طبقه بندی داده های مشتریان بانکها با استفاده از داده کاوی و تکنیکهای خوشه بندی (مطالعه موردی:شعب بانک سپه تهران)
پایان نامه
- دانشگاه آزاد اسلامی - دانشگاه آزاد اسلامی واحد تهران مرکزی - دانشکده مدیریت
- نویسنده مجید شراهی
- استاد راهنما منصوره علیقلی
- سال انتشار 1394
چکیده
این تحقیق با هدف تقسیم بندی مشتریان بانکی با استفاده از تکنیک خوشه بندی و ارائه ی استراتژی های بازاریابی مخصوص هر خوشه از مشتریان بوده است. امروزه با توجه به حجم وسیع اطلاعات مشتریان حقیقی و حقوقی در صنعت بانکداری،تجزیه و تحلیل داده های بدست آمده از پایگاه های داده ی مشتریان بانک ها می تواند اطلاعات مفیدی جهت شناسایی الگوهای پنهان درون این داده ها فراهم آورده و در پی آن باعث ارتقاء سطح خدمات بانکی برای هر گروه از مشتریان شود.در این تحقیق فایل اکسل حاوی اطلاعات 60 شرکت از مشتریان حقوقی بانک سپه از دیتابیس شعب این بانک تهیه و پس از کسب تایید از مقامات مربوطه، مورد تجزیه و تحلیل قرار گرفته است.
منابع مشابه
بخش بندی مشتریان بانک صادرات ایران با استفاده از داده کاوی
امروزه یکی از چالشهای بزرگ سازمانهای مشتری محور، شناخت مشتریان، ایجاد تمایز بین گروههای مختلف مشتریان و رتبهبندی آنهاست. در گذشته تفکیک مشتریان به گروههای مختلف با رویکرد بخشبندی بر اساس نیاز مشتری صورت میگرفت. اما امروزه ارزش مشتری به عنوان عامل قابل اندازهگیری میتواند در بخشبندی مشتریان به کار رود. هدف اصلی این مقاله بخشبندی مشتریان بانک بر اساس عوامل مؤثر بر ارزش طول عمر مشتریان ...
متن کاملبهبود الگوریتم خوشه بندی مشتریان برای توزیع قطعات یدکی با رویکرد داده کاوی (k-means)
Customer classification using k-means algorithm for optimizing the transportation plans is one of the most interesting subjects in the Customer Relationship Management context. In this paper, the real-world data and information for a spare-parts distribution company (ISACO) during the past 36 months has been investigated and these figures have been evaluated using k-means tool developed for spa...
متن کاملارائه الگوی ترکیبی داده کاوی با استفاده از قواعد انجمنی و خوشه بندی جهت شناسایی الگوهای غالب رفتار مشتریان (مطالعه موردی : بانک انصار)
با توجه به رقابت بانکها در جذب مشتریان و تاثیر عوامل روانشناختی و محیطی بر روی رفتار آنها در طول زمان، در بخش بندی مشتریان میبایست پویایی رفتار آنها را مورد بحث قرار داد. شناسایی الگوهای غالب رفتاری مشتریان و انتقال آن به بخشهای مختلف در طول زمان از موضوعات مهم این حوزه میباشد. این پژوهش بر آن است با تمرکز بر پویای رفتار مشتریان به شناسایی گروه‌های‌رفتاری، الگوهای غالب جابجایی، ویژگی‌ها و الگو...
متن کاملطبقه بندی متقاضیان تسهیلات اعتباری بانکی با استفاده از داده کاوی و منطق فازی
در این پژوهش، هدف، بهره گیری از ابزارهای داده کاوی و منطق فازی برایطبقه بندی مشتریان تسهیلات اعتباری می باشد به طوریکه ابهامات و عدم قطعیت رادر خصوص طبقات مشتریان و نیز متغیرهای تاثیر گذار در رفتار آنها را پوشش دهد.روش کار بدین شکل می باشد که طبق یک فرایند استاندارد داده کاوی، داده هایمشتریان سابق بانک سامان جمع آوری و پالایش شده و سپس طبقات و متغیرهاییکه قابلیت فازی کردن داشتند، طبق نظر کارشنا...
متن کاملطبقه بندی مشتریان اینترنت بانک با کمک الگوریتم های داده کاوی
طبقه بندی مشتریان با استفاده از الگوریتم های داده کاوی، بانک ها را قادر به حفظ و وفاداری مشتریان قدیم و جذب مشتریان جدید خواهد کرد. یکی از روش های داده کاوی، درخت تصمیم گیری است و چنانچه درخت تصمیم مناسبی ساخته شود، می توان مشتریان را بهطور بهینه طبقه بندی کرد. در این نوشتار، یک مدل مناسب برای طبقه بندی مشتریان بر مبنای بهره گیری از خدمات اینترنت بانک ارائه شده است. این مدل بر اساس استاندارد c...
متن کاملنحوه خوشه بندی آماری داده های شکل
اخیرا به کارگیری ابزارهای آمار چندمتغیره برای تحلیل داده هایی که به صورت هندسی تصادفی هستند مورد اقبال محققین علوم کاربردی قرار گرفته است. آمارشکل به عنوان شاخه جدیدی از هندسه تصادفی شامل مجموعه ای از چنین داده هایی است. با این حال، چون چنین داده هایی ماهیت غیراقلیدسی دارند نحوه تطبیق ابزارهای مرسوم چندمتغیره برای تحلیل آماری مناسب آنها تا حدودی واضح نیست. در این مقاله نحوه خوشه بندی داده های آ...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ذخیره در منابع من قبلا به منابع من ذحیره شده{@ msg_add @}
نوع سند: پایان نامه
دانشگاه آزاد اسلامی - دانشگاه آزاد اسلامی واحد تهران مرکزی - دانشکده مدیریت
کلمات کلیدی
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023