فصلنامه علوم مدیریت ایران

فصلنامه علوم مدیریت ایران

طراحی مدل تخصیص خدمات بانکی

نوع مقاله : مقاله استخراج شده از پایان نامه

نویسندگان
نازنین کاشانی نیکو 1
مهناز ربیعی 2
کیامرث فتحی هفشجانی 3
1 دانشجوی دکتری، گروه مدیریت فناوری اطلاعات، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران
2 گروه اقتصاد، مرکز تحقیقات مدل‌سازی و بهینه سازی علوم مهندسی، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران
3 گروه مدیریت صنعتی، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران
100/jiams.2024.8845.7732
چکیده
امروزه نحوه‌ی تعامل سازمان‌ها و بخصوص بانک‌ها با مشتریان در قالب مدیریت ارتباط با مشتری (CRM) به‌طور قابل توجهی تغییر یافته است. بر این اساس هدف تحقیق حاضر تبیین مدل ارتباط با مشتریان با رویکرد سیستم‌های بیزین-توصیه‌گر فازی است. این تحقیق از نوع تحقیقات کاربردی و اکتشافی است. در این مطالعه اطلاعات 98604 مشتری بررسی شده است. در این تحقیق از 3 رویکرد داده‌کاوی، فازی، میانگین‌گیری بیزین غیر خطی بهره گرفته شده است. در این تحقیق اطلاعات 22 شاخص مرتبط با مشتریان وارد مدل‌های بیزین غیر خطی (BMA، TVP-DMA و TVP-DMS)، گردید. بر اساس میزان خطا، مدل BMA از بالاترین دقت برخوردار بود. بر اساس نتایج بدست آمده، متغیرهای موجودی حساب؛ مجموع مانده سپرده‌ها؛ مجموع مانده کل تسهیلات جاری و حجم تراکنش‌های مالی به عنوان متغیرهای غیر شکننده شناسایی شدند. در ادامه بر اساس نتایج، رویکرد C-MEANS نسبت به K-MEANS از دقت بالاتری برخوردار است. بر اساس رویکرد C-MEANS، 16 خوشه شناسایی گردیدند و ویژگی‌های هر 16 خوشه مورد تجزیه و تحلیل قرار گرفت. بر اساس نتایج اکثر متغیرها تأثیر مثبت و معناداری بر وضعیت هر خوشه دارند.
کلیدواژه‌ها
خدمات بانکی
مدیریت ارتباط با مشتریان
خوشه‌بندی فازی
داده‌کاوی
موضوعات

عنوان مقاله English

Designing a model for banking service allocation

نویسندگان English

Nazanin Kashani Kikoo 1
Mahnaz Rabiei 2
Kiamars Fathi Hafshejani 3
1 Ph.D. student, Department of Information Technology Management, South Tehran Branch, Islamic Azad University, Tehran, Iran
2 Department of Economics, Modeling and Optimization Research Center in Engineering Sciences, South Tehran Branch, Islamic Azad University, Tehran, Iran
3 Department of Industrial Management, South Tehran Branch, Islamic Azad University, Tehran, Iran
چکیده English

Nowadays, the organizations’, especially banks’ interaction with customers has changed significantly as customer relationship management (CRM). The current research explains a model for customer relationship with a Fuzzy-Bayesian recommender approach. It is an applied and exploratory research, which has reviewed the information of 98,604 customers. It has used 3 approaches of data mining, fuzzy, non-linear Bayesian averaging. The information of 22 indicators of customers was inputted into non-linear Bayesian models (BMA, TVP-DMA and TVP-DMS). The BMA model, regarding its error rate, had the highest accuracy. As the results show, account balance, total balance of deposits, total balance of current facilities and volume of financial transactions were the research’s non-fragile variables. C-MEANS approach is more accurate than K-MEANS. The C-MEANS approach could identify 16 clusters and analyze the characteristics of each of 16 clusters. Thus, most of the variables have a positive and significant effect on the status of each cluster.

کلیدواژه‌ها English

Gold banking services
customer relationship management
fuzzy clustering
data mining
1)      خاتمی فیروزآبادی, محمدعلی, تقوی فرد, محمد تقی, سجادی, سید خلیل, بامدادصوفی, جهانیار. (1397). مدل بهینه‌سازی چندهدفه تخصیص خدمت به مشتریان بانک با به‌کارگیری داده‌کاوی و شبیه‌سازی. مطالعات مدیریت کسب و کار هوشمند, 7(25), 5-40.
2)      سیفی, میثم, حیدری, زهرا, ابراهیمی, مریم. (1402). مدل‌سازی و شبیه‌سازی مدیریت الکترونیکی ارتباط با مشتریان با هدف مطالعه میزان وفاداری آن‌ها (مطالعه موردی: بانک تجارت). فصل‌نامه مطالعاتی در مدیریت بانکی و بانکداری اسلامی, 8(پاییز), 139-163.
3)      قبولی, ناصر, بافنده زنده, علیرضا, عالی, صمد. (1402). کشف دانش حاکم بر ویژگی‌های جمعیت‌شناختی مشتریان در انتخاب بانک‌ها با استفاده از قوانین انجمنی در داده کاوی. فصلنامه مهندسی مدیریت نوین, 9(3), 96-121.
4)     Mohammad Zoynul Abedin, Petr Hajek, Taimur Sharif, Md. Shahriare Satu, Md. Imran Khan, (2023), Modelling bank customer behaviour using feature engineering and classification techniques, Research in International Business and Finance, Volume 65, April 2023, 101913
5)     Abbasimehr, H., Shabani, M., 2019. A new methodology for customer behavior analysis using time series clustering: A case study on a bank’s customers. Kybernetes 50 (2), 221–242.
6)     Abedin, M.Z., Chi, G., Uddin, M.M., Satu, M.S., Khan, M.I., Hajek, P., 2020. Tax default prediction using feature transformation-based machine learning. IEEE Access 9, 19864–19881.
7)     Alam, N., Gao, J., Jones, S., 2021. Corporate failure prediction: An evaluation of deep learning vs discrete hazard models. J. Int. Final. Inst. Money 75, 101455. Amin, A., Al-Obeidat, F., Shah, B., Adnan, A., Loo, J., Anwar, S., 2019. Customer churn prediction in telecommunication industry using data certainty. J. Bus. Res. 94, 290–301.
8)     Aslam, F., Hunjra, A.I., Ftiti, Z., Louhichi, W., Shams, T., 2022. Insurance fraud detection: Evidence from artificial intelligence and machine learning. Res. Int. Bus. Finance 62, 101744.
9)     Bahnsen, A.C., Aouada, D., Stojanovic, A., Ottersten, B., 2016. Feature engineering strategies for credit card fraud detection. Expert Syst. Appl. 51, 134–142.
10)  Baumann, C., Burton, S., Elliott, G., 2007. Predicting consumer behavior in retail banking. J. Bus. Manag. 13 (1), 79–96.
11)  Berggrun, L., Salamanca, J., Díaz, J., Ospina, J.D., 2020. Profitability and money propagation in communities of bank clients: A visual analytics approach. Finance Res. Lett. 37, 101387.
12)  Charte, D., Charte, F., Herrera, F., 2022. Reducing data complexity using autoencoders with class-informed loss functions. IEEE Trans. Pattern Anal. Mach. Intell. http://dx.doi.org/10.1109/TPAMI.2021.3127698.
13)  Chen, C., Geng, L., Zhou, S., 2021. Design and implementation of bank CRM system based on decision tree algorithm. Neural Comput. Appl. 33, 8237–8247.
14)  Clerkin, N., Hanson, A., 2021. Debit card incentives and consumer behavior: evidence using natural experiment methods. J. Financ. Serv. Res. 60 (2), 135–155.
15)  De Caigny, A., Coussement, K., De Bock, K.W., Lessmann, S., 2020. Incorporating textual information in customer churn prediction models based on a convolutional neural network. Int. J. Forecast. 36 (4), 1563–1578.
16)  Fejza, V., Livoreka, R., Bajrami, H., 2017. Analyzing consumer behavior in banking sector of Kosovo. Eurasian J. Bus. Manag. 5 (4), 33–48.
17)  Ho, S.C., Wong, K.C., Yau, Y.K., Yip, C.K., 2019. A machine learning approach for predicting bank customer behavior in the banking industry. In: Machine Learning and Cognitive Science Applications in Cyber Security. IGI Global, pp. 57–83.
18)  Jain, H., Yadav, G., Manoov, R., 2021. Churn prediction and retention in banking, telecom and IT sectors using machine learning techniques. In: Advances in Machine Learning and Computational Intelligence. Springer, Singapore, pp. 137–156.
19)  Kalaivani, D., Sumathi, P., 2019. Factor based prediction model for customer behavior analysis. Int. J. Syst. Assur. Eng. Manag. 10 (4), 519–524.
20)  Keramati, A., Ghaneei, H., Mirmohammadi, S.M., 2016. Developing a prediction model for customer churn from electronic banking services using data mining. Financ. Innov. 2 (1), 1–13.
21)  Kinge, A., Oswal, Y., Khangal, T., Kulkarni, N., Jha, P., 2022. Comparative study on different classification models for customer churn problem. In: Machine Intelligence and Smart Systems. Springer, Singapore, pp. 153–164.
22)  Liu, Y., Yang, M., Wang, Y., Li, Y., Xiong, T., Li, A., 2022. Applying machine learning algorithms to predict default probability in the online credit market: Evidence from China. Int. Rev. Financ. Anal. 79, 101971.
23)  Long, W., Lu, Z., Cui, L., 2019. Deep learning-based feature engineering for stock price movement prediction. Knowl.-Based Syst. 164, 163–173.
24)  Mujica, L.E., Melendez, J., Colomer, J., 2002. Modeling the bank’s client behavior using case based reasoning and self-organizing map. (Accessed 20 December 2016).
فصلنامه علوم مدیریت ایران
دوره 19، شماره 75
پاییز 1403
صفحه 31-60