2-3- مدیریت دانش مشتری……………………. 23

2-3-1- انواع دانش مشتری……………………. 24

2-3-2- مدل مدیریت دانش مشتری……………………. 28

2-4- مدیریت ارتباط با مشتری……………………. 29

2-4-1- مدیریت ارتباط مشتریان در نظام بانکی……………………. 32

2-4-2- مدیریت ارتباط با مشتری: اهداف، مزایا و چالش ها……. 33

2-5- مقایسه مفاهیم CKM و KM و CRM…………………….

2-6- تاریخچه ای از بانک و بانکداری……………………. 37

2-7- سیر تحول فناوری اطلاعات در صنعت بانكداری…….. 38

2-7-1 دوره اول: اتوماسیون پشت باجه…………………… 38

2-7-2- دوره دوم: اتوماسیون جلوی باجه…………………… 38

2-7-3- دوره سوم: اتصال مشتریان به حساب هایشان…………………… 38

2-7-4- دوره چهارم: یکپارچه سازی سیستم ها و مرتبط كردن مشتریان با تمامی عملیات بانكی….. 39

2-7-5- بانكداری الكترونیك…………………….. 39

2-8- داده کاوی…………………… 40

2-8-1- مقایسه روش های آماری و داده کاوی……………………. 40

2-8-2- مفهوم داده کاوی……………………. 42

2-8-3- داده کاوی و کشف دانش……………………… 44

2-8-4- فرایند داده کاوی……………………. 45

2-8-5- معرفی روش های داده کاوی……………………. 51

2-8-5-1- دسته بندی……………………. 53

2-8-5-2- درخت تصمیم…………………… 53

2-8-5-3- شبکه های عصبی……………………. 55

2-8-5-4- پیش بینی……………………. 56

2-8-5-5- خوشه بندی……………………. 56

2-8-5-5- انواع خوشه بندی……………………. 57

2-8-5-5-2- معیارهای ارزیابی در خوشه بندی……………………. 59

2-8-5-6- تحلیل انحراف…………………….. 60

2-8-5-7- قواعد وابستگی (انجمنی)…………………… 61

2-8-5-8- تحلیل توالی……………………. 61

2-8-6- نرم افزار داده کاوی……………………. 62

2-8-7- کاربردهای داده کاوی……………………. 63

2-8-7-1- داده کاوی در صنعت بانكداری……………………. 63

2-9- پیشینه تحقیق……………………. 65

2-9-1- کاربرد داده کاوی در بخش بندی و مدل سازی رفتاری مشتریان در صنعت بانکداری…… 66

2-9-2- کاربرد داده کاوی در ارزیابی اعتبار مشتریان…………………… 68

2-9-3- کاربرد داده کاوی در زمینه کشف تقلب…………………….. 69

2-9-4- کاربرد داده کاوی در تحلیل روی گردانی مشتری……………………. 69

2-10- جمع بندی مطالب فصل……………………. 74

فصل سوم…………………… 76

3-1- مقدمه…………………… 77

3-2- روش پیشنهادی……………………. 77

3-2-1- چارچوب تحقیق……………………. 77

3-2-2- انتخاب متغیرها…………………..79

3-2-3- آماده سازی و پیش پردازش داده ها………………….. 80

3-2-3-1- نرمال سازی داده ها………………….. 81

3-2-4- تعیین تعداد بهینه خوشه ها………………….. 81

3-2-5- خوشه بندی……………………. 82

3-2-5-1- انواع خوشه بندی……………………. 83

3-2-5-2- خوشه بندی به روش K-Means……………………

3-2-5-1-1- مزایای استفاده از الگوریتم خوشه بندی K-Means……………………

3-2-5-1-2- محدودیت های الگوریتم K-Means……………………

پایان نامه و مقاله

3-2-5-2- خوشه بندی به روش WK-Means……………………

3-2-5-3- خوشه بندی به روش A-H-Means……………………

3-2-6- ارزیابی خوشه ها به روش مجموع مربع خطاها و انتخاب بهترین روش…… 88

3-2-7- به کارگیری دانش حاصل از خوشه بندی…………………… 90

3-3- روش های جمع آوری اطلاعات…………………….. 90

3-4- جمع بندی مطالب فصل……………………. 90

فصل چهارم…………………… 92

4-1- مقدمه…………………… 93

4-2- معرفی بانک مهر اقتصاد…………………… 93

4-3- موضوع و فعالیت بانک…………………….. 94

4-4- محاسبات تحقیق……………………. 94

4-4-1- گام انتخاب و جمع آوری متغیرهای ورودی……………………. 95

4-4-2- گام آماده سازی و پیش پردازش داده ها …………………..96

4-4-3-گام تعیین تعداد بهینه خوشه ها………………….. 97

4-4-4- گام خوشه بندی داده ها …………………..97

4-4-4-1- خوشه بندی به روش K-Means……………………

4-4-4-2- خوشه بندی به روش WK-Means……………………

4-4-4-3- خوشه بندی به روش A-H-Means……………………

4-4-5- ارزیابی خوشه ها به روش مجموع مربع خطاها و انتخاب بهترین روش…… 101

4-4-6-گام به کارگیری دانش حاصل از خوشه بندی……………………. 102

4-5- نتایج تحقیق……………………. 104

4-6- جمع بندی مطالب فصل……………………. 106

فصل پنجم…………………… 107

5-1- مقدمه…………………… 108

5-2- خلاصه تحقیق……………………. 108

5-3- نتیجه گیری……………………. 109

5-4- زمینه های پیشنهادی، راهکارها و پیشنهاد ات جهت پژوهش های آتی…… 110

منابع و مآخذ…………………… 126

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 استراتژی های 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 داده کاوی»، بخش بندی مشتریان بانک مهر اقتصاد، باهدف کشف ویژگی های رفتاری مشابه، برای کمک به مدیران این بانک جهت تسهیل اتخاذ استراتژی های متناسب با هر بخش و در نتیجه حفظ، تقویت و یا توسعه ارتباط با مشتریان و نهایتاً سودآوری برای این بانک می­­باشد. داده های خام مورد نیاز جهت این مطالعه از پایگاه داده های بانک مهر اقتصاد استخراج شده است.

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 یك دارایی 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 روش های داده کاوی زمینه بسیار خوبی را جهت استفاده مفید از گنجینه گران بهای 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 به کارگیری 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، سیستم های 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 داده ها گشته است. از آنجا که این داده ها اغلب حجیم و وسیع می­باشند، معمولاً به صورت خام قابل استفاده نیستند، بلکه دانش موجود در آن­ها باید استخراج گردد. با این وجود که ارزش این داده ها بر کسی پوشیده نیست، حجم بسیار بالای داده های ارزشمند موجود، تحلیل و بهره­گیری از آن­ها را به امری چالش برانگیز مبدل ساخته است. چرا که تحلیل به واسطه روش های گزارش گیری سنتی در این مقیاس امکان­پذیر نیست و روش های آماری موجود نیز از ظرفیت کافی جهت تحلیل این داده ها 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 به کارگیری روش های نوین تحلیل داده ها جهت حصول دانش، نظیر روش داده کاوی 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 الگوریتم های داده کاوی خواهد بود. در ادامه از این دانش به عنوان راهنما در مسیر اتخاذ استراتژی های سازمان، بهره ­گیری می­شود.

1-2- تعریف 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.

مدیریت دانش، كسب دانش درست، برای افراد مناسب، در زمان صحیح و مکان مناسب است، به گونه ای که آنان بتوانند برای دستیابی به هدف های سازمان، بهترین استفاده را از دانش ببرند.

در تعریفی دیگر مدیریت دانش فرایند كشف، كسب، توسعه و ایجاد، تسهیم، نگهداری، ارزیابی و به کارگیری دانش مناسب در زمان مناسب توسط فرد مناسب در سازمان، که از طریق ایجاد پیوند مناسب بین منابع انسانی، فناوری اطلاعات و ایجاد ساختاری مناسب برای دستیابی به اهداف سازمانی صورت می پذیرد، 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 روش های 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.

مدیریت ارتباط با مشتری در برگیرنده مجموعه­ای از فرایندهاست که سازمان­ها را قادر می­سازد تا از استراتژی­های كسب­وكار در جهت ایجاد روابط بلندمدت و سودآور با مشتریان خاص پشتیبانی نمایند [46].

در حقیقت CRM یك فناوری پیشرفته در جهت دستیابی به قله­های اطلاعات مشتری است [G] و شركت­ها از آن به عنوان ابزاری در جهت افزایش رضایتمندی مشتری استفاده می­كنند. مدیریت ارتباط با مشتری به عنوان فعالیتی جهت گسترش و نگاه داری مشتریان سازمان­ها به طور گسترده­ای مورد توجه قرار گرفته است و ابزارهای آن افزایش رضایت مشتری و وفاداری اوست. همچنین مدیریت دانش KM همچون مدیریت روابط با مشتری بر جمع آوری منابعی تأكید دارد كه از فعالیت­های تجاری در جهت رسیدن به توانایی رقابت پذیری حمایت می­كند [37] برای بهبود روابط با مشتری، خدمات رسانی به روشی كه مورد دلخواه اوست، ضروری است. از این رو به مدیریت دانش مشتری احتیاج است [17].

امروزه حجم بالای پایگاه­های داده و پراکندگی و عدم به کارگیری راهکارهای مناسب جهت تحلیل این داده ها 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 آن ها 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 داده ها و دشواری استفاده از این حجم وسیع، معمولاً امکان استفاده از این داده ها به صورت خام وجود ندارد، بلکه دانش موجود در آن­ها باید استخراج گردد. همچنین تحلیل این داده ها به واسطه روش های گزارش گیری سنتی در این مقیاس امکان­پذیر نیست و روش های آماری موجود نیز از ظرفیت کافی جهت تحلیل این داده ها برخوردار نمی­باشند. داده کاوی راهکاری است که با غلبه بر این محدودیت، امکان انجام مطالعاتی جامع­تر با نتایج دقیق­تر و درصد خطای پایین­تر را ممکن سازد.

داده ها کمیت های عددی یا خصیصه ای هستند که در نتیجه مشاهده یا آزمایش حاصل شده اند. داده های دسته بندی شده اطلاعات را تشکیل می دهند. اطلاعات از ترتیب، تركیب و شبكه شدن دانش را ایجاد می­نماید. دانش، اطلاعات سازمان یافته، تحلیل یافته و یا تلخیص شده برای افزایش درک، آگاهی یا تشخیص می باشد.

داده کاوی ابزاری بروز، قدرتمند و وسیع است که می­تواند جهت تحلیل حجم عظیم داده بکار گرفته شود. داده کاوی به بهره­گیری از ابزارهای تجزیه و تحلیل داده ها به منظور کشف الگوها و روابط معتبری که تا کنون ناشناخته بوده اند اطلاق می شود. این ابزار با کاوش در بین داده های موجود و استخراج الگوها و روابط موجود در پایگاه داده ها، موجب تسهیل مطالعات و اتخاذ تصمیمات خواهد شد. همچنین به کمک امکانات موجود در این ابزار می­توان حجم داده ها را کاهش داد و داده های اضافی را حذف نمود. استفاده از روش های مختلف داده کاوی می­تواند جهت کشف دانش و الگوهای موجود در حجم عظیم داده ها (برای مثال به طور خاص داده های جمعیت شناختی مشتریان بانک نظیر جنسیت، سن، وضعیت تأهل، تحصیلات، شغل و غیره، یا داده های 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.

تعاریف متفاوتی از داده کاوی وجود دارد ولی تعریفی كه در اكثر مراجع به اشتراك ذكر شده عبارت است از «استخراج اطلاعات و دانش و كشف الگوهای پنهان از پایگاه داده های بسیار بزرگ و پیچیده.» داده کاوی یك متدولوژی بسیار قوی و با پتانسیل بالا می باشد كه به سازمان ها كمك می کند كه بر مهم ترین اطلاعات از مخزن داده های خود تمركز نمایند [52].

داده کاوی را می­توان به عنوان ابزاری جهت کشف دانش از پایگاه­های داده تعریف نمود. داده کاوی یک گام در فرایند کشف دانش از پایگاه داده است که با استفاده از الگوریتم های کشف و تحلیل داده ها تعداد خاصی الگو یا مدل را از روی داده ها تولید می­کند.

یک الگو زمانی می­تواند به عنوان دانش تلقی شود که :

    1. به سادگی برای افراد قابل فهم باشد.
    1. اعتبار آن از یک حد آستانه­ای پایین­تر نباشد.
    1. دانش جدیدی متناسب با اهداف تعیین شده سازمان ارائه دهد.
    1. کاربردی باشد. [1]

امروزه کاربردهای مختلفی برای داده کاوی در صنعت بانکداری شناخته شده است.

شهرابی و همکاران در [1] کاربردهایی نظیر مدیریت ارتباط با مشتریان از طریق بخش بندی آن­ها و استخراج قواعد رفتاری آن­ها جهت هدایت فعالیت های بازاریابی بانک، مدل سازی 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، ارزیابیریسک اعتباریمشتریان متقاضی دریافت وام، محاسبه کارایی شعب و پیش­بینی سری­های زمانی مالی و … کشف الگوهای پنهان در داده های حاصل از تعاملات با مشتریان و تحلیل این الگوها را به عنوان مثال هایی از کاربرد ابزار داده کاوی 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 داده کاوی 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 داده کاوی 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 وام گیرنده 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 … دسته بندی 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 مدیریت دانش می­توان عدم اولویت بندی و استفاده از انواع دانش، ایجاد شکاف دانشی در صورت جدا شدن كارشناسان از سازمان، احتكار دانش به جای ازدیاد آن، استفاده محدود از دانش­های موجود، نبود مستندات در خصوص تجربیات به دست آمده از پروژه ها و كارها و نبود ساختار مناسب برای تسهیم سریع دانش را نام برد.

1-3- ضرورت انجام تحقیق

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 استراتژی های 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 داده ها گشته که تحلیل و تصمیم­گیری بر اساس آن­ها با روش های معمول گزارش گیری و روش های آماری امکان­پذیر نمی­باشد. داده کاوی ابزار بروز و قدرتمندی است که در این پایان­نامه جهت تحلیل داده ها به جهت استخراج دانش مشتری پیشنهاد می­گردد.

امروزه تحقیقات فراوانی در زمینه داده کاوی و به کارگیری آن در صنعت بانکداری دنیا و کشورمان در حال انجام است. با این وجود زمینه های بالقوه بسیاری در به کارگیری این دانش در بانک­ها و مؤسسات مالی و اعتباری در کشور وجود دارد. بدیهی است پیش دستی 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 داده کاوی و کاربردهای آن در صنعت بانکداری ضروری به نظر می­رسد.

موضوعات: بدون موضوع  لینک ثابت


فرم در حال بارگذاری ...