مطالعات مدیریت کسب و کار هوشمند

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشیار، گروه مدیریت صنعتی، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبائی، تهران

2 عضو هیئت علمی دانشگاه علامه طباطبایی دانشکده مدیریت و حسابداری

3 دانشجوی دکتری، مدیریت صنعتی، دانشکده مدیریت و حسابداری،دانشگاه علامه طباطبائی، تهران

4 دانشیار گروه مدیریت صنعتی، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبائی، تهران.

چکیده

شناخت الگوهای رفتاری مشتریان، خوشه‌بندی و ارائه خدمت به آن‌ها یکی از مهم‌ترین مسائل بانک‌ها محسوب می‌شود. در این تحقیق پنج ویژگی هریک از مشتریان شامل آخرین زمان مراجعه، تعداد تراکنش، مبلغ سپرده‌گذاری، مبلغ وام‌ و مانده معوقات وام‌ها در طول یک سال فعالیت از پایگاه داده بانک استخراج شد و به کمک الگوریتم کا‌میانگین، مشتریان خوشه‌بندی شدند. سپس یک مدل چندهدفه تخصیص خدمات بانک به هرکدام از خوشه‌‌ها طراحی گردید. اهداف مدل طراحی شده افزایش میزان رضایت مشتریان، کاهش هزینه‌ها و کاهش ریسک تخصیص خدمات است. با توجه به آنکه مسئله دارای یک راه‌حل بهینه نبوده و هر یک از ویژگی‌های مشتری دارای یک تابع توزیع احتمالی‌اند، برای حل از شبیه‌سازی استفاده شد. جهت تعیین جواب نزدیک به بهینه از الگوریتم تبرید در ساخت جواب‌های همسایه استفاده شد و مدل شبیه‌سازی اجرا گردید. نتایج به‌دست‌آمده بهبود قابل‌توجهی نسبت به وضعیت فعلی را نشان داد. در این تحقیق از نرم‌افزارهای وکا و آر-استودیو برای داده‌کاوی و آرنا برای شبیه‌سازی و بهینه‌سازی استفاده شد.

کلیدواژه‌ها

عنوان مقاله [English]

A Multi-objective Model of Services Assignment to Bank Customers by Data Mining and Optimization via Simulation

نویسندگان [English]

  • Mohamammad Ali KhatamiFirouzabadi 1
  • MohammadTaghi TaghaviFard 2
  • Khalil Sajjadi 3
  • Jahanyar Bamdad Soufi 4

1 Associate Professor, Department of Management and Accounting, Allameh Tabataba’i University, Tehran

2 Associate Professor, Department of Management and Accounting, Allameh Tabataba’i University, Tehran

3  PhD student in Operational Research, Department of Management and Accounting, Allameh Tabataba’i University, Tehran

4 Associate Professor, Department of Management and Accounting, Allameh Tabataba’i University, Tehran

چکیده [English]

Knowing customer behavior patterns, clustering and providing proper services to the customers is one of the most important issues for the banks.In this research, 5 criteria of each customer, including Recency, Frequency, Monetary, Loan and Deferred, were extracted from a bank database during a fiscal year, and then customers were clustered using K-Means algorithm. Then, a multi-objective model of bank service allocation was designed for each of the clusters. The purpose of the designed model was to increase customer satisfaction, reduce costs, and reduce the risk of allocating services. Given the fact that the problem does not have an optimal solution, and each client feature has a probability distribution function, simulation was used to solve the models. To determine the optimal solution, Simulated Annealing algorithm was used to create neighboring solutions and consequently a simulation model was implemented. The results showed a significant improvement in the current situation. In this research, we used Weka and R-Studio software for data mining and Arena for simulation and optimization

کلیدواژه‌ها [English]

  • Clustering
  • Multi-Objective Assignment Model
  • Optimization
  • Simulation
اکبری اصل، رضا، سلیمانی بشلی، علی (1392).  بازاریابی خدمات بانکی، نشر اتحاد.
تقوی فرد، محمدتقی، خواجوند، سمانه و نجفی، اسماعیل (1391).  بخش‌بندی مشتریان بانک صادرات ایران با استفاده از داده‌کاوی. مطالعات مدیریت بهبود و تحول، شماره 21، ص 197-200.
سهرابی، بابک، رئیسی وانانی، ایمان و زارع میرک‌آباد، فائزه(1395). طراحی سیستم توصیه گر به‌منظور بهینه‌سازی و مدیریت تسهیلات بانکی بر مبنای الگوریتم‌های خوشه‌بندی و طبقه‌بندی تسهیلات، پژوهش‌های نوین در تصمیم‌گیری، دوره 1، شماره 2، ص 53-76.
شهرابی، جمال و ذوالقدر علی. (1394) داده‌کاوی پیشرفته، نشر سروش گیتا، تهران.
قربان‌پور، احمد، طلایی، قدرت‌اله، پناهی، مریم.(1394) خوشه‌بندی مشتریان شعب بانک رفاه با تلفیق الگوریتم‌های ژنتیک و سی‌میانگین در محیط فازی، پژوهش‌های مدیریت منابع انسانی، دوره 5، شماره 3، صفحه 153-168.
کرامتی، عباس و خالقی، روشنک،(1393) توسعه یک سیستم پیشنهاددهنده محصول طراحی مدلی ترکیبی با بهره‌گیری از روش‌های فیلترینگ مشارکت محور، کشف قوانین انجمنی و بخش‌بندی مشتریان، مهندسی صنایع دانشگاه تهران، دوره 48،شماره 2، ص 257- 280.
مومنی، منصور.(1390) خوشه‌بندی داده‌ها (تحلیل خوشه‌ای)، نشر دانش نگار، تهران.
میرزازاده، میثم.(1387)  ارائه مدل سنجش وفاداری مشتریان با استفاده از شبکه‌های عصبی خود سازمانده، پایان‌نامه کارشناسی ارشد، دانشکده مدیریت و حسابداری دانشگاه علامه طباطبائی، تهران، ایران.
Abiodun,R.(2017)”Development of Mathematical Models for Predicting Customers Satisfaction in the Banking System with a Queuing Model Using Regression Method” American Journal of Operations Management and Information Systems. Vol. 2, No. 2, 2017, pp. 86-91.
Alborzi, M. & Khanbabaei, M. (2016). Using data mining and neural networks techniques to propose a new hybrid customer behaviour analysis and credit scoring model in banking services based on a developed RFM analysis method. International Journal of Business Information Systems, 23(1), 1-22.
Chapman, P. Clinton, J. Kerber, R., Khabaza, T., Reinartz, T., Shearer, C., & Wirth, R. (2000).”CRISP-DM 1.0: Step-by-step data mining guide”. SPSS Incc.
Chen,Q.,Zhang, M., Zhao,X., (2017) ”Analysing customer behaviour in mobile app usage”, Industrial Management & Data Systems, Vol. 117 Issue: 2, pp.425-438.
Hartigan, J. (1975), Clustering algorithms, Wiley, New York.
Hanafizadeh, P., & Mirzazadeh, M. (2011). Visualizing market segmentation using self-organizing maps and fuzzy delphi method – ADSL market of a telecommunication company, Expert Systems with Applications, 38, 198-205.
Hughes AM (1996). Boosting reponse with RFM. Mark. Tools, 5: 4-10.
Peker,S., Kocyigit,A., Erhan,E., (2017) “LRFMP model for customer segmentation in the grocery retail industry: a case study”, Marketing Intelligence & Planning, Vol. 35 Issue: 4, pp.544-559.
Reinartz W. J., Kumar V.( 2003). “The impact of customer relationship characteristics on profitable lifetime duration”, Journal of Marketing, Vol. 67. No.1,pp.77-99.
Sajjadi, K., Khatami-Firuzabadi, M. A., Amiri, M., & Sadaghiani, J. S. (2015).“A developing model for clustering and ranking bank customers”. International Journal of Electronic Customer Relationship Management, 9(1), 73-86.
Singh.S., Singh,S.,(2016) “Accounting for risk in the traditional RFM approach”, Management Research Review, Vol. 39 Issue: 2, pp.215-234.
Thomas, J. S. (2001). “A methodology for linking customer acquisition to customer retention”, Journal of Marketing Research, 38 (2), pp. 262-268.
Wu, Hsin-Hung; Chang, En-Chi and Lo, Chiao-Fang,( 2009) “Applying RFM model and K-means method in customer value analysis of an outfitter”, International Conference on Concurrent Engineering, New York.
Zabkowski,T., (2016) “RFM approach for telecom insolvency modeling”, Kybernetes, Vol. 45 Issue: 5, pp.815-827, doi: 10.1108/K-04-2015-0113