| تعداد نشریات | 61 |
| تعداد شمارهها | 2,223 |
| تعداد مقالات | 18,061 |
| تعداد مشاهده مقاله | 55,782,425 |
| تعداد دریافت فایل اصل مقاله | 28,991,712 |
مدل بهینهسازی چندهدفه تخصیص خدمت به مشتریان بانک با بهکارگیری دادهکاوی و شبیهسازی | ||
| مطالعات مدیریت کسب و کار هوشمند | ||
| مقاله 1، دوره 7، شماره 25، مهر 1397، صفحه 5-40 اصل مقاله (1.23 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22054/ims.2018.9740 | ||
| نویسندگان | ||
| محمدعلی خاتمی فیروزآبادی1؛ محمد تقی تقوی فرد2؛ سید خلیل سجادی3؛ جهانیار بامدادصوفی4 | ||
| 1دانشیار، گروه مدیریت صنعتی، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبائی، تهران | ||
| 2عضو هیئت علمی دانشگاه علامه طباطبایی دانشکده مدیریت و حسابداری | ||
| 3دانشجوی دکتری، مدیریت صنعتی، دانشکده مدیریت و حسابداری،دانشگاه علامه طباطبائی، تهران | ||
| 4دانشیار گروه مدیریت صنعتی، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبائی، تهران. | ||
| چکیده | ||
| شناخت الگوهای رفتاری مشتریان، خوشهبندی و ارائه خدمت به آنها یکی از مهمترین مسائل بانکها محسوب میشود. در این تحقیق پنج ویژگی هریک از مشتریان شامل آخرین زمان مراجعه، تعداد تراکنش، مبلغ سپردهگذاری، مبلغ وام و مانده معوقات وامها در طول یک سال فعالیت از پایگاه داده بانک استخراج شد و به کمک الگوریتم کامیانگین، مشتریان خوشهبندی شدند. سپس یک مدل چندهدفه تخصیص خدمات بانک به هرکدام از خوشهها طراحی گردید. اهداف مدل طراحی شده افزایش میزان رضایت مشتریان، کاهش هزینهها و کاهش ریسک تخصیص خدمات است. با توجه به آنکه مسئله دارای یک راهحل بهینه نبوده و هر یک از ویژگیهای مشتری دارای یک تابع توزیع احتمالیاند، برای حل از شبیهسازی استفاده شد. جهت تعیین جواب نزدیک به بهینه از الگوریتم تبرید در ساخت جوابهای همسایه استفاده شد و مدل شبیهسازی اجرا گردید. نتایج بهدستآمده بهبود قابلتوجهی نسبت به وضعیت فعلی را نشان داد. در این تحقیق از نرمافزارهای وکا و آر-استودیو برای دادهکاوی و آرنا برای شبیهسازی و بهینهسازی استفاده شد. | ||
| کلیدواژهها | ||
| خوشهبندی؛ مدل تخصیص چند هدفه؛ بهینهسازی؛ شبیهسازی | ||
| مراجع | ||
|
اکبری اصل، رضا، سلیمانی بشلی، علی (1392). بازاریابی خدمات بانکی، نشر اتحاد. تقوی فرد، محمدتقی، خواجوند، سمانه و نجفی، اسماعیل (1391). بخشبندی مشتریان بانک صادرات ایران با استفاده از دادهکاوی. مطالعات مدیریت بهبود و تحول، شماره 21، ص 197-200. سهرابی، بابک، رئیسی وانانی، ایمان و زارع میرکآباد، فائزه(1395). طراحی سیستم توصیه گر بهمنظور بهینهسازی و مدیریت تسهیلات بانکی بر مبنای الگوریتمهای خوشهبندی و طبقهبندی تسهیلات، پژوهشهای نوین در تصمیمگیری، دوره 1، شماره 2، ص 53-76. شهرابی، جمال و ذوالقدر علی. (1394) دادهکاوی پیشرفته، نشر سروش گیتا، تهران. قربانپور، احمد، طلایی، قدرتاله، پناهی، مریم.(1394) خوشهبندی مشتریان شعب بانک رفاه با تلفیق الگوریتمهای ژنتیک و سیمیانگین در محیط فازی، پژوهشهای مدیریت منابع انسانی، دوره 5، شماره 3، صفحه 153-168. کرامتی، عباس و خالقی، روشنک،(1393) توسعه یک سیستم پیشنهاددهنده محصول طراحی مدلی ترکیبی با بهرهگیری از روشهای فیلترینگ مشارکت محور، کشف قوانین انجمنی و بخشبندی مشتریان، مهندسی صنایع دانشگاه تهران، دوره 48،شماره 2، ص 257- 280. مومنی، منصور.(1390) خوشهبندی دادهها (تحلیل خوشهای)، نشر دانش نگار، تهران. میرزازاده، میثم.(1387) ارائه مدل سنجش وفاداری مشتریان با استفاده از شبکههای عصبی خود سازمانده، پایاننامه کارشناسی ارشد، دانشکده مدیریت و حسابداری دانشگاه علامه طباطبائی، تهران، ایران. Abiodun,R.(2017)”Development of Mathematical Models for Predicting Customers Satisfaction in the Banking System with a Queuing Model Using Regression Method” American Journal of Operations Management and Information Systems. Vol. 2, No. 2, 2017, pp. 86-91.
Alborzi, M. & Khanbabaei, M. (2016). Using data mining and neural networks techniques to propose a new hybrid customer behaviour analysis and credit scoring model in banking services based on a developed RFM analysis method. International Journal of Business Information Systems, 23(1), 1-22.
Chapman, P. Clinton, J. Kerber, R., Khabaza, T., Reinartz, T., Shearer, C., & Wirth, R. (2000).”CRISP-DM 1.0: Step-by-step data mining guide”. SPSS Incc.
Chen,Q.,Zhang, M., Zhao,X., (2017) ”Analysing customer behaviour in mobile app usage”, Industrial Management & Data Systems, Vol. 117 Issue: 2, pp.425-438.
Hartigan, J. (1975), Clustering algorithms, Wiley, New York.
Hanafizadeh, P., & Mirzazadeh, M. (2011). Visualizing market segmentation using self-organizing maps and fuzzy delphi method – ADSL market of a telecommunication company, Expert Systems with Applications, 38, 198-205.
Hughes AM (1996). Boosting reponse with RFM. Mark. Tools, 5: 4-10.
Peker,S., Kocyigit,A., Erhan,E., (2017) “LRFMP model for customer segmentation in the grocery retail industry: a case study”, Marketing Intelligence & Planning, Vol. 35 Issue: 4, pp.544-559.
Reinartz W. J., Kumar V.( 2003). “The impact of customer relationship characteristics on profitable lifetime duration”, Journal of Marketing, Vol. 67. No.1,pp.77-99.
Sajjadi, K., Khatami-Firuzabadi, M. A., Amiri, M., & Sadaghiani, J. S. (2015).“A developing model for clustering and ranking bank customers”. International Journal of Electronic Customer Relationship Management, 9(1), 73-86.
Singh.S., Singh,S.,(2016) “Accounting for risk in the traditional RFM approach”, Management Research Review, Vol. 39 Issue: 2, pp.215-234.
Thomas, J. S. (2001). “A methodology for linking customer acquisition to customer retention”, Journal of Marketing Research, 38 (2), pp. 262-268.
Wu, Hsin-Hung; Chang, En-Chi and Lo, Chiao-Fang,( 2009) “Applying RFM model and K-means method in customer value analysis of an outfitter”, International Conference on Concurrent Engineering, New York.
Zabkowski,T., (2016) “RFM approach for telecom insolvency modeling”, Kybernetes, Vol. 45 Issue: 5, pp.815-827, doi: 10.1108/K-04-2015-0113 | ||
|
آمار تعداد مشاهده مقاله: 1,198 تعداد دریافت فایل اصل مقاله: 809 |
||