چکیده
صنعت بانکداری بسیار رقابتی بوده و این بازار فی نفسه در سالهای اخیر بسیار اشباع شده است. به همین دلیل، لازم است که همه مؤسسات بانکی از تمامی اطلاعات موجود برای دستیابی به نوعی از مزیت رقابتی استفاده کنند. در این مقاله ما نشان میدهیم که این امکان وجود دارد که با استفاده از ابزارهای تحلیلی و داده کاوی و بخصوص خوشه بندی (Kمیانگین)، بینش بیشتری در مورد مشتریان خدمات بانکی حاصل کنیم. بخصوص، نشان میدهیم که میتوانیم گروهی از مشتریان را که تمایل بیشتری به خرید وام مسکن دارند تعریف کنیم.
کلمات کلیدی: بانکداری، داده کاوی، خوشه بندی K میانگین، یادگیری ماشین
1. مقدمه
در بانکداری خرد، ارائه خدمات متناسب با اولویتهای هر مشتری به دلیل مسائلی که در رابطه با وقت و هزینه وجود دارد، امکانپذیر نیست. این بدین معنی است که وجود برخی از سطوح استانداردسازی لازم است. بده و بستانهای بین یک سرویس استانداردتر و یک سرویس انفرادیتر را میتوان با طبقه بندی مشتریان طبق ویژگیهای ذاتی چندبعدی شخصیت، آسانتر کرد (1). شرکتها در تلاشند تا مشتریان خود را با شناسایی گروههایی از افراد با ساختارهای مورد نیاز دسته بندی کنند، بطوریکه در حد امکان در هر گروه یکسان باشند ولی گروهها تفاوت قابل توجهی با یکدیگر داشته باشند (2). این دسته بندی را میتوان با فن آوریهای داده کاوی انجام داد. به لحاظ تعریف، داده کاوی به روند کشف الگوها در مجموعه دادههای بزرگ گفته میشود که شامل روشهایی است که یادگیری ماشین، آمار و سیستمهای پایگاه دادهها با هم تلاقی پیدا میکنند.
علاوه براین، هم اکنون لازم است که شناخت بهتری از مشتریان بانکی و نیازهای مالی آنها به دست آید. این امر مهمی است، زیرا یک بینش بهتر در مورد مشتری میتواند به عنوان ابزاری برای بخش بانکداری مورد استفاده قرار گیرد. بانکها با استفاده از این ابزار میتوانند با افزایش فروش، پایین آوردن هزینه و کاهش ریسکها، بهتر از پتانسیلهای تجاری خود استفاده کنند. میتوان با استفاده از ابزارهای آماری و ریاضی که میتوانند استفاده از یادگیری ماشین را اجرا کنند، به بینش هوشمندانهای در خصوص رفتار مشتریان بخشها و پورتفولیوهای مختلف، دست پیدا کرد.
ما میتوانیم ویژگیهای مختلف این مقاله را بصورت زیر خلاصه کنیم:
- تجزیه و تحلیل دادههای بانکی در زمان واقعی به منظور ارائه شناخت بهتر از مشتریان و نیازهای مالی آنها
- تجزیه و تحلیل پتانسیل تجاری این رویکرد
- مطرح کردن یک برنامه توسعه برای آینده
مفاهیم جدید زیادی وجود دارند که برای استفاده گسترده نه تنها در حوزههای دانشگاهی، بلکه همچنین در صنعت ارائه میشوند. مفاهیمی مانند یادگیری عمیق و یادگیری ماشین، و علم دادهها به دلیل افزایش تقاضا از جانب مشتری به یک امر ضروری در صنایع مدرن تبدیل شدهاند. ما در این مقاله، اثبات مفهوم “مورد کاربرد یادگیری ماشین در زمان واقعی” را با استفاده از دادههای واقعی ارائه میدهیم.
Abstract
Banking industry is very competitive and the market itself has become very saturated in the recent years. Because of this, it is vital for every banking institution to use all available information in order to gain some sort of competitive advantage. In this paper we will demonstrate that it is possible to gain more insight about banking service clients by using data mining and analysis tools, more specifically by using K-Means clustering. Specifically, we will demonstrate that we can define a group of customers that are more prone to purchase housing loan.
- چکیده
- کلمات کلیدی
- مقدمه
- جمع آوری دادهها
- انتخاب متغیر
- خوشه بندی دادهها
- پیش پردازش
- تعریف تعداد خوشهها
- C. تعریف مرکز ثقل
- نتایج
- نتایج
I. Introduction
II. Data Collection
III. Variable Selection
IV. Data Clusterization
V. Results
VI. Conclusion
نتایج
مقالات متعددی مانند (7)، (8) بر مدلسازی رفتار مشتری با استفاده از تقسیم بندی، تمرکز دارند. در
(7)، دادههای داد و ستدهای تلفنی بانک مورد تجزیه و تحلیل قرار گرفت و روش طبقه بندی به عنوان یک کار پیش پردازش برای ایجاد مجموع دادههای آموزشی کم نمونه برداری شده مورد استفاده قرار گرفت که پس از آن به عنوان ورودی برای تکنیکهای مختلف مدلسازی بکار برده شد. از سوی دیگر، مقاله (8) مدل پاسخ مشتری را نشان میدهد که با پیش بینیهای تصادفی و الگوریتم کم نمونه برداری که اطلاعات جمعیت شناختی مشتری، جزئیات تماس و دادههای اجتماعی – اقتصادی آنها را مورد تحلیل قرار میدهد، تأیید شده است.
ما در این مقاله راه حلی را ارائه میدهیم که میتواند دانش نظری تجزیه و تحلیل و مدلسازی دادهها و یک مسئله زندگی واقعی را از صنعت بانکداری با هم ترکیب کند. نتایجی که به دست آورده شدند میتوانند با کاهش هزینهها در بخش بازاریابی سودمند باشند. علاوه بر این، میتوان از نتایج ارائه شده برای افزایش بازدهی در زمان تماس با مشتریان استفاده کرد. به عبارت دیگر، نسبت تعداد پاسخهای مثبت به تعداد تماسهای ایجاد شده توسط مشتریان میتواند بطور قابل توجهی افزایش پیدا کند.
همچنین، باید توجه داشته باشیم که نتایج ایجاد شده از طریق تقسیم بندی را میتوان همراه با سایر روشهای ارزیابی یا هدفگیری مشتری مورد استفاده قرار داد (برای مثال (9) (1)) و از این رو حتی میتوان نتایج بهتری را ارائه داد. این مقاله همچنین میتواند به عنوان نقطه شروعی برای کارهای بعدی بر اساس برخی از روشهای مدلسازی دیگر و همچنین مجموعه دادههای متغیر ورودی افزوده شده باشد.
نقد و بررسیها
هیچ دیدگاهی برای این محصول نوشته نشده است.