پایان نامه داده کاوی در بانک

هدف از پایان نامه داده کاوی در بانک با عنوان « مشتریان بانک مهر اقتصاد با استفاده از تکنیک های داده‌کاوی» می باشد، بخش‌بندی مشتریان بانک مهر اقتصاد باهدف کشف ویژگی‌های رفتاری مشابه جهت تسهیل اتخاذ استراتژی‌های متناسب با هر بخش و در نتیجه حفظ، تقویت و یا توسعه ارتباط با مشتریان این بانک می باشد. داده‌های خام مورد نیاز جهت این مطالعه از پایگاه داده‌های بانک مهر اقتصاد استخراج شده است.

چارچوب کلی این تحقیق در هفت گام تنظیم شده است. در گام انتخاب متغیرها، با توجه به اهداف تحقیق و به جهت کاهش حجم داده‌ها، متغیرهای تأثیرگذار بر این مطالعه شناسایی شد و از این میان سه دسته متغیر داده هاي جمعيت آماري مشتریان، متغیرهای تراکنش‌های مالي مشتريان (R، فاصله ميان زمان آخرين تراكنش مشتري تا زمان مورد ارزيابي، F، تعداد خريدهاي مشتريان در يك بازه زماني خاص و M، ميانگين مبالغ تراکنش‌های مشتري در يك بازه زماني خاص) و متغیر K مربوط به کلیدی بودن مشتری که با نظر خبرگان بانکی تعیین می گردد، انتخاب شده است.

در گام آماده‌سازی داده‌ها عملیات پیش پردازشی نظیر حذف داده‌های نامناسب و نرمال سازی، جهت آماده‌سازی برای ورود به الگوریتم انجام می گیرد. این داده‌ها در یک مجموعه با هزار نمونه و در قالب جدول اکسل تنظیم شدند. در ادامه تعداد خوشه‌ها به منظور تفکیک مشتریان با استفاده از نظرات خبرگان بانکی، پنج دسته تعیین گردید. در گام بعد الگوریتم‌های خوشه‌بندی K Means، WK Means و A H Means بر روی پایگاه داده‌ها اعمال شد. در نهایت با شناسایی خوشه های مشتریانی که بیشترین شباهت را در الگوهای رفتاری خود دارند، دانشی حاصل خواهد شد که می تواند در جهت اتخاذ استراتژی مناسب جهت جذب و نگهداری مشتری و بهبود کارآیی مالی او، توسط مدیران سازمان بکار گرفته شود.

فهرست مطالب
فصل اول 1
1 1 مقدمه 2
1 2 تعريف مسئله 4
1 3 ضرورت انجام تحقيق 10
1 4 مراحل انجام تحقيق 11
1 5 محدوده تحقيق 13
1 6 اهداف تحقيق 13
1 7 ساختار پایان‌نامه 15

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 10 جمع‌بندی مطالب فصل 106

فصل سوم 109
3 1 مقدمه 110
3 2 روش پیشنهادی 110
3 2 1 چارچوب تحقیق 111
3 2 2 انتخاب متغیرها 113
3 2 3 آماده‌سازی و پیش‌پردازش داده‌ها 115
3 2 3 1 نرمال سازی داده‌ها 115
3 2 4 تعیین تعداد بهینه خوشه‌ها 116
3 2 5 خوشه‌بندی 117
3 2 5 1 انواع خوشه‌بندی 118
3 2 5 2 خوشه‌بندی به روش K Means 120
3 2 5 1 1 مزایای استفاده از الگوریتم خوشه‌بندی K Means 121
3 2 5 1 2 محدودیت‌های الگوریتم K Means 121
3 2 5 2 خوشه‌بندی به روش WK Means 122
3 2 5 3 خوشه‌بندی به روش A H Means 124
3 2 6 ارزیابی خوشه‌ها به روش مجموع مربع خطاها و انتخاب بهترین روش 126
3 2 7 به‌کارگیری دانش حاصل از خوشه‌بندی 128
3 3 روش‌های جمع آوری اطلاعات 128
3 4 جمع‌بندی مطالب فصل 129

فصل چهارم 131
4 1 مقدمه 131
4 2 معرفی بانک مهر اقتصاد 132
4 3 موضوع و فعالیت بانک 133
4 4 محاسبات تحقیق 134
4 4 1 گام انتخاب و جمع آوری متغیرهای ورودی 134
4 4 2 گام آماده‌سازی و پیش‌پردازش داده‌ها 136
4 4 3 گام تعیین تعداد بهینه خوشه‌ها 137
4 4 4 گام خوشه‌بندی داده‌ها 138
4 4 4 1 خوشه‌بندی به روش K Means 139
4 4 4 2 خوشه‌بندی به روش WK Means 141
4 4 4 3 خوشه‌بندی به روش A H Means 142
4 4 5 ارزیابی خوشه‌ها به روش مجموع مربع خطاها و انتخاب بهترین روش 142
4 4 6 گام به‌کارگیری دانش حاصل از خوشه‌بندی 144
4 5 نتایج تحقیق 147
4 6 جمع‌بندی مطالب فصل 149

فصل پنجم 151
5 1 مقدمه 152
5 2 خلاصه تحقیق 152
5 3 نتیجه‌گیری 154
5 4 زمینه‌های پیشنهادی، راهکارها و پیشنهاد‌ات جهت پژوهش‌های آتی 155
منابع و مآخذ 171

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
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 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
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