بخش‏بندی مشتریان در صنعت بانکداری با استفاده از مدل توسعه‌یافته RFMC

  پس از ورود جدی بانک‏های خصوصی و موسسات مالی و اعتباری به عرصه بانکداری، رقابت بین موسسات و بانک‏ها به منظور شناسایی، جذب و حفظ مشتریان از اهمیت بالایی برخودار شده است. تحلیل رفتار مشتریان در سازمان­های فعال در این حوزه که با تعداد کثیری از مشتریان در نقاط پراکنده با ویژگی‏های متفاوت سر و کار دارند، باعث موفقیت آنها در بازار رقابتی و مدیریت ارتباط موثر با مشتریان می‌شود. بخش‌بندی مشتریان، از رویکردهای داده‌کاوی که منجر به کشف گروه‌های مشابه از مشتریان می‌شود، اغلب بر اساس مدل "تاخر خرید، بسامد خرید، و ارزش مالی آن" ( RFM ) انجام می‌گردد. در این مقاله، الگوی جدید بخش­بندی مشتریان بر پایه مدل توسعه یافته RFM به وسیله افزودن متغیر توالی روزهای انجام تراکنش (C) ارائه شده است. مشتریان بانک بر اساس مدل RFM و مدل پیشنهادی این پژوهش ( RFMC ) و با استفاده از الگوریتم خوشه‏بندی دو مرحله‏ای و بکارگیری گام‏های متدلوژی GRISP-DM بخش‌بندی شده‌اند. این پژوهش نشان می‌دهد، دقت مدل RFMC نسبت به مدل RFM در بخش‌بندی مشتریان این صنعت به مقدار 5.5% بیشتر است. پس از انجام فرایند خوشه‏بندی با استفاده از مدل پیشنهادی، مشتریان یکی از بانک‌های خصوصی کشور به 5 خوشه تقسیم شده‏اند. ضمن تحلیل رفتار مشتریان هر خوشه، مدلی مبتنی بر شبکه‏ عصبی پیش‏خوراند برای پیش‏بینی شماره خوشه مشتریان بر مبنای ویژگی‏های رفتاری و جمعیت‏شناختی آنها توسعه داده شده است.