خوشه‌بندی مشتریان شعب بانک رفاه با تلفیق الگوریتم‌های ژنتیک و سی میانگین در محیط فازی

نویسندگان
1 دانشجوی دکتری رشته مدیریت گرایش تحقیق در عملیات،دانشکده علوم اداری و اقتصادی، دانشگاه فردوسی مشهد، مشهد، ایران.
2 کارشناس ارشد مدیریت صنعتی، دانشکده مدیریت، دانشگاه امام صادق (ع)، تهران، ایران.
3 دانشجوی کارشناسی ارشد زبان انگلیسی، دانشکده زبان، دانشگاه اصفهان، اصفهان، ایران.
چکیده
در عصر حاضر یکی از چالش‌های بزرگ برنامه‌ریزان و مدیران در حوزه خدمات بانکی، شناخت مشتریان و ایجاد تمایز بین گروه‌های مختلف مشتریان می‌باشد. بدیهی است استفاده از الگوی مناسب به بانک‌ها این فرصت را می‌دهد که پیشنهادهای ارزشمند خود را متناسب با نیازها و خواسته‌های بخش‌های هدف‌گیری شده جهت بهبود عملکرد خود از منظرهای مختلف طراحی و ارائه نمایند. هدف این مطالعه به‌کارگیری مدل مناسبی برای خوشه‌بندی مشتریان بر‌اساس شاخص‌هایی مانند تازگی، تعداد تراکنش وعامل مالی می‏باشد. در این مقاله برای خوشه‌بندی داده‌ها از تلفیق الگوریتم‌های ژنتیک وسی میانگین در محیط فازی جهت غلبه بر مشکلاتی مانند حساس بودن به مقدار اولیه و گرفتار شدن در دام بهینه محلی استفاده شده است. جامعه آماری این پژوهش، متشکل از مشتریان شعب بانک رفاه شهر تهران می‌باشد. همچنین از روش نمونه‌گیری تصادفی ساده برای اخذ نمونه استفاده شده است. یافته‌های تحقیق نشان می‌دهد که مشتریان متعلق به خوشه اول به‌دلیل دارا بودن عملکردی بالا در شاخص‌های «تازگی»، «تعداد تراکنش»، و «عامل مالی» جزء مشتریان وفادار و مشتریان خوشه دوم به‌ خاطر دارا بودن عملکرد‌های پایین در شاخص »تازگی«، متوسط در شاخص »تعداد تراکنش«، و بالا در شاخص»عامل مالی« جزء مشتریان رویگردان از بانک می‌باشند.
کلیدواژه‌ها

عنوان مقاله English

Clustering Customers of Refah Bank Branches Using Combination of Genetic Algorithm and C- Means in Fuzzy Environment

نویسندگان English

ahmad ghorbanpour 1
ghodratolah tallai 2
maryam panahi 3
چکیده English

In recent existing environment one of the major challenges that planners and managers are grappling with is customer recognition, and distinguishing between different groups of customers in the field of banking services. It is obvious that using an appropriate model gives the bank the opportunity to fit valuable suggestions along with demands for targeted sectors and provides design and thus improves bank performance from different perspectives. The aim of this study is using and appropriate model for clustering customers based on indexes including novelty, number of transaction and financial factors. In this paper, for clustering data, the genetic algorithm combining with fuzzy C-means is used to overcome problems such as being sensitive to the initial value and getting trapped in the local optimum. The simple random sampling method is used to obtain the sample. The findings show that the first cluster of customers due to its high performance in "novelty", "number of transaction" and "financial factors" index are loyal customers and the second cluster of customers because of low performance in "novelty" index, mean performance in "number of transaction" index and high performance in "financial factors" are among those customers who are turning away from bank.

کلیدواژه‌ها English

genetic algorithm
Fuzzy C-means algorithm
Branches of Refah bank
Customer’ cluste‌ring
[1]  خواجه‌وند،س.، تقوی‌فرد، م.، نجفی، ا. (1391) «بخش‌بندی مشتریان بانک صادرات ایران با استفاده از داده‌کاوی»، فصلنامه علمی پژوهشی مطالعات مدیریت (بهبود و تحول)، ش. 67.
[2]    Griffin, J., Lowenstein, W.M. (2001) Customer winback: How to recapture lost customers and keep them loyal, San Francisco: Jossey-Bass.
[3]  ناجی عظیمی،ز.، قربان‌پور، ا. (1394) «بکارگیری الگوریتم بهینه‌سازی ازدحام ذرات برای خوشه‌بندی مشتریان»، مجله تحقیق در عملیات در کاربردهای آن، صص 33-47.
[4]    Yang, F., Sun, T., and Zhang, C. (2009) An efficient hybrid data clustering method based on K-harmonic means and particle swarm optimization, Expert Systems with Applications, pp.847-852.
[5]  مصلحی، ن.، کفاشپور، آ.، ناجی عظیمی، ز. (1391) استفاده از مدلLRFM برای بخش بندی مشتریان براساس ارزش چرخه عمر آنها در جهت بهبود مدیریت ارتباط با مشتری، پایان‌نامه‌ کارشناس ‌ارشد دانشکده علوم اداری و اقتصاد، دانشگاه فردوسی مشهد.
[6]    Kotler, P. (1994) Marketing management: Analysis, planning, implementation, and control, New Jersey: Prentice-Hall.
[7]    Glady. N., Bart, B., Christopher, C. (2008) A Modified pareto /NBD approach for predicting customer lifetime Value, Expert System with Applications, Doi:10.1016.
[8]  غضنفری،م.، ملک‌محمدی، س.، علیزاده، س. (1389) «بخش‌بندی مشتریان در صادرات پوشاک برپایه لگوریتم‌های خوشه‌بندی»، فصلنامه پژوهشنامه‌ بازرگانی، ش. 56، صص 59-86.
[9]  نوروزی، ا. (1388) شناسایی و پیش‌بینی نرخ‌ روی‌گردانی مشتری به کمک تکنیک‌های داده‌کاوی (موردکاوی: بانک کشاورزی)، پایان‌نامه‌ کارشناسی ارشد، دانشگاه تربیت مدرس.
[10] نژاد فلاطوری مقدم، ط.، حسن زاده، ع.، الهی، ش. (1390) بخش‌بندی ‌مشتریان بانک و تعیین استراتژی ارتباط با مشتری با استفاده از داده‌کاوی، پایان‌نامه‌ دانشگاه تربیت مدرس.
[11] حسینی،ف.، نجف‌پور، ح.، خدمتی، م.، یزدانی، ح. (1388) بخش‌بندی مشتریان خدمات بانکی براساس منافع مورد انتظار مشتری: مطالعه موردی مؤسسه مالی و اعتباری مهر، اولین کنفرانس بین‌المللی بازاریابی خدمات بانکی.
[12] حنفی‌زاده، پ.، عظیمی، پ.، رستخیزپایدار، ن. (1389) بخشبندی مشتریان براساس ریسک با استفاده از تکنیک داده‌کاوی (مورد مطالعه: بیمه بدنه اتومبیل بیمه ملت)، پایان‌نامه کارشناسی‌ ارشد مدیریت گرایش فناوری اطلاعات، دانشکده مدیریت وحسابداری، دانشگاه علامه طباطبایی.
[13] تارخ، ج.، شریفیان، ک. (1387) خوشه‌بندی مشتریان بانک و تحلیل آنها با استفاده از هرم ارزش مشتری، ششمین کنفرانس بین‌المللی مهندسی صنایع.
[14] ربیعی، ع.، فیروزی، م.(1393) بخش‌بندی مشتریان بانک‌ها برمبنای مزایا و نگرش مورد انتظار ایشان، مطالعات حسابداری وحسابرسی، ش. 9.
[15] غلامیان، م.، نیکنام، ز. (1389) «ارائه الگویی تطبیقی یافته برای بخش‌بندی مشتریان بانک‌ها براساس ارزش دوره‌ عمر آنان»، پژوهشنامه مدیریت اجرایی، س. 4، ش. 7.
[16] افسر، ا.، محجوب، ر.، مینایی بیدگلی، ب. (1392) خوشه‌بندی اعتباری مشتریان برای ارائه تسهیلات متناسب. پژوهش‌های بازرگانی، دوره 17، ش. 4، زمستان 1392، صص 1-24.

[17] شریف‌آبادی، ع. (1393) «خوشه‌بندی مشتریان بانک با استفاده از شبکه‌های عصبی رقابتی»، پژوهش‌های مدیریت بازرگانی، دوره 6، ش. 1، بهار 1393، صص 187-206.


[18] دوست حسینی، ر.، ناجی مقدم، م. (1392) ارائه مدل جدیدی برای خوشه‌بندی مشتریان صنعت بیمه، یازدهمین همایش ملی کامپیوتر و سیستم‌های هوشمند.


[19]  Chang, H., Tsay, S. (2004) "Integrating of SOM and K-mean in data mining clustering: An empirical study of CRM and profitability evaluation", Journal of Information Management, Vol. 11, pp. 161–203.
[20]  Li, D., & et al (2011) "A two-stage clustering method to analyze customer characteristics to build discriminative customer management: A case of textile manufacturing business", Expert Systems with Applications, pp.7186–7191.
[21]  Wang, Y., Lao, Y., Wang, Y. (2014) "A fuzzy-based customer clustering approach with hierarchical structure for logistics network optimization", Expert Systems with Applications.
[22]  Cheng,C.H., Chen,Y. S. (2009) "Classifying the segmentation of customer value via RFM Model and RS theory", System with Applacation, Vol. 36, pp. 4176-4184.
[23] ناجی عظیمی، ز.، پویا، ع.، قربان‌پور، ا. (1393) کاربرد الگوریتم ژنتیک جهت خوشه‌بندی فازی صنایع منطقه ویژه پارس جنوبی از حیث عمل به مدیریت زنجیره تأمین سبز، دهمین کنفرانس مهندسی صنایع، دانشگاه تهران.
[24] بیابانی،ج.، شایگانی،ب.، ندری،ک.، عبدالهی، م. (1391)"امکان‌سنجی نظریه منطقه بهینه پولی همکاری اقتصادی (اکو): الگوریتم خوشه‌بندی فازی نسبت به مرکز برای کشورهای سازمان (OCA)"، فصلنامه پژوهش‌ها و سیاست‌های اقتصادی، ش. 62.