ارائه مدلی برای مدیریت دانش مشتریان بانک با داده ‌کاوی بر روی داده های واقعی

رشته فناوری اطلاعات (IT)
دانلود سمینار پایان نامه کارشناسی ارشد در رشته فناوری اطلاعات ارائه مدلی برای مدیریت دانش مشتریان بانک با داده ‌کاوی بر روی داده های واقعی چکیده در این سمینار روش پیشنهادی و مؤلفه های آن به همراه مدل های مورد استفاده بیان خواهند شد. در ادامه جزئیات مربوط به گام‌های اصلی بیان شده و فرایندهای داخلی آن ها معرفی و روش پیشنهادی بر روی داده‌های واقعی مربوط به مشتریان بانک اقتصاد مهر شعب استان مازندران اعمال می گردد. در سمینار پیش رو چارچوب کلی روش پیشنهادی تشریح می گردد و سعی شده با طرح این چارچوب بر پایه ی گام‌های اساسی، اهداف تحقیق که همان بخش‌بندی مشتریان و استخراج استراتژی‌های متناسب با هر بخش و به‌کارگیری استراتژی ها و دانش حاصل در چرخه مدیریت دانشی سازمان می باشد، حاصل گردد. در این مسیر برخی روش‌های موجود در زمینه خوشه‌بندی مبتنی بر بخش‌بندی مانند K-Means، WK-Means، A-Harmonic means و معیارهای ارزیابی و اعتبارسنجی خوشه‌ها همچون شاخص مجموع مربع خطاها و روش Min-Max برای نرمال سازی داده‌ها تشریح خواهند شد. جایگاه مشتری در فضای رقابتی کسب‌وکار بر کسی پوشیده نیست. به ویژه در نظام بانکی مشتری، نقش بسیار مؤثری در مسیر نیل به اهداف سازمان ایفا می کند. این نقش در بانک های خصوصی بسیار مورد توجه قرار گرفته و این بانک ها مطالعات و فعالیت‌های ویژه ای را در این زمینه اختصاص داده اند. در این تحقیق سعی شده تا با استفاده از روش‌های داده‌کاوی دانش نهفته در اطلاعات موجود در پایگاه داده‌های حاصل از تعاملات بانک و مشتری را استخراج نموده و از آن در جهت اخذ راهبُردهای مدیریت ارتباط با مشتری بهره گیری نماییم. در سمینار چارچوب کلی روش پیشنهادی و الگوریتم‌های انتخابی برای پیاده سازی گام‌های این روش تشریح گردید.در این ادامه بر طبق چارچوب ارائه شده در فصل قبل، سعی شده تا با اعمال الگوریتم ها بر روی پایگاه داده‌های مشتریان بانک مهر اقتصاد، در جهت حصول اهداف تحقیق که همان بخش‌بندی مشتریان و استخراج راهبُردهای متناسب با هر بخش و به‌کارگیری راهبُردها و دانش حاصل در چرخه مدیریت دانشی سازمان می باشد، گام برداریم.در این تحقیق روش Min-Max برای نرمال سازی داده‌ها، روش‌های K-Means، WK-Means، A-Harmonic means جهت خوشه‌بندی داده‌ها و شاخص مجموع مربع خطاها برای ارزیابی و اعتبارسنجی خوشه‌ها به کار گرفته خواهند شد.مورد مطالعه در این تحقیق مشتریان بانک مهر اقتصاد می-باشند. كلمات كلیدی : داده کاوی کشف دانش مدیریت دانش مشتری خوشه بندی مشتریان فهرست مطالب 3-1- مقدمه 3-2- روش پیشنهادی 3-2-1- چارچوب تحقیق 3-2-2- انتخاب متغیرها 3-2-3- آماده‌سازی و پیش‌پردازش داده‌ها 3-2-3-1- نرمال سازی داده‌ها 3-2-4- تعیین تعداد بهینه خوشه‌ها 3-2-5- خوشه‌بندی 3-2-5-1- انواع خوشه‌بندی 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 3-2-7- به‌کارگیری دانش حاصل از خوشه‌بندی 3-3- روش‌های جمع آوری اطلاعات 3-4- جمع‌بندی مطالب فصل 4-1- مقدمه 4-2- معرفی بانک مهر اقتصاد 4-3- موضوع و فعالیت بانک 4-4- محاسبات تحقیق 4-4-1- گام انتخاب و جمع آوری متغیرهای ورودی 4-4-2- گام آماده‌سازی و پیش‌پردازش داده‌ها 4-4-3-گام تعیین تعداد بهینه خوشه‌ها 4-4-4- گام خوشه‌بندی داده‌ها 4-4-4-1- خوشه‌بندی به روش K-Means 4-4-4-2- خوشه‌بندی به روش WK-Means 1 4-4-4-3- خوشه‌بندی به روش A-H-Means 1 4-4-5- ارزیابی خوشه‌ها به روش مجموع مربع خطاها و انتخاب بهترین روش 4-4-6-گام به‌کارگیری دانش حاصل از خوشه‌بندی 4-5- نتایج تحقیق 4-6- جمع‌بندی مطالب فصل منابع و مآخذ فهرست جدول‌ها جدول 3-1 متغیرهای تحقیق 80 جدول 4-1 نمونه ده‌تایی از داده‌های مربوط به مشتریان بانک مهر اقتصاد 95 جدول 4-2 متغیرهای نرمال شده 96 جدول 4-3 وزن نسبی متغیرهای تحقیق 100 جدول 4-5 مقادیر مجموع مربع خطاها در الگوریتم‌های مختلف خوشه‌بندی 101 جدول 4-6 دسته‌بندی مشتریان بر مبنای ویژگی‌های رفتاری مشابه 103 جدول 4-7 اطلاعات مربوط به خوشه‌بندی مشتریان بانک مهر اقتصاد به روش K-Means 104 فهرست تصاویر و نمودارها شکل 3-1 چارچوب تحقیق 78 شکل 4-1 خوشه اول، الگوریتم K-Means 98 شکل 4-2 خوشه دوم، الگوریتم K-Means 98 شکل 4-3 خوشه سوم، الگوریتم K-Means 99 شکل 4-4 خوشه چهارم، الگوریتم K-Means 99 شکل 4-5 خوشه پنجم، الگوریتم K-Means 99