مدیریت دانش مشتریان بانک با روشهای داده ‌کاوی

رشته فناوری اطلاعات (IT)
دانلود پایان نامه کارشناسی ارشد در رشته فناوری اطلاعات بکارگیری روشهای داده کاوی جهت مدیریت دانش مشتریان چکیده افزایش روزافزون سطح رقابت در بازار، مدیران و تحلیل گران سازمان ها را وادار ساخته به دنبال راهکارهایی باشند که مزیت رقابتی را برای سازمان به ارمغان آورند. بر اساس مطالعات موجود، استفاده از دانش مشتری جهت اتخاذ استراتژی‌های لازم برای جلب رضایت مشتری می تواند سازمان ها را به سمت تحقق این هدف سوق دهد. از سوی دیگر گسترش بهره گیری از فناوری های بروز در زمینه اطلاعات و ارتباطات خصوصاً در بانک ها باعث بر جای ماندن حجم عظیمی از داده ها گشته که تحلیل و تصمیم-گیری بر اساس آن ها با روش های معمول گزارش گیری و روش-های آماری امکان پذیر نمی باشد. داده کاوی ابزار بروز و قدرتمندی است که در این پایان نامه جهت تحلیل داده ها به جهت استخراج دانش مشتری پیشنهاد می گردد. هدف از این تحقیق با عنوان «مدیریت دانش مشتریان بانک مهر اقتصاد با استفاده از تکنیک های داده‌کاوی»، بخش‌بندی مشتریان بانک مهر اقتصاد، باهدف کشف ویژگی‌های رفتاری مشابه، برای کمک به مدیران این بانک جهت تسهیل اتخاذ استراتژی‌های متناسب با هر بخش و در نتیجه حفظ، تقویت و یا توسعه ارتباط با مشتریان و نهایتاً سودآوری برای این بانک می باشد. داده‌های خام مورد نیاز جهت این مطالعه از پایگاه داده‌های بانک مهر اقتصاد استخراج شده است. كلمات كلیدی : داده کاوی کشف دانش مدیریت دانش مشتری خوشه بندی مشتریان مقدمه در سال های اخیر دانش به عنوان منبعی ارزشمند در کنار منابعی چون کار، زمین، سرمایه قرار گرفت و به عنوان موتور تولیدکننده درآمد و یك دارایی مهم و راهبُردی برای سازمان شناخته شد. از طرفی به دلیل وجود رقابت شدید در بین کسب و کارهای امروزی از جمله صنعت بانکداری، مشتری و توجه به جایگاه او و ارتباط با او اهمیت ویژه ای یافته است. بنابراین مبحث بسیار مهم مدیریت دانش مشتری مطرح گردید که امروزه مطالعات بسیار زیادی را به خود اختصاص داده است. مدیریت دانش مشتری با استفاده از راهکارهای مختلف مدیریت دانش نظیر روش‌های داده‌کاوی زمینه بسیار خوبی را جهت استفاده مفید از گنجینه گران‌بهای دانش مشتری فراهم می آورد. از سوی دیگر در عصر حاضر بهره گیری از فناوری های نوین اطلاعات و ارتباطات در عرصه های مختلف کسب وکار به امری گریزناپذیر مبدل گشته است. به طور خاص صنعت بانکداری از جمله صنایعی است که به‌کارگیری فناوری های روز دنیا در این صنعت می تواند مزیت رقابتی انکارناپذیری را برای آن ایجاد نماید. بنابراین این صنعت نیز از بهره گیری از بروزترین فناوری ها مستثنا نبوده و مواردی مانند بانکداری الکترونیک، سیستم‌های یکپارچه بانکداری ، دستگاه های خودپرداز، کارت های اعتباری، پایانه های خرید الکترونیک و... از مصادیق این امر می باشد. ورود فناوری های جدید به سازمان سبب افزایش چشمگیر سرعت تولید اطلاعات و در نتیجه بر جای ماندن حجم عظیمی از داده‌ها گشته است. از آنجا که این داده‌ها اغلب حجیم و وسیع می-باشند، معمولاً به صورت خام قابل‌استفاده نیستند، بلکه دانش موجود در آن ها باید استخراج گردد. با این وجود که ارزش این داده‌ها بر کسی پوشیده نیست، حجم بسیار بالای داده‌های ارزشمند موجود، تحلیل و بهره گیری از آن ها را به امری چالش‌برانگیز مبدل ساخته است. چرا که تحلیل به واسطه روش‌های گزارش گیری سنتی در این مقیاس امکان پذیر نیست و روش‌های آماری موجود نیز از ظرفیت کافی جهت تحلیل این داده‌ها برخوردار نمی باشند. بنابراین باید به دنبال راهکاری بود که با غلبه بر این محدودیت، امکان انجام مطالعاتی جامع تر با نتایج دقیق تر و درصد خطای پایین تر را ممکن سازد. این مسئله گواهی بر لزوم به‌کارگیری روش‌های نوین تحلیل داده‌ها جهت حصول دانش، نظیر روش داده‌کاوی خواهد بود.دانش قابل توجهی که در زمان استفاده از خدمت یا مصرف کالا توسط مشتری، بین مشتری و سازمان تبادل می شود، به عنوان منبعی مهم برای سازمان شناخته می شود و کسب و بهره برداری از آن به یک مزیت رقابتی در سازمان ها تبدیل شده است.مدیریت دانش مشتری دربردارنده فرایندهایی ست که با شناسایی و اکتساب اطلاعات مشتری و نیز ایجاد و بهره برداری از دانش مشتریان، مربوط است [9]. چنین اطلاعاتی در ماورای محدوده های خارجی سازمان قرار دارند و دانشی که از آن ها استخراج می شود موجب ایجاد ارزش برای سازمان و مشتریان آن خواهد شد [32]. در این تحقیق مسئولیت کشف دانش بر عهده الگوریتم‌های داده‌کاوی خواهد بود. در ادامه از این دانش به عنوان راهنما در مسیر اتخاذ استراتژی‌های سازمان، بهره گیری می شود. فهرست مطالب فصل اول 1 1-1- مقدمه 2 1-2- تعریف مسئله 3 1-3- ضرورت انجام تحقیق 7 1-4- مراحل انجام تحقیق 8 1-5- محدوده تحقیق 9 1-6- اهداف تحقیق 9 1-7- ساختار پایان‌نامه 10 فصل دوم 12 2-1- مقدمه 13 2-2- مدیریت دانش 14 2-2-1- دانش چیست؟ 15 2-2-2- هرم دانش 15 2-2-3- انواع دانش 16 2-2-3-1- دانش صریح 16 2-2-3-2- دانش ضمنی 16 2-2-4- مدیریت دانش چیست؟ 17 2-2-5- استراتژی‌های مدیریت دانش 18 2-2-5-1- استراتژی اجتماعی سازی (تبدیل دانش پنهان به پنهان) 19 2-2-5- 2- استراتژی برونی سازی (پنهان به آشکار) 19 2-2-5- 3- استراتژی ترکیب سازی (آشکار به آشکار) 20 2-2-5- 4- استراتژی درونیسازی (آشکار به پنهان) 20 2-2-6-معایب عدم بهرهگیری از دانش در سازمان 20 2-2-7- اهداف مدیریت دانش 21 2-2-8- مدل های مدیریت دانش 21 2-3- مدیریت دانش مشتری 23 2-3-1- انواع دانش مشتری 24 2-3-2- مدل مدیریت دانش مشتری 28 2-4- مدیریت ارتباط با مشتری 29 2-4-1- مدیریت ارتباط مشتریان در نظام بانکی 32 2-4-2- مدیریت ارتباط با مشتری: اهداف، مزایا و چالش‌ها 33 2-5- مقایسه مفاهیم CKM و KM و CRM 34 2-6- تاریخچه‌ای از بانک و بانکداری 37 2-7- سیر تحول فناوری اطلاعات در صنعت بانكداری 38 2-7-1 دوره اول: اتوماسیون پشت باجه 38 2-7-2- دوره دوم: اتوماسیون جلوی باجه 38 2-7-3- دوره سوم: اتصال مشتریان به حساب‌هایشان 38 2-7-4- دوره چهارم: یکپارچه‌سازی سیستم‌ها و مرتبط كردن مشتریان با تمامی عملیات بانكی 39 2-7-5- بانكداری الكترونیك 39 2-8- داده‌کاوی 40 2-8-1- مقایسه روش‌های آماری و داده‌کاوی 40 2-8-2- مفهوم داده‌کاوی 42 2-8-3- داده‌کاوی و کشف دانش 44 2-8-4- فرایند داده‌کاوی 45 2-8-5- معرفی روش‌های داده‌کاوی 51 2-8-5-1- دسته‌بندی 53 2-8-5-2- درخت تصمیم 53 2-8-5-3- شبکه‌های عصبی 55 2-8-5-4- پیش بینی 56 2-8-5-5- خوشه‌بندی 56 2-8-5-5- انواع خوشه‌بندی 57 2-8-5-5-2- معیارهای ارزیابی در خوشه‌بندی 59 2-8-5-6- تحلیل انحراف 60 2-8-5-7- قواعد وابستگی (انجمنی) 61 2-8-5-8- تحلیل توالی 61 2-8-6- نرم‌افزار داده‌کاوی 62 2-8-7- کاربردهای داده‌کاوی 63 2-8-7-1- داده‌کاوی در صنعت بانكداری 63 2-9- پیشینه تحقیق 65 2-9-1- کاربرد داده‌کاوی در بخش‌بندی و مدل‌سازی رفتاری مشتریان در صنعت بانکداری 66 2-9-2- کاربرد داده‌کاوی در ارزیابی اعتبار مشتریان 68 2-9-3- کاربرد داده‌کاوی در زمینه کشف تقلب 69 2-9-4- کاربرد داده‌کاوی در تحلیل روی‌گردانی مشتری 69 2-10- جمع‌بندی مطالب فصل 74 فصل سوم 76 3-1- مقدمه 77 3-2- روش پیشنهادی 77 3-2-1- چارچوب تحقیق 77 3-2-2- انتخاب متغیرها 79 3-2-3- آماده‌سازی و پیش‌پردازش داده‌ها 80 3-2-3-1- نرمال سازی داده‌ها 81 3-2-4- تعیین تعداد بهینه خوشه‌ها 81 3-2-5- خوشه‌بندی 82 3-2-5-1- انواع خوشه‌بندی 83 3-2-5-2- خوشه‌بندی به روش K-Means 84 3-2-5-1-1- مزایای استفاده از الگوریتم خوشه‌بندی K-Means 85 3-2-5-1-2- محدودیت‌های الگوریتم K-Means 85 3-2-5-2- خوشه‌بندی به روش WK-Means 86 3-2-5-3- خوشه‌بندی به روش A-H-Means 87 3-2-6- ارزیابی خوشه‌ها به روش مجموع مربع خطاها و انتخاب بهترین روش 88 3-2-7- به‌کارگیری دانش حاصل از خوشه‌بندی 90 3-3- روش‌های جمع آوری اطلاعات 90 3-4- جمع‌بندی مطالب فصل 90 فصل چهارم 92 4-1- مقدمه 93 4-2- معرفی بانک مهر اقتصاد 93 4-3- موضوع و فعالیت بانک 94 4-4- محاسبات تحقیق 94 4-4-1- گام انتخاب و جمع آوری متغیرهای ورودی 95 4-4-2- گام آماده‌سازی و پیش‌پردازش داده‌ها 96 4-4-3-گام تعیین تعداد بهینه خوشه‌ها 97 4-4-4- گام خوشه‌بندی داده‌ها 97 4-4-4-1- خوشه‌بندی به روش K-Means 98 4-4-4-2- خوشه‌بندی به روش WK-Means 100 4-4-4-3- خوشه‌بندی به روش A-H-Means 100 4-4-5- ارزیابی خوشه‌ها به روش مجموع مربع خطاها و انتخاب بهترین روش 101 4-4-6-گام به‌کارگیری دانش حاصل از خوشه‌بندی 102 4-5- نتایج تحقیق 104 4-6- جمع‌بندی مطالب فصل 106 فصل پنجم 107 5-1- مقدمه 108 5-2- خلاصه تحقیق 108 5-3- نتیجه‌گیری 109 5-4- زمینه‌های پیشنهادی، راهکارها و پیشنهاد‌ات جهت پژوهش‌های آتی 110 منابع و مآخذ 126 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 متدولوژی فرآیند استاندارد میان صنعتی 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