Presentation of a combined data mining model using associative rules and clustering to identify the dominant patterns of customer behavior (Case study: Ansar Bank)

Subject Areas : Futurology

iman  gharib ¹ (PhD Candidate Industrial Management Department, Science and Research branch of Islamic Azad University, Tehran Iran [e-mail])
Abbas  Toloie ² (Professor industrial Management Department, Science and Research Branch of Islamic Azad University, Tehran, Iran)
Kambiz  Heidarzadeh ³ (Associate Professor Business Management Department, Science and Research branch of Islamic Azad University, Tehran Iran)

Received: 2018-08-27 Accepted : 2019-01-21 Published : 2019-11-22

Keywords: Customer Dynamic Behavior, segmentation, Association Rules,

Abstract :

Background: A new matter that arises in term of the dynamic behavior of customers is considering the customer segmentation. Based on the banks competitions to increase market share as well as the psychological and environmental factors the dynamics of customers’ behavior should be considered over time. Transferring customers to different sectors over time and discovering the dominant models in their displacements between sectors are of important topics in this context. Objective: this article aims to identify the behavioral clusters, the dominant patterns of displacement, and the leading characteristics and patterns of customer displacements with a focus on the customer dynamics behavior of Ansar banks. Design/Methodology: A Hybrid method based on clustering and association rules has been proposed. Finding: four different behavioral group of customer are identified:" low-value customers with sustainable model", "low-value customer with unsustainable profitability model", "turned away customers with average profitability", "loyal customers with low profitability". Relations between of these groups are analyzed by association rules

Full-Text:



ارائه الگوی ترکیبی داده کاوی با استفاده از قواعد انجمنی و خوشه بندی جهت شناسایی الگوهای غالب رفتار مشتریان( مطالعه موردی : بانک انصار)

 

 

ایمان غریب ( مسئول مکاتبات)

دانشجوی دکتری ، دانشکده مدیریت و اقتصاد دانشگاه آزاد واحد علوم و تحقیقات تهران،

شماره تماس : [phone]
[e-mail]
عباس طلوعی اشلقی (نویسنده مسئول مقاله)
استاد گروه مدیریت صنعتی دانشکده مدیریت و اقتصاد دانشگاه آزاد واحد علوم و تحقیقات تهران

شماره تماس : [phone]

[e-mail]

کامبیز حیدرزاده

دانشیار گروه مدیریت بازرگانی دانشکده مدیریت و اقتصاد دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران

[e-mail]

 

 

 

 

 

 

 

 

 

ارائه الگوی ترکیبی داده کاوی با استفاده از قواعد انجمنی و خوشه بندی جهت شناسایی الگوهای غالب رفتار مشتریان( مطالعه موردی : بانک انصار)

ایمان غریب¹ ( مسئول مکاتبات)
عباس طلوعی اشلقی*²( نویسنده مسئول)
کامبیز حیدرزاده³

چکیده

زمینه: با توجه به رقابت بانک‌ها در جذب مشتریان و تاثیر عوامل روانشناختی و محیطی بر روی رفتار آنها در طول زمان، در بخش بندی مشتریان میبایست پویایی رفتار آنها را مورد بحث قرار داد. شناسایی الگوهای غالب رفتاری مشتریان و انتقال آن به بخشهای مختلف در طول زمان از موضوعات مهم این حوزه میباشد.

هدف: این پژوهش بر آن است با تمرکز بر پویای رفتار مشتریان به شناسایی گروه‌های‌رفتاری، الگوهای غالب جابجایی، ویژگی‌ها و الگوهای حاکم بر جابجایی مشتریان بانک انصار بپردازد.

روش: جهت استخراج الگوهای رفتاری، روشی ترکیبی مبتنی بر خوشه بندی و قوانین انجمنی (k-means و الگوریتم اپریوری) استفاده شده است.

یافته‌ها: بر اساس نتایج بدست آمده چهار گروه رفتاری" مشتریان کم ارزش با الگوی پایدار"، "مشتریان کم ارزش با الگوی سودآوری ناپایدار"، "مشتریان رویگردان شده با سودآوری متوسط"، "مشتریان وفادار با سودآوری کم" شناسایی و ارتباط بین آنها مورد تحلیل قرار گرفته است.

نتیجه گیری: بر اساس یافته‌های بدست آمده، میتوان به مدیران ارشد در اتخاذ استراتژی‌های بازاریابی مناسب در جهت بهبود الگوهای رفتاری کمک شایان توجهی داشت.

 

کلید واژه: بخش بندی، رفتار پویای مشتریان، قوانین انجمنی، خوشه بندی

 

1-       مقدمه

با رشد فناوری و توسعه عوامل رقابتی، نیاز بنگاه‌های اقتصادی به ایجاد و حفظ ارتباط مؤثر با مشتریان بیش از پیش نمود پیدا کرده است. مدیریت بهینه ارتباط با مشتری میتواند به عنوان یکی از ارکان اساسی ایجاد تمایز و ابزاری مهم و اثرگذار در رقابت بین بانکها جهت ارائه خدمات بهینه و جذب مشتریان مدنظر قرار بگیرد. به این منظور بانکها در بازار رقابتی با سایر بانکها و مؤسسات مالی باید به شناخت صحیح از رفتار مشتریان دست یابند. هدف از شناخت رفتار مشتریان، ایجاد تمایز و تشخیص سودآورترین و اقدام در جهت نگهداری و جذب آنها است. با توسعه تکنولوژی‌های نوین، ارائه خدمات نوین بانکداری، رشد فعالیتهای بازاریابی و مدیریت ارتباط با مشتریان احتمال ریزش و رویگردانی مشتريان افزايش پیدا کرده است. از سویی تاثیر عوامل محیطی و روانشناختی از قبیل تبلیغات، ارائه خدمات نوین و ... موجب شده که رفتار مشتری در برخی شرایط از ثبات برخوردار نبوده(ها و باای،2006) و بانکها در تحلیل و پیش‌بینی رفتار مشتریان با عدم قطعیت مواجه گردند. بنابراین باید برای شناخت بهتر نیازها و پیش‌بینی دقیق رفتار مشتری، ماهیت پویای رفتار آنها مورد بررسی قرار گیرد (جعفروند و تاروخ،2010).

مدیریت ارتباط با مشتری زیرساختی است که ارزش مشتری را آشکار می‌کند و افزایش می‌دهد. برای داشتن مدیریت ارتباط با مشتری موثر، جمع‌آوری اطلاعات درباره‌ ارزش مشتری و بخش‌ بندی آنان به منظور پاسخگویی به نیازهای منحصربه‌فرد هر بخش ضروری است. بازار رقابتی به سرعت در حال تغییر و تحول است و ویژگی‌های خاصی از قبیل تکرار خرید مشتریان در بازه‌های زمانی، حجم بالای مشتریان، اطلاعات با ارزش از رفتار خرید مشتریان و ... دارد. در چنین بازارهایی هدف مدیریت ارتباط با مشتری، درک و پیش‌بینی الگوی خرید و شناسایی نیازها مشتریان و عرضه متناسب با خواسته و انتظارات مشتری است (ها و باای،2006). یکی از مسائل نوظهور در حوزه مدیریت ارتباط با مشتری1 و تحلیل رفتار، بخش بندی پویای مشتریان است. با توجه به اهمیت و جایگاه استراتژیک بخش‌بندی در مطالعات مدیریت ارتباط با مشتری، باید رفتار پویای مشتری در این حوزه مورد بررسی قرار گیرد. تحقیقات انجام شده در گذشته غالباً بخش‌های مختلف مشتریان را ثابت فرض کرده و ماهیت پویای رفتار آنها و تغییرات محیطی را نادیده گرفته‌ است. بنابراین پژوهش‌های پیشین با اعمال فرض ثابت بودن بخش‌های مشتریان نمی‌توانند زمینه‌‌های مناسبی برای پیش بینی دقیق رفتار مشتریان فراهم کنند (ها و باای،2006). در بخش‌بندی پویای مشتری دو رویکرد اساسی وجود دارد که عبارتند از مطالعه جابجایی مشتری بین بخش‌های مختلف و بررسی تغییرات بخش‌های مشتریان در طول زمان.

ین پژوهش درنظر دارد الگوهای غالب⁴ جابه‌جایی مشتریان در بازه‌های زمانی متفاوت را به منظور تحلیل رفتار پویای مشتریان شناسایی کند. مطالعات گذشته عمدتاً با استفاده از شمارش دنباله‌های موجود و حداکثر فراوانی آنها، به کشف الگوهای غالب رفتاری در بین مشتریان پرداخته و از روش‌های نظام‌مند استفاده چندانی نشده است.

این پژوهش با استفاده از روش‌های داده‌کاوی⁵ سعی دارد به سوالات زیر پاسخ دهد:

·       رفتار مشتریان در بازه‌های زمانی مختلف چگونه است؟

·       براساس رفتار شناسایی شده مشتریان چگونه گروه‌بندی شده و هر گروه چه ویژگی‌هایی دارد؟

·       الگوهاي غالب و حاكم بر عضويت مشتريان به بخش‌هاي مختلف در طول زمان كدامند؟

به ‌منظور پاسخگویی به سوالات مطرح شده روش ترکیبی مبتنی بر الگوریتم K-means  و الگوریتم‌های قواعد انجمنی ارائه شده است تا بتواند الگوهای رفتاری مشتریان را استخراج و عضویت هریک از مشتریان به بخش‌های مختلف را شناسایی کند. در نهایت به کمک قوانین انجمنی الگوهای غالب هرگروه از مشتریان به‌دست آمد.

 

2-       پیشینه پژوهش

در این بخش مفاهیم داده کاوی و سپس بخش‌بندی و بخش‌بندی پویای مشتریان مورد بررسی قرار گرفته و به پژوهش‌های صورت گرفته روی بخش‌بندی پویای مشتریان اشاره شده است.

 

2-1 داده‌کاوی

داده‌کاوی فرایند کشف اطلاعات مفید از منابع داده حجیم و بزرگ است. روش‌های داده‌کاوی در یک نگاه کلی به دو دسته توصیفی و پیش‌بینی تقسیم می‌شوند. روش‌های پیش‌بینی کننده ارزش یک ویژگی خاص بر اساس سایر ویژگی‌ها را بیان می‌کند. ویژگی مورد پیش بینی هدف نامیده شده و وابسته به سایر ویژگی‌هاست؛ ویژگی‌هایی که به پیش‌بینی کمک می‌کنند متغیرهای توضیحی و مستقل هستند. اما هدف از به‌کارگیری فنون توصیفی استخراج الگو است، به نحوی که ارتباط بین لایه‌های زیرین داده‌ها را خلاصه سازی کند. روش‌های پیش بینی شامل دسته بندی، رگرسیون و.... هستند. روش‌های توصیفی شامل خوشه بندی، تشخیص ناهنجاری و مواردی از این دست است(ورما و ماهتا،2008). در این پژوهش از روش‌های خوشه‌بندی و قوانین انجمنی به منظور استخراج و تحلیل رفتار مشتریان استفاده شده است.

 

2-2 خوشه‌بندي

خوشه‌بندي يك جمعيت نامنظم را به مجموعه‌اي از زيرگروه‌هاي منظم تقسيم‌بندي مي‌كند. در خوشه‌بندي، اشيا بر اساس اصل بيشترين شباهت بين اعضاي هر خوشه و كمترين شباهت بين خوشه‌هاي مختلف گروه‌بندي مي‌شوند، به طوری که هر خوشه بيشترين شباهت را با يكديگر و بيشترين تفاوت را با داده‌هاي ساير خوشه‌ها داشته باشند. معيار شباهت وقتي كه همة مشخصه‌ها پيوسته هستند، معمولا با فاصله اقليدسي بيان مي‌شود و در غير اين صورت، يك معيار مناسب براي آن در نظر گرفته مي‌شود(هن و کمبر،2006). روش‌های خوشه‌بندی بر دو دسته افرازی و سلسله ‌مراتبی هستند که در این پژوهش از روش خوشه‌بندی افرازی استفاده شده است.

خوشه‌بندي افرازي: فرض كنيد كه پايگاه داده‌اي، شامل n شی باشد. یک روش افرازبندی، K افراز از اين داده‌ها را شکل می‌دهد به طوری كه هر افراز يك خوشه را نشان داده و  خواهد بود. به عبارت دیگر داده‌ها در K گروه خوشه‌بندی می‌شوند، به شکلی که هرگروه باید حداقل یک شی داشته باشد و هر شی نیز باید تنها به یک گروه تعلق گیرد؛ البته شرط دوم در روش‌های افرازبندی فازی، می‌تواند قابل انعطاف باشد. الگوریتم K-means از روش‌های معمول و کارا در خوشه‌بندی است که K (تعداد خوشه‌ها) را به منزله ورودی می‌گیرد و مجموعه n شی را به K خوشه افراز می‌کند. این الگوریتم به شکل زیر عمل ‌می‌کند:

1-       به صورت تصادفی، K شی را به منزله مراکز خوشه‌های ابتدایی انتخاب می‌کند.

2-       هرشی را با توجه به بیشترین شباهت آن به مراکز خوشه‌ها، به خوشه‌ها تخصیص می‌دهد.

3-       مراکز خوشه‌ها را به ‌روز می‌کند. به طوری که برای هر خوشه مقدار متوسط اشیای آن خوشه محاسبه می‌شود.

4-       تا هنگامی که هیچ تغییری در خوشه‌ها رخ ندهد به مرحله دوم رجوع می‌کند(آخوندزاده و البدوی،2014).

 

2-3 قوانين انجمني

قوانين انجمني يكي از روش‌هاي توصيفي و غير نظارتي داده كاوي است كه به جست‌وجو براي يافتن ارتباط بين ويژگي ‌در مجموعه داده‌ها مي‌پردازد. درواقع اين روش‌ها به مطالعة ويژگي‌هايي كه همراه يكديگرند، پرداخته و به دنبال كمي كردن ارتباط ميان اين ويژگي‌هاست. قوانين به شكل اگر و آنگاه، به‌همراه معيارهاي پشتيبان و اطمينان در چارچوب رابطة 1 بيان مي‌شوند:

رابطه 1)                                                 

در این پژوهش از الگوریتم اپریوری استفاده شده است.

 

2-4  بخش‌بندی

از اوایل دهه 1980 مفهوم مدیریت ارتباط در حوزه بازاریابی اهمیت پیدا کرده است. به منظور مدیریت ارتباط با مشتری موثر، جمع­آوری اطلاعات درخصوص ارزش مشتری دارای اهمیت است؛ به طوری که می‌توان گفت قوی‌ترین ابزارهای مورد استفاده برای بازاریابی، پیش بینی رفتار خرید و بخش‌بندی مشتریان است که امکان تفکیک خریداران از غیر خریداران و شناسایی گروه‌های مشتریان را فراهم و آنها را از یکدیگر متمایز می‌کند. بخش بندی مشتریان به شناسایی مشتریان با مشخصه‌های مشابه اتلاق شده و توسط بازاریابان برای هدف‌گذاری موثر و تخصیص بهینه منابع مورد استفاده قرار می‌گیرد(گریفین،2003). 

در طراحی بخش‌بندی مشتری معمولاً فرض بر این است که بازار نسبتاً پایدار و با ثبات است و رفتار مشتری در طول زمان تغییر نمی‌کند. بر این اساس اغلب پژوهش‌های که تاکنون انجام شده، فرض کرده‌اند بخش‌های مختلف مشتریان در طول زمان ثابت و پایدار بوده و تعلق به این بخش‌ها تغییر نمی‌کند. اما در شرایطی که بازار با ثبات و پایدار نیست، به دلیل تأثیرگذاری عوامل روانی – اجتماعی و محیطی در عدم ثبات رفتار مشتری، این فرض نادرست است. در واقع نیازها، ترجیحات، رفتار مشتری و همچنین شرایط بازار در طول زمان تغییر می‌کند و این فرض معمولاً بر شرایط دنیای واقعی صادق نیست(‌ها و همکاران 2008).

در اکثر پژوهش‌های بخش‌بندی، رفتار مشتری را در یک بازه مشخص و ثابت مورد بررسی قرار می‌دهند و نمی‌توان رفتار آنها را در طول زمان پیش‌بینی کرد. از اینرو روش‌های بخش بندی ایستا پاسخگوی نیاز مدیران ارشد سازمان‌ها برای شناخت و پیش‌ بینی رفتار مشتریان نیست(ها و بااي، 2007 و هينينگ، جواَنجواَن و بيآن، 2009). این روش‌ها توانايي بازخورد جهت‌گيري تقاضا و نيازهاي آتي بخش‌هاي مختلف مشتريان را ندارند اما از طريق سيستم‌هاي بخش بندي پوياي مشتري، مي‌توان به شناخت و درك جامعي از رفتار مشتري دست يافت و رفتار آنها را پيش‌بيني كرد(آخوندزاده، البدوی،2014). بخش ‌بندی پویا عبارتست از بخش بندي مشتريان، به گونه اي كه تغييرات بخش‌هاي مختلف مشتريان و تغييرات عضويت مشتريان به اين گروه‌ها در طول زمان مورد توجه قرار گيرد. پایش جابه‌جايي مشتري از يك بخش به بخش ديگر، كشف الگوهاي غالب در اين جابه‌جايي‌ها و پيش بيني اين نقل و انتقالات، موضوعاتي است كه در بخش‌بندي پوياي مشتريان مورد بررسي قرار مي‌گيرد(ها و بااي، 2006).

بررسی سایر مطالعات انجام شده نشان می‌دهد پژوهش‌های انجام شده در این حوزه هر یک در نوع خود به بررسی جوانب مختلفی پرداخته و چندان چارچوب مفهومی جامعی در حوزه بخش بندی پویای مشتریان وجود ندارد. به‌طوری ‌که در بخش مدل‌سازی و پیاده سازی تجربی، خلاء تحقیقاتی زیادی وجود دارد( مروان حسنی و همکاران،2015). باتچر و همکاران(2009)، بلاکر و فلینت( 2007)، لمنس و همکاران( 2012) و ژنگ (2015) تغییرات بخش‌های مختلف در طول زمان را بررسی کرده‌اند.‌ ها (2007)، هینینگ ( 2016) و تیان و رن (2017) به مطالعه جابه‌جایی و انتقالات مشتریان بین بخش‌های مختلف و استخراج الگوهای غالب آنها پرداخته اند. به این ترتیب تعداد بسیار اندکی مانند ‌ها(2006) هر دو رویکرد را همزمان مدنظر قرار داده، اما بررسی تغییرات مشتریان را فقط به تعداد مشتریانی که در طول زمان در همان بخش باقی ماندند، معطوف کرده است. از آنجایی که تمرکز این پژوهش بر استخراج الگوهای جابه‌جایی و انتقالات مشتریان بین بخش‌های مختلف در طول زمان است، در ادامه به مطالعات انجام شده در این زمینه پرداخته شده است.

مطالعات مدل سازی جابه‌جایی مشتری بین بخش‌های مختلف در طول زمان را می‌توان در دو دسته تقسیم بندی کرد: بخش اول کشف الگوهای غالب و بخش دوم پیش بینی و جابه‌جایی انتقالات مشتری.

در خصوص کشف الگوهای غالب باای و همکاران (2006) با شمارش الگوهای مختلف جابه‌جایی و انتخاب حداکثر فراوانی الگوهای غالب را استخراج کردند. سارکر و همکاران (2016) از طریق محاسبه مقادیر RFM وزنی الگوهای رفتاری مشتریان را در طول زمان محاسبه و با شمارش تعداد فراوانی، الگوهای غالب را شناسایی کردند.

در زمینه پيش بيني انتقالات و جابه‌جايي مشتري بين بخش‌هاي مختلف نيز، مطالعاتي انجام شده كه بيشتر آنها از زنجيرة ماركوف براي مدل سازي و پيش‌بيني استفاده كرده اند. مطالعه همبرگ و تتزک (2009)، يكي از موارد قابل توجه در اين زمينه است كه در بهینه سازی سبد مشتري از زنجيرة ماركوف براي پيش‌بيني بخش‌های مشتریان استفاده كرده‌اند. همچنین در مطالعات لمنس، کروکس و استریمرسچ (2012)، برانگولی و لاگسما، پیترز و ودل (2012) لاتین و سرینواسان (2010) از زنجيرة ماركوف در اين زمينه استفاده شده است.

 

2-5 روش‌‎ها و متغیرهای پیش بینی رفتار و بخش بندی مشتریان

ادبیات بخش‌بندی مشتریان، امکان بخش‌بندی توصیفی و پیشگویی (پیش‌بینی رفتار خرید) را فراهم می‌کند. به طور کلی در بخش‌بندی توصیفی متغیرهای زیر به کار می‌روند:

·       متغیرهای آماری: براساس داده‌هایی چون درآمد، سن، وضعیت تاهل، قومییت، مذهب و غیره

·       متغیرهای جغرافیایی: همچون منطقه، جهان یا کشور، اندازه کشور، شرایط آب و هوایی و غیره

·       متغیرهای روان‌نگاری: همچون سبک زندگی و گرایش‌های شخصی

·       متغیرهای رفتاری: براساس داده‌هایی همچون تناوب خرید، مقدار و نوع محصولات خریداری شده و غیره

·       متغیرهای انگیزشی: مبتنی بر متغیرهایی است که دلایل خرید مشتریان را توصیف می‌کند. به عنوان مثال بر اساس متغیر رضایت‌مندی سه رویکرد برای بخش‌بندی مشتریان وجود دارد. در رویکرد اول با استفاده از بخش‌بندی سنتی مشتریان توسط متغیرهای کلیدی همچون آماری، جغرافیایی یا روان‌نگاری سازماندهی می‌شود. در رویکرد دوم بخش‌بندی مبتنی بر ارزش طول عمر مشتری است که به نیازهای مشتری علاوه بر هزینه‌های برپایی و حفظ روابط با مشتری توجه می‌کند. رویکرد سوم بخش‌بندی مبتنی بر تأخیر، تکرار و مقدار پول متشکل از یک یا ترکیبی از الگوهای رفتاری خرید یا انگیزشی است (ژیانگ، تژیلین،2006).

در این پژوهش از متغیر RFM به منظور بخش‌‌بندی مشتریان استفاده شد که یکی از روش‌های معروف و کارا در تحلیل ارزش مشتری است و نقطه قوت آن در این است که خصوصیات مشتریان را با تعداد معیار کمتر (تنها سه بعد) به کمک روش‌های خوشه‌بندی استخراج می‌کند(چنگ و چن ،2009). این مدل بر اساس سه فاکتور تازگی(R)، تعداد دفعات(F) و ارزش مالی (M) شکل گرفته است. بر اساس تعریف والت و ونبیک (1995) این سه متغیر عبارتند از:

·       تازگی⁶: فاصله زمانی از آخرین مراجعه  )خرید، تراکنش مالی)

·       تعداد دفعات⁷: تعداد دفعات مراجعه) خرید، تراکنش مالی (در یک بازه زمانی مشخص

·       ارزش مالی:⁸ پول پرداخته شده در یک بازه زمانی معین

 

3-       روش‌شناسی پژوهش

ازآنجایی که این پژوهش به دنبال کشف الگوی رفتاری مشتریان است، این پژوهش از نوع داده توصیفی-اکتشافی و از نوع هدف کاربردی است. چارچوب پیشنهادی برای اجرای پژوهش شامل 5 فاز زیر است:

فاز (1) شناخت کسب و کار و داده: حوزه‌هاي مختلف بانكداري شامل بانكداري شركتي⁹، خرد¹⁰، تجاري¹¹، اختصاصي¹² است که در اين ميان، حوزة بانكداري خرد با بيشترين مشتري مواجه و نقش اين حوزه در تركيب منابع و مديريت شهرت بانك‌ها بسيار پررنگ است. به منظور طراحی استراتژی بهینه بازاریابی باید بازار به‌طور مشخص بخش بندي، بازارهاي هدف انتخاب و دربارة جايگاه رقابتي مورد انتظار بانك به روشني و صراحت تصميم‌گيري شود. بر اين اساس كيفيت استراتژي بازاريابي مستلزم كيفيت بخش بندي بازار است. این پژوهش روی مشتریان بانکداری خرد بانک انصار انجام شده و شامل آن‌دسته از فعالیت‌هایی است که درسطح شعب انجام می‌شود. با توجه به اینکه حجم گسترده‌ای از عملیات بانکی مشتریان توسط شعب انجام می‌شود تحلیل رفتار این دسته از مشتریان می‌تواند در اتخاذ استراتژی‌های مناسب بازاریابی کمک شایانی کند.

فاز (2) جمع‌آوری، آماده‌سازی و پیش‌پردازش داده‌ها: اطلاعات مورد نیاز در 6 مقطع زمانی با فواصل 3 ماهه جمع‌آوری شده است. سپس پیش‌پردازش و آماده‌سازی داده‌ها انجام می‌گیرد و داده‌هایی با مشخصات پرنبودن برخی از مشخصه‌ها، داده‌هاي غير طبيعي و تكراري حذف می‌شوند. اين گام با هدف بهبود كيفيت داده‌ها‌ انجام مي‌شود و از اهميت زيادي برخوردار است.

فاز (3) خوشه‌بندی مشتریان بر اساس متغیر RFM: مشتریان در هریک از باز‌های زمانی با استفاده از الگوریتم k-means خوشه‌بندی می‌شوند. به این منظور از مشخصه‌های تازگی، تکرار و مانده تمامی سپرده‌های مشتریان استفاده می‌شود.کیفیت خوشه‌بندی در هریک از بازه‌های زمانی بر اساس شاخص دان¹³ انجام شده و بهترین حالت خوشه‌بندی در هردوره استخراج می‌شود. بر اساس تعداد بهینه خوشه به‌دست آمده، خوشه‌ها برچسب‌گذاری می‌شوند.

فاز(4) استخراج گروه‌های رفتاری مشتریان: پس از برچسب‌گذاری خوشه‌ها، دنباله‌‌های تک تک مشتریان استخراج و بر این اساس دنباله‌ای از عضویت مشتری به بخش‌های مختلف در طول زمان به‌دست می‌آید. دنباله‌های‌ به‌دست آمده با استفاده از روش K-means خوشه‌بندی و بهترین خوشه با استفاده از شاخص دان انتخاب می‌شود. به این ترتیب گروه‌های رفتاری مشتریان در مهاجرت به بخش‌های مختلف استخراج می‌شود.

فاز (5) تحلیل قواعد هریک از خوشه‌ها: درنهايت خوشه‌‌هاي به‌دست آمده تحليل و تفسير شده و بر اساس نتايج كسب شده، متغير جديدي كه بيانگر گروه‌هاي مختلف رفتاري است، تعريف می‌شود تا ارتباط آن با مشخصه‌هاي دموگرافيك به کمک قوانين انجمني و الگوريتم اپريوري ¹⁴تحليل شود. قوانين انجمني از روش‌هاي كارا در داده‌كاوي است كه به كشف ارتباط بين ويژگي‌ها با رويكرد توصيفي مي‌پردازد. همچنین الگوريتم اپريوري نسبت به ساير الگوريتم‌هايي که به كشف قوانين انجمني مي‌پردازند، كاراتر است(تن و همکاران،2006). به این ترتیب می‌توان قوانینی براساس ویژگی‌های غالب هر بخش تعریف و عموميت نتايج را با شاخص‌هاي پشتيبان و اطمينان سنجيد.

 

4-       یافته‌های پژوهش

در ادامه فرآیند پیشنهادی برای استخراج الگوهای رفتاری مشتریان اجرا و نتایج حاصل از آن بیان شده است.

 

4-1 جمع‌آوری اطلاعات اولیه و پیش پردازش داده‌ها

قبل از پياده‌سازي روش مورد نظر، فرايند آماده‌سازي و پيش‌پردازش براي بهبود كيفيت داده‌ها انجام شده است. از آنجایی که این پژوهش درنظر داشته است الگوی رفتاری مشتریان را در طول زمان استخراج کند، اطلاعات جدول مورد نیاز برای محاسبه متغیر RFM در 6 بازه زمانی سه ماهه برای 10000 نفر از مشتریان حقیقی بانک انصار جمع‌آوری شد. این اطلاعات شامل شماره مشتری، جنسیت، سن، تعداد تراکنش‌های انجام‌ شده از درگاه‌های ارائه خدمات(شعب، دستگاه خودپرداز¹⁵، دستگاه کارتخوان¹⁶)، مانده موجودی حساب‌های قرض‌الحسنه وسپرده گذاری و زمان انجام آخرین تراکنش است. داده‌هاي ناقص و مفقوده، مقادير داراي خطا، ناسازگاري، اريبي و ... نيز مورد بررسي قرار گرفت و داده‌ها به ساختار مناسب براي پياده‌سازي تبدیل شدند. برای نرمال سازی داده‌ها نیز از روشmin-max  استفاده شد.

معادله (1):                                                                          

 

4-2 خوشه‌بندی مشتریان بر اساس متغیر RFM

در این بخش مقادیر RFM مشتریان در هریک از بازه‌های زمانی به‌دست آمده و بر آن اساس خوشه‌بندی با استفاده از الگوریتم k-means انجام شده است. از آنجایی که بانک‌ها صورت‌های مالی خود را هر سه ماه یکبار انتشار می‌دهند، تعداد خوشه‌های مورد بررسی به ترتیب 3،6،9،12 درنظر گرفته شد. بررسي كيفيت خوشه‌بندي در هر بازه زماني با استفاده از شاخص دان انجام شده كه شامل دو معیار حداكثر فاصلة درون‌خوشه‌اي و حداقل فاصلة برون خوشه‌اي است. اين شاخص به تحليلگر كمك مي‌كند تا خوشه‌هايي متراكم با مرزهاي مشخص داشته باشد.

 

معادله(2):       

                                           

 

نتایج حاصل از خوشه‌بندی مشتریان به تفکیک هر یک از بازه‌های زمانی در جدول شماره 1 آمده است.

جدول 1: مقادیر شاخص دان به ازای خوشه‌های مختلف هریک از بازه‌های زمانی

بازه‌های زمانی
T6	T5	T4	T3	T2	T1
						K=3	تعداد خوشه‌ها
						K=6
						K=9
						K=12
						تعداد خوشه بهینه

 

پس از مشخص شدن تعداد خوشه‌های بهینه، از مدل پیشنهادی آخوندزاده و البدوی(2014) برای برچسب‌گذاری خوشه‌ها استفاده شد. شيوة برچسب‌گذاري به اين صورت بوده كه براي مشخصه‌های R،F،M با توجه به ميانگين آنها در بازه زماني مورد بررسي دو حالت High و Low درنظر گرفته شده که با نماد L و H نشان داده شده است. به عبارتي اگر براي يك خوشه ميانگين هر يك از اين متغيرها از ميانگين كل اين متغير در بازه زماني مربوطه بزرگتر باشد، برچسب H و در غیراینصورت برچسب L درنظر گرفته می‌شود. پس از برچسب گذاری 8 الگوی رفتاری برای هریک از خوشه‌ها استخراج شده است.

الگوهای رفتاری هریک از بخش‌ها در جدول شماره 2 قابل مشاهده است. همان‌طور که مشخص است الگوی رفتاری HLL و LLL در تمامی بازه‌های زمانی وجود دارد و الگوی رفتار HLH تنها در بازه زمانی 6 است. در ادامه با استفاده از نظرهای خبرگان هریک از گروهای ‌رفتاری برچسب گذاری شدند.

LLL: شامل آن‌دسته از مشتریانی است که به تازگی از خدمات بانک استفاده کرده‌ اما مانده موجودی و تعداد دفعات تراکنش‌های آنها از میانگین کل در بازه زمانی مربوطه کمتر است و آنها را مشتریان معمولی با سودآوری کم می‌نامند.

HLL: رفتار مشتریانی را تشریح می‌کند که مانده موجودی و تعداد دفعات تراکنش‌های آنها کمتر از میانگین بوده ومدت زمان طولانی از آخرین تراکنش آنها می‌گذرد. این دسته به عنوان مشتریان رویگردان شده شناخته می‌شوند.

LLH: این الگو نشان‌دهنده رفتار مشتریانی است که به تازگی از خدمات بانک استفاده کرده‌اند اما تعداد دفعات استفاده از خدمات کمتر از میانگین و مانده موجودی آنها بیش از میانگین این متغیر در طول زمان مورد بررسی است. این گروه، مشتریان معمولی با سودآوری زیاد نامگذاری می‌شود.

LHH: الگوی رفتاری مشتریانی را شامل می‌شود که به تازگی از خدمات بانک استفاده کرده و میانگین موجودی و تعداد دفعات تراکنش آنها بیشتر از میانگین است. این گروه مشتریان طلایی سودآور شناخته می‌شوند.

HLH: شامل آن‌دسته از مشتریانی است که تعداد دفعات تراکنش آنها نسبت به میانگبن کمتر و مانده موجودی بالایی دارند، اما مدت زمان طولانی از آخرین تراکنش آنها می‌گذرد، از اینرو می‌توان آنها را مشتری رویگردان شده با سودآوری بالا نامید.

HHL: شامل آن‌دسته از مشتریانی است که تعداد دفعات تراکنش آنها بیشتر از میانگین و مانده موجودی کمتر از میانگین را دارند. این گروه مدت زمان طولانی از آخرین تراکنش آنها می‌گذرد و بنابراین از آنها به عنوان مشتری رویگردان شده با سودآوری کم یاد می‌کنند.

HHH: رفتار مشتریانی را تشریح می‌کند که مدت زمان طولانی از آخرین تراکنش آنها گذشته و میانگین موجودی و تعداد دفعات تراکنش آنها بیشتر از میانگین در طول هر یک از بازه‌های زمانی است. به این گروه، مشتریان رویگردان شده با سودآوری بالا می‌گویند.

LHL: دربرگیرنده مشتریانی است که به تازگی از خدمات بانک استفاده و به طور متناوب بیش از میانگین از خدمات بانک استفاده می‌کنند اما مانده موجودی کمتری نسبت به میانگین کل دارند و آنها را به عنوان مشتریان وفادار با سودآوری کم می‌شناسند.

در جدول شماره 2، مقدار عددی 1 نشان‌دهنده وجود گروه رفتاری و مقدار عددی 0 نشان دهنده عدم وجود آن در هر یک از بازه‌های زمانی است.

 

جدول شماره 2: بخش‌های مختلف مشتریان در بازه‌های زمانی

بخشهای مشتریان                  بازه‌های زمانی	LLL	LLH	LHL	LHH	HHH	HHL	HLH	HLL
1				0	0		0	
2								
3								
4								
5								
6								

 

4-3 استخراج گروه‌های رفتاری مشتریان

برای استخراج گروه‌های رفتاری، ابتدا در هریک از 6 بازه زمانی الگوهای رفتاری بر اساس روش پیشنهادی مرحله قبل برای هریک از مشتریان به‌دست می‌آید. با بهم چسباندن این الگوها برای هر مشتری الگوی دنباله‌ای آن به‌دست می‌آید که نشان دهنده عضویت مشتریان به بخش‌های مختلف در طول زمان است. در جدول شماره 3 برخی از دنباله‌های به‌دست آمده نشان داده شده است. به طور مثال دنباله عضویت ردیف 3 نشان دهنده مشتری است که در بازه اول و دوم الگوی رفتاری مشتری رویگردان شده (HLL) را داشته، اما در بازه زمانی سوم و چهارم با توجه به سیاست‌ها و استراژی‌های بازاریابی بانک، تعاملات و حجم سپرده‌های خود را افزایش داده و الگوی رفتاری آن به سمت مشتری طلایی سودآور(LHH) تغیر پیدا کرده و نهایتا در بازه زمانی آخر با توجه به کاهش حجم پول و سپرده‌های خود به مشتری وفادار با سودآوری کم (LHL) تبدیل شده است.

جدول 3: نمونه ای از دنباله عضویت مشتریان

ردیف	دنباله عضویت
1	HLL LLL LLL LLL LLL LLL
2	LHL HLL LLL LLL LLL LLL
3	HLL HLL LHH LHH LLL LHL
4	HLL LLL LLL HLL HLL LHH

به منظور شناسایی الگوهای رفتاری غالب مشتریان، دنباله عضویت‌های به‌دست آمده با استفاده از الگوریتمk-means خوشه‌بندی می‌شوند. بر اساس نظرات خبرگان خوشه‌های درنظر گرفته شده عبارتند از 3 ، 6، 9 و 12.کیفیت خوشه‌بندی نیز با استفاده از شاخص دان انجام شده که نتایج آن در جدول شماره 4 قابل مشاهده است.

 

جدول شماره 4:مقایسه الگوهای رفتاری مختلف با استفاده از شاخص دان

مقدار شاخص دان	تعداد خوشه
	k=3
	K=6
	K=9
	K=12

 

همان‌طور که مشاهده می‌شود بر اساس جدول شماره 4 تعداد خوشه بهینه 6 است. از اینرو در هریک از6 خوشه، بیشترین میزان شباهت الگوهای دنباله ای به یکدیگر در هریک از خوشه‌ها وجود دارد، از طرفی بیشترین میزان عدم شباهت بین هر یک از خوشه‌ها نیز بر اساس تعداد، 6 خوشه است. به عبارت دیگر در تعداد خوشه بهینه 6، کمترین فاصله درون خوشه‌ای(فاصله اقلیدسی هر یک از داده از مراکز خوشه) و بیشترین میزان شباهت نسبت به بیشترین فاصله بین خوشه‌ای( فاصله اقلیدسی هر یک از مراکز خوشه نسبت به یکدیگر) و کمترین میزان شباهت داده‌ها وجود دارد.

جدول شماره 5 نمونه ای از الگوهای دنباله‌ای هر یک از خوشه‌ها را به همراه متغیرهای دموگرافیک نشان می‌دهد. به طور مثال ردیف 1، مشتری را نشان می‌دهد که دارای جنسیت خانم و سن 27 سال بوده و در طول زمان غالباً در حالت‌های رفتار مشتری رویگردان شده(HLL) و مشتری معمولی با سود آوری کم (LLL) قرار دارد.

 

 

جدول 5: نمونه‌ای از الگوهای دنباله‌ای

جنسیت	سن	الگوی دنباله‌ای	خوشه
Women		HLL HLL LLL LHH LLL LLL	cluster-1
Men		in-active LLL LHH LLL LLL LLL	cluster-2
Men		HLL in-active in-active HLL LLL LLL	cluster-2
Women		HLL LLL LHH LHH LHH LLH	cluster-3
Men		HLL LLL LHH LHH HLL LLL	cluster-3
Men		LHL LLL LLL LHH LLL LHL	cluster-3
Women		HLL HLL in-active in-active in-active in-active	cluster-4
Men		LLL LLL HLL HLL LLL LLL	cluster-4
Men		LHL LLL LLL in-active in-active in-active	cluster-4
Men		LHL in-active LLL LLL HLL in-active	cluster-5
Women		HLL LLL LLL LLL HLL HLL	cluster-6
Men	42	LHL LLL LLL LHH HLL LLH	cluster-6

 

در ادامه به منظور تفسیر خوشه‌های به‌دست آمده، متغیر جدیدی با عنوان خوشه¹⁷ تعریف و ارتباط بین متغیرهای جنسیت، سن و همچنین برترین قواعد هرخوشه مورد تفسیر و تحلیل قرار می‌گیرد. هریک از خوشه‌های به‌دست آمده بر اساس تغییرات مشخصه‌های تازگی، تکرار و میانگین حجم پولی و تغییرات آن در بازه‌های زمانی متوالی می‌تواند الگوهای رفتاری غالب مشتریان را نشان دهد.

Ø       خوشه اول: نتایج به‌دست آمده از خوشه اول نشان می‌دهد مشتریان این خوشه به طور ثابت و پایدار در حالت رفتاری مشتری معمولی با سودآوری کم (LLL) قرار دارند و تالی همگی الگوهای رفتاری آنها LLL است. در این خوشه، مشتریان در بازه زمانی اول غالباً در حالت‌های رفتاری (HLL) قرار داشته اما با گذشت زمان تا حدودی مقدار مشخصه تازگی آنها از متغیرRFM  بهبود پیدا کرده و فاصله زمانی تراکنش‌های آنان کوتاه تر از میانگین شده و به سمت رفتار مشتریان معمولی با سودآوری کمتر(LLL) در حال تغییر خواهند بود. تعداد مشتریان این خوشه 422  نفر است و این خوشه را مشتریان کم ارزش با الگوی پایدار نامگذاری می‌کنند.

Ø       خوشه دوم: نتایج به‌دست آمده حاصل از این خوشه نشان می‌دهد که 602 نفر مشتری این خوشه در بازه‌های زمانی ابتدایی (اول تا سوم) هیچ گونه تعاملی با بانک نداشته و در حالت غیرفعال (in-active) قرار دارند. اما پس از بازه زمانی سوم، دو رویکرد در تغییر رفتار آنها رخ داده است. گروهی از آنها پس از غیرفعال بودن در بازه‌های زمانی ابتدایی به مشتری معمولی با سودآوری کم (LLL) تبدیل شده و در بازه زمانی آخر نیز در همین حالت رفتاری باقی مانده اند، اما گروه دیگر پس از تصمیم به تعامل با بانک، تعداد تراکنش (F) و مانده موجودی (M) پایین تر از حد میانگین با فاصله‌های زمانی زیاد بین هر تراکنش (R) را داشته و در حالت (HLL) قرار دارند و پس از گذشت زمان به حالت رفتاری LLL تغییر می‌کنند. به عبارت دیگر مشتریانی که در ابتدا غیرفعال بوده‌اند، پس از تصمیم به تعامل با بانک، نهایتاً در حالت مشتریان سودآور قرار نمی‌گیرند و در حالت رفتاری LLL تعامل خود را شروع و در همان حالت نیز باقی خواهند ماند. با توجه به رفتار مشتریان خوشه دوم، این خوشه را نیز مشتریان کم ارزش با الگوی پایدار نامگذاری می‌کنند.

Ø       خوشه سوم: نتایج بدست آمده از خوشه سوم نشان میدهد:

Ø       ردیف13 و 14جدول 6، الگوی غالب رفتاری مشتریانی را نشان می‌دهد که در طول زمان در بخش‌های رفتاری برای چند بازه به طور متوسط و پایدار خواهند ماند. به عبارت دیگر در برخی از بازه‌ها مشتری طلایی (LHH) و در برخی از بازه‌های دیگر در حالت رفتاری مشتری معمولی با سود آوری کم (LLL) قرار دارند. این الگو نشان می‌دهد چنانچه مشتری که در دسته سودآوری کم برای بانک قرار دارند، الگوی تعامل خود با بانک را بهبود دهند می‌تواند به مشتری مشتری طلایی و سودآور (LHH) تبدیل شود، اما با گذشت زمان و مقایسه کیفیت خدمات با بانک مجددا دامنه فعالیت‌های خود را کاهش داده و به الگوی رفتاری مشتری معمولی با سودآوری کم(LLL) تغییر وضعیت خواهد داد.

Ø       ردیف 15 جدول 6، الگوی رفتاری گروهی از مشتریان را نشان می‌دهد که شبیه الگوی رفتاری ردیف 13 و 14 هستند با این تفاوت که در هنگام تغییر از حالت رفتاری LHH، به مشتری LLL تبدیل نمی‌شوند بلکه تنها میزان سپرده و مانده پولی (M) را کاهش داده و به مشتری وفادار با سودآوری کم تبدیل خواهند شد. این خوشه شامل 973 مشتری است و این خوشه را مشتریان کم ارزش با الگوی سودآوری ناپایدار می‌نامند.

Ø       خوشه چهارم: این خوشه شامل 1213 مشتری است که الگوی غالب رفتاری آنها غیرفعال بودن (in-active)، مشتری رویگردان شده (HLL) و مشتری معمولی با سودآوری کم (LLL) است. به طوری که اگر مشتریان در یکی از حالت‌های رفتاری زیر قرار داشته باشند و پس از گذشت زمان تعامل خود را با بانک قطع کنند، در بازه زمانی پایانی نیز به صورت غیرفعال باقی خواهند ماند.

Ø       خوشه پنجم: این خوشه شامل 168 مشتری است که همگی در دوره زمانی اول غیرفعال بوده، اما با گذشت زمان به وضعیت رویگردان یا مشتری با سود آوری کم تغییر حالت داده و نهایتا در همان وضعیت باقی می‌مانند. رفتار این دسته را می‌توان به عنوان الگوی کم ارزش و پایدار نامید.

Ø       خوشه ششم: مشتریان این خوشه غالباً در بازه‌های LLL و HLL حضور داشته‌اند، به‌طوری که بیشتر آنها در دوره زمانی آخر در بخشHLL  قرار دارند و بنابراین می‌توان آنها را مشتریان رویگردان شده نامید. مهم‌ترین قواعد حاصل از تحلیل الگوریتم اپریوری این خوشه به‌شرح زیر است:

1-       مشتریانی که در دوره زمانی اول در وضعیت HLL، دوره زمانی دوم LLL و پس از آن به‌طور پایدار در یک یا دو بازه زمانی بعدی در همان وضعیت باقی مانده و سپس به حالت رفتاری HLL تغییر وضعیت بدهد به احتمال 100 درصد در بازه زمانی ششم به عنوان مشتری رویگردان( HLL) باقی خواهد ماند.

2-       مشتریانی که در دوره زمانی اول در وضعیت LHL ( مشتری وفادار با سودآوری کم) قرار دارند، دوره‌های بعدی تا اندازه‌ای رویگردان شده و به وضعیت LLL تغییر خواهند یافت، نهایتاً در دوره زمانی آخر در وضعیت HLL قرار خواهند گرفت. این خوشه شامل 901 مشتری است که آن را مشتری رویگردان شده با سودآوری متوسط نامگذاری می‌کنند.

 

 

 

 

 

جدول 6 : نمونه ای از قواعد هریک از خوشه‌ها

ردیف	مقدم	تالی	پشتیبان%	اطمینان%
1	in-active in-active LLL LLL LLL LLL LLL in-active	in-active	15.26	100
2	HLL HLL HLL HLL LLL LLL LLL HLL	HLL	6.89	95
3	HLL HLL LLL LLL LLL LLL LLL HLL	HLL	6.7	95
4	in-active in-active LLL LLL LLL LLL LLL in-active	in-active	4.83	100
5	LHL LLL in-active in-active in-active in-active in-active LHL	LHL		
6	HLL HLL in-active in-active in-active in-active in-active HLL	HLL		
7	LHL LHL LLL LLL LLL LLL LLL LHL	LHL	4.15	100
8	HLL LLL LLL LLL LLL LLL LLL LLL	LLL	2.5	100
9	HLL HLL LLL LLL LLL LLL LLL HLL	HLL	1.98	93
10	LHL LHL LLL LLL LLL LLL LLL LHL	LHL	1.78	100
11	LLL in-active in-active in-active in-active in-active in-active in-active	in-active		
12	LHL LHL LLL LLL LLL LLL LLL LHL	LHL	2.25	100
13	HLL LLL in-active in-active in-active in-active in-active LLL	LLL		
14	LHL LLL LLL LLL LLL LLL LLL LHL	LHL		

 

5-       نتیجه گیری

در این مقاله یک روش ترکیبی جدید مبتنی بر K-Means و قوانین انجمنی برای شناسایی گروه‌های رفتاری مشتریان در عضویت به بخش‌های مختلف درطول زمان و همچنین تحلیل ویژگی‌های غالب این گروه‌ها ارائه شده است. مطالعات پيشين، بيشتر از زنجيرة ماركوف براي مدل سازي جابه‌جايي مشتري بين بخش‌هاي مختلف استفاده كرده‌اند و مطالعات بسيار اندكي در زمينة كشف الگوهاي غالب جابه‌جايي انجام گرفته است. در پژوهش‌هاي قبلي براي استخراج الگوهاي غالب، از روش‌هاي سيستماتيك و كمي استفاده نشده، بلكه با شمارش دنباله‌هاي موجود و انتخاب حداكثر فراواني آنها، اين الگوها استخراج شده‌اند. در اين مقاله رويكردي نوين در قالب استخراج دنباله‌ها و خوشه بندي اين دنباله‌ها ارائه شد، كه ميتوان آن را براي كشف الگوهاي حاكم و شناسايي گروه‌هاي رفتاري مختلف مشتريان در جابجايي بين بخشها، مورد استفاده قرار داد. شناسايي گروه‌هاي رفتاري و تحليل آنها، ميتواند در ارائة استراتژي‌هاي بازاريابي مفید واقع شود. علاوه بر مواردي كه گفته شد، ويژگيهاي گروه‌هاي رفتاري مختلف مشتريان نيز در اين پژوهش مورد بررسي قرار گرفت، تا به اين پاسخ دست يافت كه آيا الگوي غالبي در زمينه ويژگيهاي دموگرافيك گروه‌هاي مختلف مشتريان وجود دارد. بر اساس روش پیشنهادی، چهار گروه رفتاری (مشتریان کم ارزش با الگوی پایدار)، (مشتریان کم ارزش با الگوی سودآوری ناپایدار)، (مشتریان رویگردان شده با ارزش متوسط) و (مشتریان وفادار با سودآوری کم)) شناسایی گردید.

اين نتايج موجب ایجاد شناخت کافی نسبت به الگوهاي رفتاري مشتريان درخصوص عضويت و انتقال به بخشهاي مختلف در طول زمان می‌شود و در جهت ارائه و بهبود استراتژي‌هاي بازاريابي استفاده خواهد شد. به این منظور برای هرکدام از بخشهای تعریف شده می‌توان استراتژی‌های زیر را پیشنهاد داد:

1-       مشتریان کم ارزش با الگوی پایدار: با توجه به پایدار بودن نحوه رفتاری آنها، میتوان با ارائه خدمات نوین و طرح‌های امتیازی، آنها را تشویق به استفاده از خدمات بانک نمود.

2-       مشتریان کم ارزش با الگوی سودآوری ناپایدار: میبایست بر روی دلایل تغییر رفتار و ناپایداری آن مطالعه انجام داد تا زمینه‌های مناسب برای جذب و نگهداری آنان بیشتر صورت بگیرد.

3-       مشتریان رویگردان شده با سودآوری متوسط: با توجه به حجم مانده پولی و تراکنشات آنها، میتوان با استفاده از ارائه خدمات متمایز بانکداری الکترونیک سعی در بهبود و برگشت این دسته از مشتریان داشت.

4-       مشتریان وفادار با سودآوری کم: با ارائه طرح‌های تشویقی برای مشتریان ویژه میتوان سودآوری و تمایل آنها به افزایش موجودی و تراکنشات آنها با بانک را افزایش داد.

 

 

 

 

 

 

 

یادداشت‌ها

1-       CRM

2-       Dominant Pattern

3-       Data Mining

4-       Corporate bankin

5-       Retail banking

6-       Commercial banking

7-       Business banking

8-       Dunn index

9-       Apriori

10-       ATM

11-       POS

12-       Confidence

13-       Support

 

 

 

منابع

1-       Akhondzadeh E, Albadvi A, Mining the dominant patterns of customer shifts between segments by using top-k and distinguishing sequential rules, Management Decision ,Vol. 53 No. 9, 2015, pp. 1976-2003

2-       Akhondzadeh E, Albadvi .Homayondfar ,B. (2016). How Can We Explore Patterns of Customer Segments' Structural Changes? A Sequential Rule Mining Approach, 2015 IEEE International Conference on Information Reuse and Integration

3-       Blocker, C.P. & Flint, D.J. (2007). Customer segments as moving targets: integrating customer value dynamism into segment instability logic. Industrial Marketing Management, 36(6): 810-822

4-       Tsai C, Shieh y, A change detection method for sequential patterns, Decision Support Systems 46 (2009) 501–511

5-       Ha, S.H. & Bae, S.M. (2006). Keeping Track of Customer Life Cycle to Build Customer Relationship, Lecture Notes in Computer Science. Advanced Data Mining and Applications, 4093: 372-379.

6-       Ha, S.H. (2007). Applying knowledge engineering techniques to customer analysis in the service industry. Advanced Engineering Informatics, 21(3): 293-301.

7-       Ha, S.H., Bae, S.M. & Park, S.C. (2002). Customer's time-variant purchase behavior and corresponding marketing strategies: an online retailer's case. Computers & Industrial Engineering, 43: 801-820.

8-       Hassani ,M . Sergio ,S. Florian , R.(2015) . Efficient Process Discovery From Event Streams Using Sequential Pattern Mining, 2015 IEEE Symposium Series on Computational Intelligence

9-       Cheng, Ch.H. & Chen, Y.Sh. (2009). Classifying the segmentation of customer value via RFM model and RS theory. Expert systems with applications, 36(3): 4176-4184.

10-       Ngai, E.W.T., Xiu, L. & Chau, D.C.K. (2009). Application of data mining techniques in customer relationship management: A literature review and classification, Expert Systems with Applications, 36(2): 2592-2602.

11-       Netzer, O., Lattin, J. M. & Srinivasan, V. (2008). A hidden Markov model of customer relationship dynamics. Marketing Science, 27: 185-204.

12-       Lemmens, A., Croux, C.h. & Stremersch, S. (2012). Dynamics in the international market segmentation of new product growth. International Journal of Research in Marketing, 29(1): 81-92.

13-       Khajvand , M. Tarokh,M,J(2011). Analyzing Customer Segmentation Based on Customer Value Components (Case Study: A Private Bank), Journal of Industrial Engineering, University of Tehran, Special Issue, 2011, PP. 79-93

14-       Tang,k.Xie L.(2013). Lifetime Value Management of Network Game Customers,Journal of Innovation Management and Industrial Engineering,pp 82-99

15-       Sarker,I.colman,A.Kabir,M.Han,J.(2016), Behavior-Oriented Time Segmentation for Mining Individualized Rules of Mobile Phone Users , IEEE Transactions on Services Computing (Volume: 8 , Issue: 6 , Nov.-Dec. 1 2015

 

 

 

 

 

 

 

 

 

 

Presentation of a combined data mining model using associative rules and clustering to identify the dominant patterns of customer behavior
 (Case study: Ansar Bank)

 

Iman Gharib ¹⁸( Corresponding Author)

Abbas Toloie Eshalghi¹⁹

Kambiz Heidarzadeh²⁰

 

Abstract

Background: A new matter that arises in term of the dynamic behavior of customers is considering the customer segmentation. Based on the banks competitions to increase market share as well as the psychological and environmental factors the dynamics of customers’ behavior should be considered over time. Transferring customers to different sectors over time and discovering the dominant models in their displacements between sectors are of important topics in this context.

Objective: this article aims to identify the behavioral clusters, the dominant patterns of displacement, and the leading characteristics and patterns of customer displacements with a focus on the customer dynamics behavior of Ansar banks.

Design/Methodology: A Hybrid method based on clustering and association rules has been proposed.

Finding: four different behavioral group of customer are identified:" low-value customers with sustainable model", "low-value customer with unsustainable profitability model", "turned away customers with average profitability", "loyal customers with low profitability". Relations between of these groups are analyzed by association rules

 

 

 

 

 

 

 

---

[1]  دانشجوی دکتری ، دانشکده مدیریت و اقتصاد دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران، [e-mail]

[2]  استاد گروه مدیریت صنعتی دانشکده مدیریت و اقتصاد دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران، [e-mail]

[3]  دانشیار گروه مدیریت بازرگانی دانشکده مدیریت و اقتصاد دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران [e-mail]

[4]  Dominant Pattern

[5]  Data Mining

[6]  Recency

[7]  Frequency

[8]  Monetory

[9]  Corporate banking

[10]  Retail banking

[11]  Commercial banking

[12]  Business banking

[13]  Dunn index

[14]  Apriori

[15]  ATM

[16]  Pos

[17]  Cluster

[18]  PhD Candidate Industrial Management Department, Science and Research branch of Islamic Azad university, Tehran Iran,[e-mail]

[19]  Professor industrial Management Department, Science and Research Branch of Islamic Azad university , Tehran, Iran, [e-mail]

[20]  Associate Professor  Business Management Department, Science and Research branch of Islamic Azad university, Tehran Iran, [e-mail]

---