no 3 (2000): 204-216.
[50] Wirth, Rüdiger, and Jochen Hipp. "CRISP-DM: Towards a standard process model for data mining." Proceedings of the 4th International Conference on the Practical Applications of Knowledge Discovery and Data Mining. 2000.
[51] uit Beijerse, Roelof P. "Questions in knowledge management: defining and conceptualizing a phenomenon." Journal of Knowledge Management 3.2 (1999): 94-110.
[52] Chen, Ming-Syan, Jiawei Han, and Philip S. Yu. "Data mining: an overview from a database perspective." Knowledge and data Engineering, IEEE Transactions on 8.6 (1996): 866-883.
[53] Fayyad, Usama and et al., "From Data Mining to Knowledge Discovery in Databases", AI Magazine, Vol. 17, Number 3, 1996.
[54] Szulanski, Gabriel. "Exploring internal stickiness: Impediments to the transfer of best practice within the firm." Strategic management journal 17 (1996): 27-43.
[55] Nonaka, Ikujiro, and Hirotaka Takeuchi. The knowledge-creating company: How Japanese companies create the dynamics of innovation. Oxford University Press, USA, 1995.
Abstract
Increasing level of competition between the markets, made the managemers and organization analysts to seek solutions that bring a competitive advantage for organizations. According to literature, using customer knowledge to adopt strategies, for customer satisfaction, direct organizations toward this goal. On the other, expand taking advantage of update technologies in information and communication, in particular, in banks cause to staying large amounts of data that analyze and make decisions based on their with conventional methods of reporting and statistical methods, is not possible. Data mining is a powerful and update tool that is proposed for data analysis to extract customer knowledge in this thesis.
The purpose of this study that titled as “Knowledge management of the Mehr Eghtesad bank customers using data mining techniques”, is segmentation of the customers of the Mehr Eghtesad bank, aimed to discover the similar behavioral characteristics, for help the managers in banks to facilitate the adoption of appropriate strategies for each cluster and consequently preserve, strengthen and develop relationships with customers and ultimately profitability for the bank. Raw data for this study were extracted from the database of Mehr Eghtesad bank.
Key words:
Customer Knowledge Management, Data Mining, Knowledge Discovery, Customers Clustering.
قیمت: 49٬000 تومان
قیمت: 49٬000 تومان
قیمت: 49٬000 تومان
قیمت: 49٬000 تومان
قیمت: 49٬000 تومان
قیمت: 49٬000 تومان
قیمت: 49٬000 تومان
قیمت: 49٬000 تومان
قیمت: 49٬000 تومان
قیمت: 49٬000 تومان
