کشف دانش حاکم بر ویژگی‌های جمعیت‌شناختی مشتریان در انتخاب بانک‌ها با استفاده از قوانین انجمنی در داده کاوی

محورهای موضوعی : مدیریت بازرگانی- بازرگانی

ناصر قبولی ¹ , علیرضا بافنده زنده ² , صمد عالی ³

1 - دانشجوی دکتری گروه مدیریت، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران
2 - دانشیار گروه مدیریت، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران(نویسنده مسئول)
3 - استادیار گروه مدیریت، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران

تاریخ دریافت : 1402/04/25 تاریخ پذیرش : 1402/08/09 تاریخ انتشار : 1402/09/01

کلید واژه: داده‌کاوی, ویژگی‌های جمعیت‌شناختی, قوانین انجمنی, رفتار مصرف­ کننده,

چکیده مقاله :

هدف از پژوهش حاضر کشف دانش حاکم بر ویژگی های جمعیت شناختی مشتریان در انتخاب بانک‌ها با استفاده از قوانین انجمنی در داده کاوی است تصمیم گیری مؤثر و یادگیری در دنیای در حال رشد و با پیچیدگی های چشمگیر علاوه بر وجود مدیران و رهبرانی متفکر، نیاز به ابزارهایی جهت درک ساختارهای سیستم های پیچیده و تلخیص انبوه داده ها و تولید دانش برای تصمیم گیری دارند. اکثر کسب‌وکارها، مشتریان کلیدی خود را از طریق ویژگی جمعیت شناختی متنوع شناسایی می کنند. کسب‌وکارها همچنین مصرف کنندگان خود را به وسیلۀ ویژگی های مشابه در تبلیغات و ترفیعات برنامه های بازاریابی خود هدف قرار می‌دهند. هدف گیری مصرف کنندگان با ویژگی های جمعیت شناختی مشابه به حداکثرسازی فروش و سودآوری کسب‌وکار کمک می نماید. بانک‌ها نیز به عنوان بخش مهمی از اقتصاد یک کشور از این قاعده مستثنی نیستند. داده‌کاوی این مسأله را با فراهم کردن روش‌ها و نرم‌افزارهایی برای خودکارسازی تحلیل‌ها و اکتشاف از مجموعۀ داده‌های بزرگ و پیچیده حل می‌کند. این پژوهش بر اساس استاندارد CRISP-DM انجام گرفته و داده ها با پرسشنامه جمع آوری شده و نتایج آن به‌صورت بانک اطلاعاتی به یک نود منبع تبدیل و سپس با استفاده از نرم‌افزار spss modeler قوانین انجمنی مربوط به رفتار مشتریان آن بانک استخراج شده است. قوانین استخراج نشان‌دهندۀ تغییر ها، چه تأثیری در سایر عوامل و در نهایت در دستیابی به اهداف دارند.

چکیده انگلیسی:

The purpose of the present study is to explore the dominant knowledge of the demographic characteristics of customers in choosing banks through  using associative rules in data mining. Effective decision-making and learning in a growing and complex world with with the help of  thinkers and executives is a necessary which also need employing some mechanisms to understand the structures of complex systems and mass data acquisition as well as  knowledge generation to make decisions. Most businesses identify their key customers through a variety of demographic characteristics. Businesses also target their consumers by promoting similar marketing features. Targeting consumers with similar demographic characteristics is useful for maximizing sales and profitability of the business. Banks are no exception to this rule  because they are essential elements of the economy of a country. Data mining solves this problem through  providing methods and software for automating analytics and discovering large and complex data sets. This research was conducted according to CRISP-DM standard and data were collected by questionnaire. Then, the results were converted into a database of ninety sources and after that they were extracted by using SPSS modeler software association rules for each bank. Extraction rules show how changing variables have an effect on other factors and ultimately on achieving goals.

منابع و مأخذ:

 

• Cai,y.and Shannon,R.(2012), “personal values and mall shopping behavior: The mediating role of intention among chine’s consumers”, International Journal of Retail & Distribution Management,Vol.40 No.4,pp.220-317


• Dennis, C., Merrilees, B., Jayawardhena, C., & Wright, L. (2009). E‐consumer behaviour. European Journal of Marketing, 43, 1121 - 1139.


• Fayyad, U., Piatetsky-Shapiro, G. & P. Smyth (1996), "The KDD Process for Extracting useful Knowledge from Volumes of Data", Communications of the ACM, Vol. 39, No. 11, PP. 7-34.


• Hassan, Esmail Pour, (2010), Fundamentals of Marketing Management, Third Edition, Tehran, Negahe Danesh Publications. [Persian]


• Hawkins, Connie, Bast, Translated by: Roosta, Ahmad, Battahai, Attieh, Consumer Behavior, Sargol Publishing; First published in 2006, the ninth edition. [Persian]


• Hossein Jalilian, Mohammad Rahim Esfidani, (2016), Consumer Behavior, Negahe Danesh Publications, First Edition, Tehran. [Persian]


• Https://www.cbi.ir/BanksInstitutions/BankInstitute.aspx


• Jacob, G., Ramani, R.(2012). "Data Mining in Clinical Data Sets: A Review", International Journal of Applied Information Systems (IJAIS),4(6),pp:15-.26


• Joonwhan David Lee, Angelica Bahl, Gregory S. Black, Darrin C. Duber-Smith, Nicole S. Vowles, (2016) "Sustainable and non-sustainable consumer behavior in young adults", Young Consumers, Vol. 17 Issue: 1, pp.78-93.


• Kim, J., Frosythe,s., Gu, Q. and Moon, S.J. (2002), “cross of consumer marketing, vol.19 No.6, pp.481-502.


• Marban, O., Menasalvas, E., Fernandez- Baizan, C.(2008)."A Cost Model to Estimate the Effort of Data Mining Projects (DMCoMo)", Information Systems, Vol. 33, No. 1, pp: 133-150.


• Matsatsinis, N. F., & Samaras, A. P. (2000). Brand Choice Model Selection Based on Consumers’ Multicriteria Preferences and Experts’ Knowledge. Computers & Operations Research, 27(7-8), 689-707.


• Miguéis, V.L., Poel, Dirk Van den, Camanho, A.S., and Cunha, Joo Falco e (2012). Modeling partial customer churn: On the value of first product-category purchase sequences. Expert Systems with Applications, 39: 11250


• Mohamed Razi, M. J.; Abdul Karim, N. S.; Mohamed, N. (2014). Gender difference effects on contributing factors of intention to be involved in knowledge creation and sharing. Asian Economic and Financial Review, 4(7), 893-907.


• Moone, S. Minor (2019), Consumer Behavior, Kambiz Heidarzadeh, Mehraban Publications, Eighth Edition, Tehran. [Persian]


• Osman,S.,Chan Yin Fah,B.and Foon,Y.S.(2011), “Simulation of sale promotions toward buying behavior among university students”,Vol.3,No.3,August,pp.78-88.


• Pangil, F.; Nasurdin, A. M. (2008). Demographics factors and knowledge sharing behavior among R&D employees. Knowledge Management International Conference and Exhibition, 128-133. Retrieved February,15,2012,from:http://repo.uum.edu.my/1899/1/Faizuniah_Pangil_%26_Aizzat_Mohd_Nasurdin[1].pdf


• Papafotikas,I.,Chatzoudes,D.and Kamenidou,I.(2014), “purchase decisions of Greek consumer:an empirical study” Procedia Economics and Finance(9),pp.456-465.


• Quester, P. & McGuiggan, R. 2004. Marketing. Creating and delivering value. Australia: McGraw Hill.


• Rahimi, H. Arbabisarjou, A., Allameh, M. & Aghababaei, R. (2011). Relationship between knowledge management process and creativity among faculty members in the university. Interdisciplinary Journal of Information Knowledge and Management(IJIKM), 6, 17-33.


• Roy, S. & Goswami, P. (2007), “Structural equation modeling of valuepsychographic trait-clothing purchase behavior: a study on the urban collegegoers of India”, Emerald Group Publishing, Vol.8 No.4, p.262-277.


• Shahin, Arash and Salehzadeh, Reza, Classifying Customer Needs and Analyzing Their Behavior Using Kano's Consolidated Model and Association rules, Journal of Modern Marketing Research, Vol. 1, No. 2, Summer 2011, pp. 1-16 . [Persian]


• Shankar, S. & Purusothaman, T.(2009)."Utility Sentient Frequent Item Set Mining and Association Rule Mining: A Literature Survey and Comparative Study", International Journal of Soft Computing Applications, Issue 4, pp:81-95.


• Solomon, Michael R., (2013), Consumer Behavior, Kambiz Heidarzadeh, Marketing Publications, First Edition, Tehran. [Persian]


• Solomon, Michael R. (2011). Consumer Behavior. 9th ed. Boston, Mass ; London: Pearson, c201


• Svendsen, M. F., Haugland, S. A., Grønhaug, K., & Hammervoll, T. (2011). Marketing strategy and customer involvement in product development, European Journal of Marketing, 45(4): 513-530.


• Tai, S.H.C. (2008), “Relationship between the personal values and shopping orientation of Chinese consumers”, Asia Pacific Journal of Marketing and Logistics, Vol. 20 No. 4, pp. 381-95


• Tomar D, Agarwal S.(2013). "A survey on Data Mining approaches for Healthcare", International Journal of Bio-Sc Science and Bio-Technology,5(5),PP:241-66.


• Venkatraman, V., Clithero, J. A., Fitzsimons, G. J., & Huettel, S. A. (2012). New Scanner Data for Brand Marketers: How Neuroscience Can Help Better


• Understand Differences in Brand Preferences. Journal of Consumer Psychology, 22(1), 143-153.


• Xiaoyang Han,Zhang P, Micheline Camber, (2019),Data Mining (consepts and Techniques), Translated by:Mehdi esmaili, Publisher:Niyaze Danesh.