فصل دوم پایان نامه داده کاوی در بانک

هدف از فصل دوم پایان نامه داده کاوی در بانک با عنوان «مدیریت دانش مشتریان بانک مهر اقتصاد با استفاده از تکنیک های داده‌کاوی» می باشد.

با بکارگیری تکنیک های هوشمند داده‌کاوی مشتریان بانک مهر اقتصاد در پنج دسته و با توجه به بیشترین شباهت در الگوی رفتاری گروه بندی شدند.خوشه‌بندی مشتریان بر مبنای چارچوب ارائه شده در این تحقیق به ما کمک می کند تا مشتریانی که دارای الگوهای رفتاری مشابه بر حسب متغیرهای تراکنشی مشتریان و ممتغیرهای جمعیت آماری هستند را در گروه های واحدی در نظر گرفته و بر مبنای ویژگی‌های اکثریت مشتریان هر گروه، سرویس های متناسب با این ویژگی ها را به روش‌های متفاوت به مشتریان پیشنهاد نمود.

می توان با بررسی خوشه‌ها، خوشه هایی که بیش‌ترین تعداد مشتریان کلیدی در آن ها قرارگرفته‌اند شناسایی نمود. با این امکان مشتریان مستعد کلیدی شدن شناخته می شوند و با خدمت رسانی هر چه بیشتر به این گروه ها منجر به حفظ و ادامه ارتباط مؤثر آن ها با بانک گردید.با بررسی خوشه هایی که بیش‌ترین مشتریان کلیدی را در خود جای داده اند و شناسایی اکثریت مشتریان در این خوشه‌ها از منظر نوع شغل، محل منطقه بانکی و جنسیت و ... و با نظر کارشناسان و خبرگان بانکی می توان خدمات بانکی ویژه و متناسب با این گروه ها را طراحی نموده و از طریق پیامک و یا به طور رودررو به این افراد معرفی نمود.

فهرست مطالب

فصل دوم 18
2 1 مقدمه 18
2 2 مديريت دانش 21
2 2 1 دانش چيست؟ 21
2 2 2 هرم دانش 22
2 2 3 انواع دانش 23
2 2 3 1 دانش صريح 23
2 2 3 2 دانش ضمنی 24
2 2 4 مديريت دانش چیست؟ 24
2 2 5 استراتژی‌های مديريت دانش 26
2 2 5 1 استراتژی اجتماعی سازی (تبدیل دانش پنهان به پنهان) 27
2 2 5 2 استراتژی برونی سازی (پنهان به آشکار) 28
2 2 5 3 استراتژی ترکیب سازی (آشکار به آشکار) 28
2 2 5 4 استراتژی درونیسازی (آشکار به پنهان) 29
2 2 6 معایب عدم بهرهگیری از دانش در سازمان 29
2 2 7 اهداف مدیریت دانش 30
2 2 8 مدل های مديريت دانش 31
2 3 مديريت دانش مشتری 33
2 3 1 انواع دانش مشتری 35
2 3 2 مدل مدیریت دانش مشتری 40
2 4 مديريت ارتباط با مشتری 42
2 4 1 مديريت ارتباط مشتريان در نظام بانکی 46
2 4 2 مدیریت ارتباط با مشتری: اهداف، مزایا و چالش‌ها 48
2 5 مقايسه مفاهيم CKM و KM و CRM 50
2 6 تاریخچه‌ای از بانک و بانکداری 54
2 7 سير تحول فناوري اطلاعات در صنعت بانكداري 55
2 7 1 دوره اول: اتوماسيون پشت باجه 55
2 7 2 دوره دوم: اتوماسيون جلوي باجه 56
2 7 3 دوره سوم: اتصال مشتريان به حساب‌هایشان 56
2 7 4 دوره چهارم: یکپارچه‌سازی سیستم‌ها و مرتبط كردن مشتريان با تمامي عمليات بانكي 57
2 7 5 بانكداري الكترونيك 57
2 8 داده‌کاوی 58
2 8 1 مقايسه روش‌های آماری و داده‌کاوی 59
2 8 2 مفهوم داده‌کاوی 61
2 8 3 داده‌کاوی و کشف دانش 64
2 8 4 فرايند داده‌کاوی 66
2 8 5 معرفی روش‌های داده‌کاوی 73
2 8 5 1 دسته‌بندی 75
2 8 5 2 درخت تصمیم 76
2 8 5 3 شبکه‌های عصبی 77
2 8 5 4 پیش بینی 79
2 8 5 5 خوشه‌بندی 80
2 8 5 5 انواع خوشه‌بندی 81
2 8 5 5 2 معیارهای ارزیابی در خوشه‌بندی 83
2 8 5 6 تحلیل انحراف 85
2 8 5 7 قواعد وابستگی (انجمنی) 86
2 8 5 8 تحلیل توالی 86
2 8 6 نرم‌افزار داده‌کاوی 87
2 8 7 کاربردهای داده‌کاوی 88
2 8 7 1 داده‌کاوی در صنعت بانكداری 90
2 9 پیشینه تحقیق 91
2 9 1 کاربرد داده‌کاوی در بخش‌بندی و مدل‌سازی رفتاری مشتریان در صنعت بانکداری 93
2 9 2 کاربرد داده‌کاوی در ارزیابی اعتبار مشتریان 96
2 9 3 کاربرد داده‌کاوی در زمینه کشف تقلب 98
2 9 4 کاربرد داده‌کاوی در تحلیل روی‌گردانی مشتری 99
2 10 جمع‌بندی مطالب فصل 106

منابع و مآخذ

فهرست جدول‌ها
جدول 2 1 انواع مختلف تبدیلات دانش 19
جدول 2 2 مقایسه مفاهیم مدیریت دانش، مدیریت ارتباط با مشتری و مدیریت دانش مشتری 35
جدول 2 3 مقایسه روش‌های تحلیل آماری و داده‌کاوی 41
جدول 2 4 فعالیت‌های مربوط به فازهای CRISP DM و خروجی هر فعالیت 50
جدول 2 5 نمونه داده‌های مورد نیاز در یک مسئله مدل‌سازی به روش دسته‌بندی 54
جدول 2 6 معیارهای محاسبه شباهت در خوشه‌بندی 59
جدول 2 7 معیارهای محاسبه فاصله در خوشه‌بندی 60
جدول 2 8 پژوهش‌های انجام‌گرفته در زمینه کاربرد داده‌کاوی در صنعت بانکداری 71

فهرست تصاویر و نمودارها
شکل 2 1 سلسله‌مراتب دانش 16
شکل 2 2 دانش صریح فقط بخش کوچکی از دانش را تشکیل می‌دهد. 17
شکل 2 3 مدل مدیریت دانش پروبست و رمهارد 22
شکل 2 4 چارچوب خوشه انگور جهت نوع شناسی دانش مشتری 26
شکل 2 5 مدل مدیریت دانش مشتری 28
شکل 2 7 گام‌های فرایند تولید دانش از پایگاه داده‌ها 44
شکل 2 8 متدولوژي فرآيند استاندارد ميان صنعتي داده‌کاوی (CRISP DM) 47
شکل 2 9 دسته‌بندی کلی عملکردهای داده‌کاوی 52
شکل 2 11 نیروهای رقابتی پورتر 64