19360

۱۹۳۶۰

ارائه مدل تركيبي جهت پيش بيني ميزان وفاداري پذيرندگان پايانه هاي فروشگاهي مبتني بر روند تراكنش هاي دستگاه هاي كارت خوان

كارشناسي ارشد

مديريت

۹۴-۹۶

۱۳۹۶/۰۶/۲۵

دكتر عبد الرحمن حائري

دكتر روزبه قوسي

صنايع

طراحي مدلهاي پيش بيني رفتار مشتريان با استفاده از الگوريتم هاي داده كاوي، بانك ها را قادر مي سازد تا پيش از رويگردان شدن مشتريان بدلايل مختلف، آنها را شناسايي كرده و به موقع مشكلات آنان را رفع نمايند. در اين پژوهش، دو مدل براي پيش بيني وفاداري پذيرندگان پايانه هاي فروشگاهي بر اساس تراكنش هاي آنها ارائه شده است. اين مدلها بر اساس متدولوژي استاندارد CRISP-DM انجام گرفته و داده هاي مورد نياز از پايگاه داده هاي يكي از بانك هاي خصوصي كشور استخراج شده است. براي تحليل داده ها از نرم افزارClementine 14 استفاده شد تا با استفاده از تكنيك¬هاي كشف دانش در پايگاه داده مانند خوشه¬بندي به كمك الگوريتم k-means داده¬ها بر اساس ويژگي¬هايي مهم مانند: تعداد تراكنش در ماه جاري، تعداد تراكنش در ماه قبل خوشه¬بندي شده تا وضعيت هر يك از پايانه¬ها در هر يك از ماه هاي سال مشخص گردد . شاخصهاي كليدي مهم از ميان داده هاي موجود تعيين و به كمك آنها شاخص هاي جديدي بنام شاخصهاي وفاداري تعريف شد.و نهايتا با كمك تكنيكهاي پيش بيني (رگرسيون گام به گام و درخت تصميم) ميزان وفاداري هريك از پذيرندگان مشخص گرديد. اين پژوهش از نظر هدف، كاربردي توصيفي و از نظر گرد آوري داده ها، پژوهشي اسنادي است. مدلهاي طراحي شده، پي اس پي ها (PSP) را قادر مي سازد تا بر اساس پيش بيني هاي صورت گرفته مشترياني را كه احتمال مهاجرت به ساير بانكهاي رقيب را دارند شناسايي كرده اقدامات لازم پيش گيرانه را به اجرا گذارند.

1397/06/24

Presentation of a hybrid model to predict the loyalty of bank customers based on the process of financial transactions

9/16/2017 12:00:00 AM

Designing customer behavior prediction models using data mining algorithms enables banks to identify and timely solve problems before turning their customers around for a variety of reasons. In this study, two models are proposed to predict the loyalty of the receivers of the terminal terminals based on their transactions. These models are based on the standard CRISP-DM methodology and the required data are extracted from the databases of one of the country's private banks. The Clementine 14 software was used to analyze the data, using knowledge-based discovery techniques such as clustering with k-means algorithm, based on important features such as: number of transactions in the current month, number The transaction was clustered last month to determine the status of each of the terminals in each of the months of the year. Key indicators were identified from existing data and with their help, new indicators called loyalty indicators were defined. Finally, with the help of prediction techniques (stepwise regression and decision tree), the loyalty rate of each of the recipients was determined. This research is descriptive in terms of purpose, descriptive and in terms of data collection, documentary evidence. Designed models enable PSPs to identify, based on predictions, customers who are likely to migrate to other competing banks and take the necessary precautionary measures.