16994

16994

استفاده از قواعد باهم آيي داده كاوي براي تفسير خوشه‌هاي مشتريان پايانه فروش بانك (مورد مطالعه: بانك صادرات)

كارشناسي ارشد

هوش مصنوعي

شهريور 1395

دكتر بهروز مينايي بيدگلي

كامپيوتر

چكيده: امروزه بدون توجه به مديريت ارتباط با مشتريان و فعاليت‌هاي بازاريابي در حوزه بانكداري الكترونيك ، احتمال رويگرداني و خروج مشتريان برتر وجود دارد. دستگاه‌هاي POS با توجه به نقش بسيار مهمي كه در خدمات الكترونيك بانك‌ها دارند، بسيار مورد توجه مشتريان قرار¬داشته و عدم رضايت از كيفيت خدمات مرتبط با دستگاه‌هاي POS كه اغلب از ناموفق بودن تراكنش‌ها ناشي مي‌گردد ، مي‌تواند سبب رويگرداني مشتريان در استفاده از دستگاه‌هاي POS بانك شود. هدف از پژوهش حاضر، استفاده از قواعد باهم¬آيي داده‌كاوي براي تفسير خوشه‌هاي مشتريان پايانه فروش بانك صادرات در مناطق مختلف شهر تهران است. در اين پژوهش مدل خوشه‌بندي K-Means به‌منظور خوشه¬بندي تراكنش‌هاي مشتريان، مورداستفاده قرارگرفته¬است. بر¬اساس خوشه‌بندي صورت گرفته، تراكنش مشتريان به سه بخش تقسيم شده است. در هر يك از بخش‌هاي ايجادشده پس از مطالعه خصوصيات تراكنش‌ها در آن بخش از الگوريتم‌هاي رده‌بندي نظريه مجموعه مبهم كه يكي از قوي¬ترين انواع قواعد با¬¬هم¬آيي به ويژه در موارد عدم قطعيت قواعد است و همچنين درخت تصميم، به‌منظور پيش‌بيني موفقيت يا عدم موفقيت تراكنش¬هاي دستگاه POS استفاده شده و در ادامه دقت مدل‌ها مورد مقايسه قرارگرفته است. نتايج نشان داد تئوري مجموعه مبهم با توجه به اينكه عدم قطعيت قواعد را موردتوجه قرار مي‌دهد، توانسته با دقت بالاتري نسبت به درخت تصميم عمل پيش‌بيني را براي متغير پاسخ (نتيجه عمليات) در كليه خوشه‌ها انجام دهد. واژه‌هاي كليدي : تراكنش، POS، الگوريتم K-Means ، قواعد باهم¬آيي، درخت تصميم، نظريه مجموعه مبهم، بانك صادرات

1396/01/16

1/1/1900 12:00:00 AM

Abstract: Today, disregarding customer communication management an​d marketing activities in electronic banking may cause customers to turn away an​d leave. According to their important role in electronic banking services, customers have become interested in POS. Lack of satisfaction in the quality of POS services, mostly ensued by the failure of transactions, can make customers reject using banks` POS. This study aims to use data mining association rules to interpret customer clusters of the sales terminal of Saderat bank in different regions of Tehran. This study uses the K-Means clustering model to cluster customer transactions. Accordingly, customer transactions are divided into three parts. In each generated part, after studying its transactions` features, decision tree an​d classification algorithms of Rough set theory are used to predict the success o​r failure of the POS transactions. The Rough set theory provides one of the most powerful types of association rules, particularly in the presence of uncertainty. Subsequently, models are compared in terms of their accuracy. Results indicate that due to considering the uncertainty of rules, the Rough set theory predicts the solution variable (operation result) more accurately than the decision tree for all clusters. Keywords: Transaction, POS, Association Rules, Decision Trees, Rough set theory, Saderat Bank.