شناسایی عوامل مؤثر بر موفقیت بازاریابی در یکی از شعب بانک تجارت با استفاده از تکنیک‌های داده‌کاوی

الموضوعات : مدیریت بازاریابی

مهدی غضنفری ¹ (استاد، گروه مهندسی صنایع، دانشگاه علم و صنعت ایران، تهران، ایران)
اقدس بدیعی ² (دانشجوی دکتری مهندسی سیستم‌های اقتصادی و اجتماعی، دانشگاه علم و صنعت ایران، تهران، ایران)
فاطمه مصلحی ³ (دانشجوی کارشناسی‌ارشد مهندسی فناوری اطلاعات، دانشگاه علم و صنعت ایران، تهران، ایران)

تاريخ الإرسال : 30 الخميس , جمادى الثانية, 1440 تاريخ التأكيد : 10 السبت , ذو القعدة, 1440 تاريخ الإصدار : 05 السبت , شعبان, 1439

الکلمات المفتاحية: بازاریابی تلفنی, درخت تصمیم, بانکداری, مدیریت ارتباط با مشتری, داده‌کاوی,

ملخص المقالة :

با توجه به بازار رقابتی موجود در صنعت بانکداری، اهمیت مدیریت ارتباط با مشتری روزبه‌روز افزایش می‌یابد که یکی از مهم‌ترین ارکان آن، بازاریابی فعال و مؤثر است. از این رو، در این پژوهش تلاش شده است با توجه به کاربرد ابزارهای داده‌کاوی، عوامل مؤثر بر موفقیت فعالیت بازاریابی در یکی از شعب بانک تجارت، شناسایی و بررسی شود. عواملی که باعث می شوند مشتریان بانک، تمایل بیشتری به بهره مندی از سپرده‌های بلند مدت در بانک از خود نشان دهند. در حقیقت، نتایج این پژوهش به افزایش نرخ بازگشت در بازاریابی مستقیم در صنعت بانکداری کمک خواهد کرد که در مطالعات پیشین کمتر مورد توجه قرار گرفته بود. به این منظور، مجموعه‌ داده‌ای مربوط به کمپین بازاریابی تلفنی صورت گرفته در یکی از شعب بانک تجارت در بازه زمانی اردیبهشت 1395 الی شهریور 1397 دریافت شده است. تحقیق حاضر از حیث طبقه بندی تحقیقات بر مبنای هدف از نوع کاربردی است و از دیدگاه روش شناسی تحقیق، از نوع آمیخته می باشد. متغیر هدف این مسئله، نتیجه موفقیت یا شکست فعالیت بازاریابی تلفنی صورت گرفته است. ابتدا به جهت شناسایی مشتریان با استفاده از الگوریتم خوشه‌بندی K-Means داده ها به شش خوشه تقسیم شده اند. در مرحله بعد، به‌ منظور شناسایی عوامل مؤثر بر موفقیت کمپین بازاریابی، از الگوریتم‌های درخت تصمیم C5 و CART استفاده شده است. به‌عنوان نتیجه‌گیری کلی از اجرای سه الگوریتم ذکرشده می‌توان عنوان کرد که در مقایسه با سایر متغیرها، متغیر مدت‌زمان مکالمه با مشتری، بیشترین تأثیر را در تصمیم‌گیری شخص در مورد افتتاح سپرده داشته است. لازم به ذکر است از آن جا که دوره زمانی و مکان جمع آوری داده در این پژوهش محدود بوده است، احتمالاً نتایج این پژوهش قابل تعمیم به سایر بانک ها نیست.

المصادر:

آقالاری، ص. و سجودی شیجانی، ا. (۱۳۹۵). "ارایه مدلی جدید برای پیش­بینی وفاداری مشتری مبتنی بر وضعیت سازمان با روش­های داده­کاوی مطالعه موردی: بانک­های خصوصی و دولتی تبریز"، سومین کنفرانس بین المللی مدیریت و اقتصاد، دانشگاه تربیت حیدریه، ایران.

 

تارخ، م. و شریفیان، ک. (1389). "کاربرد داده‌کاوی در بهبود مدیریت ارتباط با مشتری"، فصلنامه علمی پژوهشی مطالعات مدیریت صنعتی، دوره 6، شماره 17، صص. 153- 181.

 

خطیب سمنانی، م.، ایزدی، س. و خادمی، ر. (1396). "مزیت رقابتی داده کاوی در بانکداری الکترونیکی در برابر نااطمینانی‌های اقتصادی"، اقتصاد مالی، دوره 11، شماره 39، صص. 146-125.

 

خواجوند، س.، تقوی‌فرد، م. و نجفی، ا. (1391). "بخش­بندی مشتریان بانک صادرات ایران با استفاده از داده کاوی"، مطالعات مدیریت (بهبود و تحول)، دوره 19، شماره 67، صص. 179-200.

 

رادفر، ر.، نظافتی، ن. و یوسفی‌اصل، س. (1393). "ﻃﺒﻘﻪﺑﻨﺪی ﻣﺸﺘﺮﻳﺎن اﻳﻨﺘﺮﻧﺖﺑﺎﻧﻚ ﺑﺎ ﻛﻤﻚ اﻟﮕﻮرﻳﺘﻢ‌های دادهﻛﺎوی"، مدیریت فناوری اطلاعات، دوره 6، شماره 1 ، صص. 90-71.

 

زین‌العابدین، ف.، مهدوی، م. و خان‌بابایی، م. (1390). "بکارگیری تکنیک‌های داده‌کاوی و بازاریابی در بخش‌بندی و تحلیل رفتار مشتریان بانکداری الکترونیکی"، کنفرانس ملی فناوری اطلاعات و جهاد اقتصادی. دانشگاه سلمان فارسی کازرون، ایران.

 

عرب‌مازار، ع.، نعمتی، م. و درویشی، ا. (1396). "بررسی اثر روابط اعطای تسهیلات بر هزینه مبادله تسهیلات بانکی: مطالعه موردی بانک کشاورزی"، اقتصاد مالی، دوره 11، شماره 38، صص21-46.

 

قدس‌الهی، ا.، شهریوری، ش. و ذوالنوری، م. (1390). "مقایسه تطبیقی تکنیک‌های داده‌کاوی به منظور ارزیابی اعتباری مشتریان"، پنجمین کنفرانس داده کاوی ایران، 23-22 آذر. 1390.

 

کاباران‌زاده قدیم، م. و کردنوری، ا. (1392). "شناسایی و بررسی رابطه بین عوامل حیاتی موفقیت در حوزه اعتباری بانک و اولویت‌بندی آنها با رویکرد فرآیند تحلیل سلسله مراتبی (موردکاوی بانک توسعه صادرات ایران – تهران"، اقتصاد مالی، دوره 7، شماره 24، صص. 213-242.

 

ناظمی، ج.، جعفری، پ. و هاشمی، ح. (1391). "کاوش خصوصیات مشتریان بانکداری خرد با استفاده از تکنیک‌های داده‌کاوی"، مجله مدیریت بازاریابی، دوره 7، شماره 14، صص 35-21.

 

ولایتی، م.، حسین‌زاده لطفی، ف.، شهریاری، م. و رهنمای رودپشتی، ف. (1396). "رویکرد داده‌کاوی در بخش‌بندی بازار مشتریان به منظور اتخاذ استراتژی‌های کارا (مطالعه موردی صنعت مخابرات)"، اقتصاد مالی، دوره 11، شماره 38، صص. 243-266.

 

Bilal Zoric, A. (2016). “Predicting customer churns in banking industry using neural networks”, Interdisciplinary Description of Complex Systems, 14 (2), PP. 116-124.

 

Chu, B.H, Tsai, M.S. Ho, C.S. (2007). “Toward a hybrid data mining model for customer retention”, Knowledge-Based Systems, 20)8(, PP. 703-718.

 

Elsalamony, H.A. (2014). “Bank direct marketing analysis of data mining techniques”, International Journal of Computer Applications, 85(7), PP. 12-22.

 

Glady, N., Baesens, B. & Croux, C. (2008). “Modeling churn using customer lifetime value”, European Journal of Operational Research, 197(1), PP. 402-411.

 

Han, J. & Kamber, M. (2006). “Data Mining: Concepts and Techniques”, United States of America: Morgan Kaufmann publishers.

 

Kotler, P. & Keller. K. (2008). “Marketing Management: Analysis, Planning, and Control”, Prentice-Hall, New Jersey.

 

Kotler, P. & Keller, K.L. (2013). “Framework for Marketing Management: Global Edition”, Pearson Higher Ed.

 

Li, W., Wu, X., Sun, Y. & Zhang, Q. (2010). “Credit card customer segmentation and target marketing based on data mining”, In Computational Intelligence and Security (CIS), 2010 International Conference on, PP. 73-76.

 

Mitik, M., Korkmaz, O., Karagoz, P., Toroslu, I.H. & Yucel, F. (2017). “Data Mining Approach for Direct Marketing of Banking Products with Profit/Cost Analysis”, the Review of Socionetwork Strategies, 11(1), PP. 17-31.

 

Nachev, A. & Hogan, M. (2014). “Application of multilayer perceptrons for response modeling”, In Proceedings on the International Conference on Artificial Intelligence (ICAI) (P. 1). The Steering Committee of the World Congress in Computer Science, Computer Engineering and Applied Computing (WorldComp).

 

Ngai, E.W., Xiu, L. & Chau, D.C. (2009). “Application of data mining techniques in customer relationship management: A literature review and classification”, Expert systems with applications,36(2), PP. 2592-2602.

 

Nueno, J.L. & Quelch, J.A. (1998). “The mass marketing of luxury” Business Horizons, 41(6), PP. 61-68.

 

Ogwueleka, F.N., Misra, S., Colomo‐Palacios, R. & Fernandez, L. (2015). “Neural network and classification approach in identifying customer behavior in the banking sector: A case study of an international bank”, Human factors and ergonomics in manufacturing & service industries, 25(1), PP. 28-42.

 

Oyeniyi, A.O. & Adeyemo, A.B. (2015). “Customer Churn Analysis in Banking Sector Using Data Mining Techniques”, African Journal of Computing & ICT, 8 (3).

 

Pavlović, D., Reljić, M. & Jaćimović, S. (2014). “Application of data mining in direct marketing in banking sector”, Industrija, 42(1), PP. 189-201.

 

Shih, J.Y., Chen, W.H. & Chang, Y.J. (2014). “Developing target marketing models for personal loans”, In Industrial Engineering and Engineering Management (IEEM), 2014 IEEE International Conference on. PP. 1347-1351.

 

Tan, P.N., Steinbach, M. & Kumar, V. (2005). “Introduction to Data Mining”, Pearson education.

 

Van den Poel, D. & Lariviere, B. (2004). “Customer attrition analysis for financial services using proportional hazard models”, European Journal of Operational Research, 157(1), PP. 196-217.

 

Xu, S. & Qiu, M. (2008). “A Privacy Preserved Data Mining Framework for Customer Relationship Management”, Journal of Relationship Marketing, 7 (3), PP. 309-321.

 

Yang, X., Chen, J., Hao, P. & Wang, Y.J. (2015). “Application of clustering for customer segmentation in private banking”, In Seventh International Conference on Digital Image Processing (ICDIP 2015) (Vol. 9631, P. 96311Z). International Society for Optics and Photonics.