فناوری اطلاعات مدیریت دانش مشتریان بانک مهر اقتصاد با استفاده از تکنیکهای داده‌کاوی

2-2-4- مدیریت دانش چیست؟…………………… 17

2-2-5- استراتژی‌های مدیریت دانش…………………….. 18

2-2-5-1- استراتژی اجتماعی سازی (تبدیل دانش پنهان به پنهان)…….. 19

2-2-5- 2- استراتژی برونی سازی (پنهان به آشکار)…………………… 19

2-2-5- 3- استراتژی ترکیبسازی (آشکار به آشکار)…………………… 20

2-2-5- 4- استراتژی درونیسازی (آشکار به پنهان)…………………… 20

2-2-6-معایب عدم بهرهگیری از دانش در سازمان…………………… 20

2-2-7- اهداف مدیریت دانش……………………… 21

2-2-8- مدلهای مدیریت دانش……………………… 21

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 چالش‌ها……. 33

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

2-6- تاریخچه‌ای 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 حساب‌هایشان…………………… 38

2-7-4- دوره چهارم: یکپارچه‌سازی سیستم‌ها و مرتبط كردن مشتریان با تمامی عملیات بانكی….. 39

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

2-8- داده‌کاوی…………………… 40

2-8-1- مقایسه روش‌های آماری و داده‌کاوی……………………. 40

2-8-2- مفهوم داده‌کاوی……………………. 42

2-8-3- داده‌کاوی و کشف دانش……………………… 44

2-8-4- فرایند داده‌کاوی……………………. 45

2-8-5- معرفی روش‌های داده‌کاوی……………………. 51

2-8-5-1- دسته‌بندی……………………. 53

2-8-5-2- درخت تصمیم…………………… 53

2-8-5-3- شبکه‌های عصبی……………………. 55

2-8-5-4- پیش بینی……………………. 56

2-8-5-5- خوشه‌بندی……………………. 56

2-8-5-5- انواع خوشه‌بندی……………………. 57

2-8-5-5-2- معیارهای ارزیابی در خوشه‌بندی……………………. 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- نرم‌افزار داده‌کاوی……………………. 62

2-8-7- کاربردهای داده‌کاوی……………………. 63

2-8-7-1- داده‌کاوی در صنعت بانكداری……………………. 63

2-9- پیشینه تحقیق……………………. 65

2-9-1- کاربرد داده‌کاوی در بخش‌بندی و مدل‌سازی رفتاری مشتریان در صنعت بانکداری…… 66

2-9-2- کاربرد داده‌کاوی در ارزیابی اعتبار مشتریان…………………… 68

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

2-9-4- کاربرد داده‌کاوی در تحلیل روی‌گردانی مشتری……………………. 69

2-10- جمع‌بندی 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- آماده‌سازی و پیش‌پردازش داده‌ها………………….. 80

3-2-3-1- نرمال سازی داده‌ها………………….. 81

3-2-4- تعیین تعداد بهینه خوشه‌ها………………….. 81

3-2-5- خوشه‌بندی……………………. 82

3-2-5-1- انواع خوشه‌بندی……………………. 83

3-2-5-2- خوشه‌بندی به روش K-Means……………………

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

3-2-5-1-2- محدودیت‌های الگوریتم K-Means……………………

3-2-5-2- خوشه‌بندی به روش WK-Means……………………

3-2-5-3- خوشه‌بندی به روش A-H-Means……………………

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

3-2-7- به‌کارگیری دانش حاصل از خوشه‌بندی…………………… 90

3-3- روش‌های جمع آوری اطلاعات…………………….. 90

3-4- جمع‌بندی 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 آماده‌سازی و پیش‌پردازش داده‌ها …………………..96

4-4-3-گام تعیین تعداد بهینه خوشه‌ها………………….. 97

4-4-4- گام خوشه‌بندی داده‌ها …………………..97

4-4-4-1- خوشه‌بندی به روش K-Means……………………

4-4-4-2- خوشه‌بندی به روش WK-Means……………………

4-4-4-3- خوشه‌بندی به روش A-H-Means……………………

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

4-4-6-گام به‌کارگیری دانش حاصل از خوشه‌بندی……………………. 102

4-5- نتایج تحقیق……………………. 104

4-6- جمع‌بندی مطالب فصل……………………. 106

فصل پنجم…………………… 107

5-1- مقدمه…………………… 108

5-2- خلاصه تحقیق……………………. 108

5-3- نتیجه‌گیری……………………. 109

5-4- زمینه‌های پیشنهادی، راهکارها و پیشنهاد‌ات جهت پژوهش‌های 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 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.

برای دیدن جزییات بیشتر و دانلود پایان نامه اینجا کلیک کنیدبرای دیدن جزییات بیشتر و دانلود پایان نامه اینجا کلیک کنید

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.

فصل اول: مقدمه و کلیات تحقیق

1-1- مقدمه

در سالهای اخیر دانش^[1] 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^[2] 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^[3] 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^[4]، 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، 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

یک مطلب دیگر :

کنفرانس سونی در E3 2015 [ویدیوها افزوده شد]

خود اختصاص دادهاند.

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

در تعریفی دیگر مدیریت دانش فرایند كشف، كسب، توسعه و ایجاد، تسهیم، نگهداری، ارزیابی و به‌کارگیری 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 می‌پذیرد، تعریف شده است.

مدیریت ارتباط با مشتری^[5] 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.

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 نگاه‌داری 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 رقابت‌پذیری حمایت میكند [37] برای بهبود روابط با مشتری، خدمات‌رسانی 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 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^[6] کمیت‌های عددی یا خصیصه‌ای هستند که در نتیجه مشاهده یا آزمایش حاصل شده‌اند. داده‌های دسته‌بندی شده اطلاعات^[7] را تشکیل می‌دهند. اطلاعات از ترتیب، تركیب و شبكه شدن دانش را ایجاد مینماید. 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.

تعاریف متفاوتی از داده‌کاوی 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 داده‌های بسیار بزرگ و پیچیده.» داده‌کاوی یك متدولوژی بسیار قوی و با پتانسیل بالا می‌باشد كه به سازمان‌ها كمك می‌کند كه بر مهم‌ترین اطلاعات از مخزن داده‌های خود تمركز نمایند [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^[8] 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^[9] 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 مثال هایی از کاربرد ابزار داده‌کاوی در بانک ذکر کرده است.

موضوعات: بدون موضوع لینک ثابت

فرم در حال بارگذاری ...

فید نظر برای این مطلب