Segmenting and Determining the Profile of Customers of Ahvaz Agricultural Bank Branches using a Self-Organizing Neural Network Algorithm

Subject Areas : Business Management

Maryam Darvishi ¹

1 - 1. Assistant Professor, Department of Business Management, Omidiyeh Branch, Islamic Azad University, Omidiyeh, Iran.

Received: 2023-12-08 Accepted : 2024-03-16 Published : 2024-03-17

Keywords: Segmentation, Customer Profile, Agricultural Bank, Self-organizing Neural Network Algorithm. ,

Abstract :

The purpose of this research is to segment and determine the profile of customers using a self-organizing neural network algorithm (case study: customers of branches of Agricultural Bank of Ahvaz). The present research is included in the group of quantitative methods. The research method is based on the purpose of the applied type and the method of collecting descriptive (non-experimental) data - survey, and in terms of location, it is field research. The statistical population of this research is the customers of Ahvaz Agricultural Bank. Since the statistical population of this research is unlimited, the sample size is determined to be 384 people based on Cochran's unlimited population formula. The research tool is a questionnaire. In this research, content validity was done by asking the supervisor and other professors who have opinions on the subject area of this research. After applying these opinions on the questionnaire's content and solving the existing problems, Moore's questionnaire was approved. Data analysis was done by SOM neural network analysis method in MATLAB software. After the implementation of data analysis, the findings of the research identified five different categories of customers with different behavioral and demographic characteristics. These 5 segments are largely traditional and valuable customers, golden customers, low-value customers, loyal diamond customers, and special customers.

References:

Abimbola, T., Trueman, M., Iglesias, O., Muhamad, R., Melewar, T. C., & Alwi, S. F. S. (2012). Segmentation and brand positioning for Islamic financial services. European Journal of Marketing 46(7/8), 900-921. https://doi.org/10.1108/03090561211230061
Aghaei, M. (2021). Market Segmentation in the Banking Industry Based on Customers’ Expected Benefits: A Study of Shahr Bank. Iranian Journal of Management Studies (IJMS), 14(3), 629-648. [In Persian]
Ahmadi, P., Azar, A., & Samsami, F. (2009). Drug market segmentation with neural networks approach (case study: drug market in Iran). Business Management, 2(4), 1-20. [In Persian]
Alfansi, L., & Sargeant, A. (2000). Market segmentation in the Indonesian banking sector:the relationship between demographics and desired customer benefits. Int. J. Bank Mark, 18(2), 64–74. https://doi.org/10.1108/02652320010322976
Alves Gomes, M., & Meisen, T. (2023). A review on customer segmentation methods for personalized customer targeting in e commerce use cases. Information Systems and e-Business Management, 21(1), 527–570.
Asiedu, E. (2016). A study of use and impact of market segmentation practices on bank performance:
with special reference to commercial banks in Colombia. Journal of Business and Financial Affairs, 5(162), 2167-2234. https://doi.org/10.4172/2167-0234.1000162
Baradaran, V., & Farkhi, Z. (2013). Customer segmentation in the banking industry using the developed RFMC model. Brand Management, 1(2), 135-154.
Brisoux, J. E., & Laroche, M. (2014). Strategic brand among fast food franchise: A test of two frameworks evaluations. Journal of Bussiness Research, 45(1), 221-233.
Cameron, F., Cornish, C., & Nelson, W. (2006). FSS2: A new methodology for segmenting consumers
for financial services. Journal of Financial Services Marketing, 10(3), 260-271. https://doi.org/10.1057/palgrave.fsm.4770191
Camilleri, M. A. (2018). Market Segmentation, Targeting and Positioning. Cham, Switzerland.
Chauhan, V., Yadav, R., & Choudhary, V. (2018). Analyzing the impact of consumer innovativeness and perceived risk in internet banking adoption: a study of Indian consumers. Int. J. Bank Market, 37(1), 323–339. https://doi.org/10.1108/IJBM-02-2018-0028
Currim, I. S. (2017). Using Segmentation Approaches for Better Prediction and Understanding from Consumer Mode Choice Models. Journal of Marketing Research, 18(2), 301-309.
Curry, B., & Moutinho, L. (2015). Neural Network in marketing: Modelling consumer Responses to Advertising Stimuli. European Journal of Marketing, 27(7), 5-20.
Darvishi, M., & Abbasi, N. (2022). Segmenting and determining the profile of Arvand car customers using self-organizing map model neural network algorithm. Journal of Marketing Management, 17(57), 136-137. [In Persian]
Dolnicar, S., & Leisch, F. (2013). Winter tourist segments in Austria: Indentifying stable vacation styles using bagged clustering techniques. Journal of Travel Research, 41(3), 281-290.
Farrokhi, S., & Timurpour, B. (2015). Identifying and classifying customers of Iran's banking system from the perspective of expectations and perceived value of banking services using data mining techniques. Modern Marketing Research, 1(20), 201-220.
Gordon, C. (1994). Neural Networks and Market Segmentation. Journal of Marketing Management, 10(1), 105-129.
Guillet, B. D., & Kucukusta, D. (2016). Spa market segmentation according to customer preference. International Journal of Contemporary Hospitality Management, 28(2), 418-434. https://doi.org/10.1108/IJCHM-07-2014-03745
Hunt, S. D., & Arnett, D. B. (2004). Market segmentation strategy, competitive advantage and public policy: Grounding segmentation strategy in resource-advantage theory. Australasian Marketing Journal (AMJ), 12(1), 7-25. https://doi.org/10.1016/S1441-3582(04)70083-X
Jaiswal, D., Kaushal, V., Deshmukh, A. K., Kant, R., & Kautish, P. (2023). What drives electric vehicles in an emerging market? Mark. Intell. Plan., 40(6), 738–754. https://doi.org/10.1108/MIP-11-2021-0406
Kamakura, W. A., & Wedel, M. (2000). Market segmentation: Conceptual and methodological foundations (2 ed.). Kluwer Academic Publishers.
Kaur, G., Sharma, R. D., & Mahajan, N. (2014). Segmentation of bank customers by loyalty and switching intentions. Vikalpa The Journal for Decision Makers, 39(4), 75–90.
Kotler, P., & Armstrong, G. (1992). Principles of marketing. . Prentice Hall.
Liu, J., Liao, X., Huang, W., & Liao, X. (2019). arket segmentation: A multiple criteria approach combining preference analysis and segmentation decision. M. Omega, 83, 1-13. https://doi.org/10.1016/j.omega.2018.01.008
Liu, Y., Ram, S., Lusch, R. F., & Brusco, M. (2010). Multicriterion market segmentation: A new model, implementation and evaluation. Marketing Science, 29(5), 880-894. https://doi.org/10.1287/mksc.1100.056
Mostafa, M. (2009). Shades of green: A psychographic segmentation of the green consumer in Kuwait using self-organizing maps. Expert Systems with Applications, 36(8), 11030-11038.
Mostafa, M. M., & El-Masry, A. A. (2013). Citizens as consumers: Profiling egovernment services users in Egypt via data mining techniques. International Journal of Information Management, 33(4), 627-641.
Raiter, O. (2021). Segmentation of Bank Consumers for Artificial Intelligence Marketing. International Journal of Contemporary Financial Issues, 1(1), 39–54.
Tagvi Fard, M. T., & Khajund, S. (2012). Cluster segmentation of bank customers (case study: Saderat Bank of Iran). Business Management Explorations, 5(9), 39-64.
Zheng, X., Wu, C., & He, S. (2021). Impacts of market segmentation on the over-capacity of the thermal electricity generation industry in China. J. Environ. Manag, 279, 111761. https://doi.org/10.1016/j.jenvman.2020.111761

Full-Text:



 

 

 

Management and Sustainable Development Studies Volume 3, Issue 4 - Winter 2024 - Pages 239-266 Homepage: https://sanad.iau.ir/journal/msds

Segmenting and Determining the Profile of Customers of Ahvaz Agricultural Bank Branches using a Self-Organizing Neural Network Algorithm 

 

Maryam Darvishi 1

 

1.       Assistant Professor, Department of Business Management, Omidiyeh Branch, Islamic Azad University, Omidiyeh, Iran.

OPEN ACCESS Article type: Research Article *Correspondence: Maryam Darvishi  [e-mail] Received: December 8, 2023 Accepted: March 13, 2024 Published: Winter 2024 Citation: Darvishi, M. (2024).  Segmenting and Determining the Profile of Customers of Ahvaz Agricultural Bank Branches using a Self-Organizing Neural Network Algorithm. Journal of Management and Sustainable Development Studies, 3(4), 239-266. Publisher’s Note: MSDS stays neutral with regard to jurisdictional claims in published material and institutional affiliations.   Copyright: © 2024 by the authors. Submitted for possible open access publication under the terms and conditions of the Creative Commons Attribution (CC BY) license (https://creativecommons.org/licenses/by/4.0/).

 

 

Abstract: The purpose of this research is to segment and determine the profile of customers using a self-organizing neural network algorithm (case study: customers of branches of Agricultural Bank of Ahvaz). The present research is included in the group of quantitative methods. The research method is based on the purpose of the applied type and the method of collecting descriptive (non-experimental) data - survey, and in terms of location, it is field research. The statistical population of this research is the customers of Ahvaz Agricultural Bank. Since the statistical population of this research is unlimited, the sample size is determined to be 384 people based on Cochran's unlimited population formula. The research tool is a questionnaire. In this research, content validity was done by asking the supervisor and other professors who have opinions on the subject area of this research. After applying these opinions on the questionnaire's content and solving the existing problems, Moore's questionnaire was approved. Data analysis was done by SOM neural network analysis method in MATLAB software. After the implementation of data analysis, the findings of the research identified five different categories of customers with different behavioral and demographic characteristics. These 5 segments are largely traditional and valuable customers, golden customers, low-value customers, loyal diamond customers, and special customers.

Keywords: Segmentation, Customer Profile, Agricultural Bank, Self-organizing Neural Network Algorithm.

 

Extended Abstract

Introduction

Currently, due to the expansion of financial institutions and banks, paying attention to the processes of providing services and their customer-oriented attitude has attracted the attention of customers more than before. Therefore, studies on the quality of financial services have increased, and these studies provide new insights for managers in service sectors. Including, researchers evaluate some market opportunities such as differences between buyer groups (Abimbola et al., 2012).

Market segmentation is a basic concept in modern marketing, and it is very wide and scattered both in practice and in scientific literature (Liu et al., 2010). A careful look back at the market segmentation literature shows that the possibility of segmentation was discussed for the first time in the important contemporary works of the early thirties and in the economic literature of Robinson and Chamberlain (1933) (Jaiswal et al., 2023). Market segmentation attempts to group customers based on their needs, characteristics, or behavior.

Market segmentation in the banking industry, when done right, brings real results, such as having greater knowledge of account holder differences, leading to better alignment between organizational strengths and account holder demands. Such better coordination may serve as the basis for a long-term competitive advantage in selected target markets. Appropriately selected segments must be consistent with the organization's set of capabilities, be large enough to be profitable, have strong growth potential, and be unattractive to competitors. The logical conclusion of market segmentation would be to demonstrate the ability to offer a customized product or service to even very small groups of accounts. Micro or highly segmented marketing are terms used to describe this strategy (Kaur et al., 2014).

Due to the intense competitiveness of the banking industry and the high sensitivity of customers, this need is seen for research related to the segmentation and determination of the profile (identification of the characteristics) of the customers of Agricultural Bank using self-organizing maps with the neural network algorithm approach, which is one of the latest methods in market segmentation. is to help identify the need and improve the level of service to the customers of this bank.           

Theoretical framework

Customers' preferences for different features in the same service, product, or similar services are very different (Guillet & Kucukusta, 2016). Market segmentation is the process of dividing the market into separate groups of buyers who have distinctive needs, characteristics, and behaviors and require special marketing mixes (Kotler & Armstrong, 1992). Market segmentation allows the organization to focus key marketing activities to target a specific group of customers. This particular group is more likely to buy the organization's products and services, and they are the most appropriate group to use the organization's products and services (Kamakura & Wedel, 2000). Segmentation has a strategic importance in marketing literature; Because it accurately defines the profile of each section. This profile then forms the basis for targeting and positioning strategies (Zheng et al., 2021).

Recently, customer surveys have attracted the attention of financial services companies. Improvements made in the financial and banking sector, such as implementing innovations, constantly changing customer needs, and increasing the number of products offered, have become very important (Asiedu, 2016). Asido (2016) has shown that segmentation measures had a significant impact on the performance of the selected banks.

Neural networks are an information processing technique based on the method of biological nervous systems, such as the brain, and information processing. The basic concept of neural networks is the structure of the information processing system, which consists of numerous processing units (neurons) connected to networks. The biological nerve cell or neuron is the building block of the nervous system in humans. Dendrite, whose function is to transfer information from other cells to the nerve cell, is a neural network system that uses the techniques used by humans in learning by referring to examples of solving problems. Each neuron receives multiple inputs that are added together in a way. If at one moment the number of active neuron inputs reaches enough, the neuron is also activated and fires. Otherwise, the neuron remains inactive and quiescent. The activity of each neuron consists of a set of one or more inputs, operations, and output tasks to calculate its outputs. The basic function of this model is based on collecting the inputs and then creating an output. Neuron inputs enter through dendrites that are connected to the output of other neurons through synapses. The cell body receives all these inputs and if the sum of these values exceeds the value called the threshold, it is excited or fires, otherwise the output of the neuron will be turned on or off (Brisoux & Laroche, 2014).

Self-organizing maps self-organizing feature maps or self-organizing neural networks is a data visualization method invented by Professor Theo Kuhnen. In this method, data dimensions are reduced through the use of a self-organizing neural network. The problem that data visualization tries to solve is that the human brain simply cannot visualize data with large dimensions, but there are ways to help make sense of this data. The main goal of this technique is to reduce the dimensions of the data to one or two dimensions. This method is also called self-organizing neural networks because it is a subset of the artificial neural network method (Curry & Moutinho, 2015).

Methodology

The current research method is included in the group of quantitative methods because data is collected using a questionnaire. The research method is descriptive (non-experimental) based on the purpose of the applied type and the method of data collection, in terms of location, it is field research and in terms of time, it is cross-sectional research. The statistical population of this research includes customers of Ahvaz Agricultural Bank. Since the statistical population of this research is unlimited, the sample size is 384 people according to Cochran's unlimited population formula. The research tool is a questionnaire. In this research, the validity of the content was done by asking the opinion of the supervisor and other expert professors in the subject area of this research. After applying these opinions on the questionnaire's content and solving the existing problems, the Moore questionnaire was approved. Data analysis was done by SOM neural network analysis method in MATLAB software. 

Discussion and Results

Viscovery SOMine version 5.0 software was used for data clustering using the self-organizing maps method. The software automatically applies artificial intelligence to find efficient clusters of self-organizing maps. The network training data consists of 384 (number of samples) 24-dimensional vectors (segmentation variables). SOMine software uses a hierarchical cluster analysis method called SOM-Ward Clusters to determine the boundaries of each section and also determine the optimal number of clusters. The segmentation results show that the first segment as the largest segment contains 41.08% of the total sample. 26.29% of the total research sample is in the second section, 19.48% in the third section, and 7.04% in the fourth section. Finally, the fifth section, the smallest section, contains only 6.10% of the entire research sample.   

Conclusion

In this research, while emphasizing the importance of segmentation, the segmentation process was implemented with new methods, and one of the best techniques, i.e. neural networks, was used for this purpose. The most key feature of the customers in each department that is intended in this research, based on this, customers have been segmented and named. In this study, customers have been analyzed and segmented based on two categories of behavioral and demographic characteristics. The first cluster is largely traditional and valuable customers: the average segmentation variables in this segment show that this group is the largest segment, with 41.08% of the total sample. The second cluster, golden customers: 26.29% of the total sample are in the second segment. The third cluster is low-value customers: 19.48% of customers are in the third segment. The fourth cluster, loyal diamond customers: in the fourth section, loyal diamond customers contain 7.04% of the total research sample. The fifth cluster, special customers: in the fifth section, 6.10% of the total research sample is included.   

 

مطالعـات مدیریـت و توسعـه پایـدار سال سوم، شماره چهارم، زمستان ۱۴۰۲ – صفحه ۲۶۶-۲۳۹ Homepage: https://sanad.iau.ir/journal/msds

بخش‌بندی و تعیین نیم‌رخ مشتریان شعب بانک کشاورزی اهواز با استفاده از الگوریتم شبکه‌های عصبی خودسازمانده

مریم درویشی۱ 

1. استادیار، گروه مدیریت بازرگانی، واحد امیدیه، دانشگاه آزاد اسلامی، امیدیه، ایران.

 

دسترسی آزاد نوع مقاله: مقاله پژوهشی *نویسنده مسئول: مریم درویشی  [e-mail] تاریخ دریافت: ۱۷/۰۹/۱۴۰۲ تاریخ پذیرش: ۲۲/۱۲/۱۴۰۲ تاریخ انتشار:  زمستان ۱۴۰۲ استناد: درویشی، مریم. (140۲).  بخش‌بندی و تعیین نیم‌رخ مشتریان شعب بانک کشاورزی اهواز با استفاده از الگوریتم شبکه‌های عصبی خودسازمانده. فصلنامه مطالعات مدیریت و توسعه پایدار، ۳(۴)، ۲۳۹-۲۶۶.  یادداشت ناشر: MSDS درخصوص ادعاهای قضایی در مطالب منتشر شده و وابستگی‌های سازمانی بی‌طرف می‌ماند.   کپی‌رایت: © 2024 by the authors. Submitted for possible open access publication under the terms and conditions of the Creative Commons Attribution (CC BY) license (https://creativecommons.org/licenses/by/4.0/).

چکیده: هدف از انجام این پژوهش، بخش‌بندی و تعیین نیمرخ مشتریان با استفاده ازالگوریتم شبکه‌های عصبی خودسازمانده (مورد مطالعه: مشتریان شعب بانک کشاورزی شهرستان اهواز) است. تحقیق حاضر در گروه روش‌های کمّی قرار می‌گیرد. روش پژوهش براساس هدف از نوع كاربردي و براساس چگـونگي جمـع‌آوري داده‌هـا توصـيفی (غيرآزمايشي) - پيمايشي و از نظر مکان نیز یک تحقیق میدانی است. جامعه آماری این تحقیق مشتریان بانک کشاورزی شهرستان اهواز می‌باشند. ازآنجایی‌که جامعه آماری این تحقیق نامحدود است، حجم نمونه بر اساس فرمول کوکران جامعه نامحدود، به تعداد 384 نفر تعیین شده است. ابزار پژوهش، پرسشنامه است. در این پژوهش روایی محتوا از طریق نظرخواهی از استاد راهنما و سایر اساتید صاحب نظر در قلمرو موضوعی این پژوهش صورت گرفت و پس از اعمال این نظرات در مورد محتوای پرسش‌نامه و رفع اشکالات موجود، پرسش‌نامه مور تأیید واقع شد. تجزیه و تحلیل داده‌ها به روش تحلیل شبکه عصبی SOM در نرم افزار MATLAB انجام شده است. پس از اجرای تحلیل داده‌ها، يافته‌هاي پژوهش به شناسايي پنج دستة متفاوت از مشتریان با ویژگی‌های رفتاری و جمعیت شناختی متفاوت شد. این 5 بخش عبارتند از: مشتریان کلان سنتی و ارزشمند، مشتریان طلایی، مشتریان کم ارزش، مشتریان الماسی وفادار و مشتریان خاص.

 

واژگان كلیدی: بخش‌بندی، نیم‌رخ مشتریان، بانک کشاورزی، الگوریتم شبکه‌های عصبی خودسازمانده.

 

 

مقدمه 

در حال حاضر، با توجه به گسترش مؤسسات مالی و بانک ها، توجه به فرآیندهای ارائه خدمات و نگرش مشتری مداری آنها بیش از پیش مورد توجه مشتریان قرار گرفته است. از اینرو، مطالعات در مورد کیفیت خدمات مالی افزایش یافته و این مطالعات بینش جدیدی را برای مدیران در بخش های خدمات ارائه می‌دهد. منجمله، محققان برخی فرصت‌های بازار مانند تفاوت‌های بین گروه‌های خریدار را ارزیابی می‌کنند (volume><number>7/8</number><dates><year>2012</year></dates><urls></urls><electronic-resource-num>10.1108/03090561211230061</electronic-resource-num></record></Cite></EndNote>Abimbola et al., 2012). 

بخش‌بندی بازار، یک مفهوم اساسی در بازاریابی مدرن می‌باشد و هم در عمل و هم در ادبیات علمی بسیار گسترده و پراکنده است (key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Liu, Y.</author><author>Ram, S.</author><author>Lusch, R. F.</author><author>Brusco, M.</author></authors></contributors><titles><title>Multicriterion market segmentation: A new model, implementation and evaluation</title><secondary-title>Marketing Science</secondary-title></titles><periodical><full-title>Marketing Science</full-title></periodical><pages>880-894</pages><volume>29</volume><number>5</number><dates><year>2010</year></dates><urls></urls><electronic-resource-num>10.1287/mksc.1100.056</electronic-resource-num></record></Cite></EndNote>Liu et al., 2010). نگاهی به گذشته دقیق ادبیات بخش‌بندی بازار نشان می‌دهد که امکان بخش‌بندی برای اولین بار در آثار مهم معاصر اوایل دهه سی و در ادبیات اقتصادی رابینسون و چمبرلین¹ (1933) مورد بحث قرار گرفته است (Jaiswal et al., 2023). بخش‌بندی بازار سعی دارد مشتریان را بر اساس نیازها، ویژگی‌ها یا رفتارشان دسته‌بندی کند. این دسته‌بندی‌ها ممکن است نیاز به استراتژی‌های بازاریابی مختلفی داشته باشند (key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Liu, J.</author><author>Liao, X.</author><author>Huang, W.</author><author>Liao, X. </author></authors></contributors><titles><title>arket segmentation: A multiple criteria approach combining preference analysis and segmentation decision</title><secondary-title>M. Omega</secondary-title></titles><periodical><full-title>M. Omega</full-title></periodical><pages>1-13</pages><volume>83</volume><dates><year>2019</year></dates><urls></urls><electronic-resource-num>10.1016/j.omega.2018.01.008</electronic-resource-num></record></Cite></EndNote>Liu et al., 2019) و در نهایت باعث می‌شود کسب و کارها بتوانند مشتریان خود را گروه‌بندی کنند (to customer preference</title><secondary-title>International Journal of Contemporary Hospitality Management</secondary-title></titles><periodical><full-title>International Journal of Contemporary Hospitality Management</full-title></periodical><pages>418-434</pages><volume>28</volume><number>2</number><dates><year>2016</year></dates><urls></urls><electronic-resource-num>10.1108/IJCHM-07-2014-03745</electronic-resource-num></record></Cite></EndNote>Guillet & Kucukusta, 2016). اولاً، اطلاعات مشتریان باعث می‌شود که بینشی در مورد نیازها و انگیزه‌های مشتریان داشته باشید (Cameron et al., 2006)؛ با پیش‌بینی واقعیت‌های (پدیده‌های) بازار، باعث افزایش درک در مورد بازار می‌شود و مدل‌های بهتری را ارائه می‌دهد (Hunt & Arnett, 2004). دوم، پایه‌گذاری استراتژی بخش‌بندی بازار در تئوری رقابت به توسعه بازاریابی ابعاد کلان کمک می‌کند (key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Aghaei, M. </author></authors></contributors><titles><title>Market Segmentation in the Banking Industry Based on Customers’ Expected Benefits: A Study of Shahr Bank</title><secondary-title>Iranian Journal of Management Studies (IJMS)</secondary-title></titles><periodical><full-title>Iranian Journal of Management Studies (IJMS)</full-title></periodical><pages>629-648</pages><volume>14</volume><number>3</number><dates><year>2021</year></dates><urls></urls></record></Cite></EndNote>Aghaei, 2021). 

بخش بندی بازار در صنعت بانکداری وقتی به درستی انجام شود، نتایج واقعی را به ارمغان می‌آورد، مانند داشتن دانش بیشتری از تفاوت‌های صاحبان حساب، که منجر به هماهنگی بهتر بین نقاط قوت سازمانی و تقاضاهای صاحب حساب می‌شود. چنین هماهنگی بهتری ممکن است به عنوان پایه‌ای برای یک مزیت رقابتی بلندمدت در بازارهای هدف انتخاب شده عمل کند. بخش‌های مناسب انتخاب شده باید با مجموعه قابلیت‌های سازمانی همخوانی داشته باشند، به منظور سودآوری به اندازه کافی بزرگ باشند ، پتانسیل رشد قوی داشته باشند و برای رقبا جذاب نباشند. رسیدن به نتیجه منطقی بخش‌بندی بازار نشان دادن توانایی ارائه محصول یا خدمات سفارشی به حتی گروه‌های بسیار کوچک دارای حساب خواهد بود. بازاریابی کوچک یا بسیار تقسیم‌بندی شده اصطلاحات استفاده شده برای توصیف این استراتژی است (key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Kaur, G.</author><author>Sharma, R. D. </author><author>Mahajan, N. </author></authors></contributors><titles><title>Segmentation of bank customers by loyalty and switching intentions</title><secondary-title>Vikalpa The Journal for Decision Makers</secondary-title></titles><periodical><full-title>Vikalpa The Journal for Decision Makers</full-title></periodical><pages>75–90</pages><volume>39</volume><number>4</number><dates><year>2014</year></dates><urls></urls></record></Cite></EndNote>Kaur et al., 2014). گام بعدی منجر به بخش‌بندی تنگ‌تر می‌شود، که در آن هر مشتری نماینده بخش بازار خود است. با ظهور بانکداری الکترونیک و استفاده از پایگاه داده‌های مصرف‌کننده پیچیده، تاکتیک‌های بخش‌بندی دقیق‌تر عملی‌تر می‌شوند، که به بانک‌ها و سایر مؤسسات مالی اجازه می‌دهد از اطلاعات آنان برای ارائه خدمات دقیق‌تر استفاده کنند (key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Raiter, O.</author></authors></contributors><titles><title>Segmentation of Bank Consumers for Artificial Intelligence Marketing</title><secondary-title>International Journal of Contemporary Financial Issues</secondary-title></titles><periodical><full-title>International Journal of Contemporary Financial Issues</full-title></periodical><pages>39–54</pages><volume>1</volume><number>1</number><dates><year>2021</year></dates><urls></urls></record></Cite></EndNote>Raiter, 2021).  

امروزه علاوه بر روش‌های سنتی در بخش بندی بازار، روش‌های نوینی در این عرصه مطرح گردیده است که از میان آن‌ها می‌توان به روش‌های بخش‌بندی چند بعدی، مدل‌های طبقه پنهان (مدل‌های ترکیبی)، خوشه‌بندی فازی و همپوشانی، تحلیل خوشه‌ای و شبکه‌های عصبی مصنوعی اشاره کرد. طی دهه گذشته، شبکه‌های عصبی به‌عنوان یک فناوری ظاهرشده‌اند که الگوی داده‌ها را شناسایی و مدل‌سازی می‌کنند؛ کاری که با روش‌های آماری سنتی به ‌آسانی امکان‌پذیر نیست (key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Gordon, C. </author></authors></contributors><titles><title>Neural Networks and Market Segmentation</title><secondary-title>Journal of Marketing Management</secondary-title></titles><periodical><full-title>Journal of Marketing Management</full-title></periodical><pages>105-129</pages><volume>10</volume><number>1</number><dates><year>1994</year></dates><urls></urls></record></Cite></EndNote>Gordon, 1994). یکی از روش‌های قابل‌استفاده در بخش بندی بازار، استفاده از شبکه‌های عصبی مصنوعی است. علت استفاده از آن، انعطاف‌پذیری در ساختن مدل و توانایی‌اش در استفاده از اطلاعات جدید است. ضعف‌های شناخته‌شده در روش‌های خوشه‌بندی کلاسیک، مانند تغییرپذیری هر اجرا براثر تغییر دانه‌های اولیه، نیاز به روشی تحلیلی ایجاد می‌کند که بخش‌بندی بهینه‌ای بدون نیاز به اطلاعات این دانه‌ها ایجاد کند و قابلیت تعلیم و مدل‌سازی سیستم‌های پیچیده را داشته باشد. از روش‌های تأمین‌کننده این انتظارات شبکه‌های عصبی هستند (Ahmadi et al., 2009). 

بخش‌بندی بازار با شبکه‌های عصبی مصنوعی سابقه طولانی در دنیا ندارد. به‌طور عمده این روش در دنیا، از چندین سال پیش در مدیریت گردشگری به‌صورت گسترده آغاز گردید و پس ‌از آن به سایر حوزه‌های بازاریابی نیز سرایت کرد. امروزه این روش در کنار روش‌های آماری از شایع‌ترین شیوه‌های بخش‌بندی مشتریان بوده و روز به‌ روز در حال گسترش است. توجه به اینکه صنعت بانکداری یک از پیشران‌ها و موتور محرکه رشد و توسعه اقتصادی می‌باشد، و همچنین با توجه به تلاطم‌های بسیاری که از ناحیه‌ بانک‌ها و مؤسسات مالی در جامعه ایجاد می‌شود، داشتن شناخت کافی نسبت به علایق مشتریان بانک‌ها، به برنامه‌ریزان و طراحان استراتژی بانک کشاورزی کمک می‌کند تا مطلوبیت مورد انتظار آنان را برآورده نموده و در این بازار رقابتی باقی بمانند. با توجه به رقابتی شدن شدید صنعت بانکداری و حساسیت بالای مشتریان، این نیاز دیده می‌شود تا پژوهشی در رابطه با بخش‌بندی و تعیین نیم‌رخ (شناسایی ویژگی‌های) مشتریان بانک کشاورزی با استفاده از نقشه‌های خودسازمانده با رویکرد الگوریتم شبکه عصبی که از روش‌های به‌روز در بخش‌بندی بازار می‌باشد، جهت کمک به شناسایی نیاز و ارتقاء سطح خدمات‌رسانی به مشتریان این بانک صورت پذیرد.

مبانی نظری و پیشینه پژوهش

بخش‌بندی بازار

اولویت‌های مشتریان برای ویژگی‌های مختلف در یک سرویس، محصول یا خدمات مشابه، بسیار متفاوت است (to customer preference</title><secondary-title>International Journal of Contemporary Hospitality Management</secondary-title></titles><periodical><full-title>International Journal of Contemporary Hospitality Management</full-title></periodical><pages>418-434</pages><volume>28</volume><number>2</number><dates><year>2016</year></dates><urls></urls><electronic-resource-num>10.1108/IJCHM-07-2014-03745</electronic-resource-num></record></Cite></EndNote>Guillet & Kucukusta, 2016). بخش‌بندی بازار عبارت است از فرايند تقسيم بازار به گروه‌هایی مجزا از خريداران كه داراي نيازها، ویژگی‌ها و رفتارهاي متمايزي باشند و آمیخته‌های بازاريابي به‌خصوصي را احتياج داشته باشند (timestamp="1710323476">6224</key></foreign-keys><ref-type name="Book">6</ref-type><contributors><authors><author>Kotler, P.</author><author>Armstrong, G. </author></authors></contributors><titles><title> Principles of marketing. </title></titles><dates><year>1992</year></dates><publisher>Prentice Hall</publisher><urls></urls></record></Cite></EndNote>Kotler & Armstrong, 1992). بخش‌بندی بازار، به سازمان امكان می‌دهد تا فعالیت‌های كليدي بازاريابي را براي هدف قرار دادن گروه خاصي از مشتريان، متمركز كند. اين گروه خاص، احتمال بيشتري دارد تا به خريد محصولات و خدمات سازمان بپردازند و مناسب‌ترین گروه براي بهره‌برداری از محصولات و خدمات سازمان هستند (timestamp="1710323348">6222</key></foreign-keys><ref-type name="Book">6</ref-type><contributors><authors><author>Kamakura, W. A.</author><author>Wedel, M. </author></authors></contributors><titles><title>Market segmentation: Conceptual and methodological foundations</title></titles><edition>2</edition><dates><year>2000</year></dates><publisher>Kluwer Academic Publishers</publisher><urls></urls></record></Cite></EndNote>Kamakura & Wedel, 2000). بخش‌بندی اهمیتی راهبردی در ادبیات بازاریابی دارد؛ زیرا نیم‌رخ هر بخش را با دقت مشخص می‌کند. پس از آن، این نیم‌رخ مبنایی برای استراتژی‌های هدف‌گذاری و موضع‌یابی  قرار می‌گیرد (key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Zheng, X.</author><author>Wu, C.</author><author>He, S.</author></authors></contributors><titles><title>Impacts of market segmentation on the over-capacity of the thermal electricity generation industry in China</title><secondary-title>J. Environ. Manag</secondary-title></titles><periodical><full-title>J. Environ. Manag</full-title></periodical><pages>111761</pages><volume>279</volume><dates><year>2021</year></dates><urls></urls><electronic-resource-num>10.1016/j.jenvman.2020.111761</electronic-resource-num></record></Cite></EndNote>Zheng et al., 2021). در فرايند بخش‌بندی، مشتريان به گروه‌های مختلف تقسيم می‌شوند؛ به صورتی که مشتريان شبيه به يكديگر، در يک گروه قرار می‌گیرند و گروه‌های مختلف، كمترين شباهت را به يكديگر دارند. سپس با توجه به اينكه اعضاي هر گروه، شناخته‌شده هستند، برنامه‌های خاصي جهت توليد محصول جديد، تبليغات و بازاريابي براي آنان در نظر گرفته می‌شود. همچنين، گروهي از مشتريان كه بيشترين سوددهی را براي سازمان دارند، بيشتر مورد توجه قرار می‌گیرند. با جستجو و تفحص در رفتار مشتريان می‌توان خصوصيات رواني و شخصي متفاوتي را مانند رفتارهاي خريد، الگوهاي ريسک و سطوح سودرساني پيدا كرد كه اين نشان‌دهنده كارايي بخش‌بندی است. باید توجه داشت که رفتار مشتری فرآیندی مستمر است و نیازها، خواسته‌ها و رضایت مشتری در طول زمان تغییر می‌کند. بر این اساس، فرآیندها و رویه‌های زیربنایی اجرا شده در شرکت‌ها باید انعطاف‌پذیر باشند تا بتوانند این سطح بالای پویایی را تطبیق دهند (srzev" timestamp="1710319600">6206</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Alves Gomes, M.</author><author>Meisen, T. </author></authors></contributors><titles><title>A review on customer segmentation methods for personalized customer targeting in e commerce use cases</title><secondary-title>Information Systems and e-Business Management</secondary-title></titles><periodical><full-title>Information Systems and e-Business Management</full-title></periodical><pages>527–570</pages><volume>21</volume><number>1</number><dates><year>2023</year></dates><urls></urls></record></Cite></EndNote>Alves Gomes & Meisen, 2023). 

بخش‌بندی بازار، افراد را از نظر سلایق، نیازها، نگرش‌ها، سبک زندگی، اندازه و ترکیب خانوار طبقه‌بندی می‌کند. مرکز ثقل استفاده از مفهوم بازاریابی، بخش‌بندی بازار است که تقسیم بازارها درون خوشه‌های خریداران با ترجیحات مشابه را شامل می‌شود.

بخش‌بندي بانک‌ها

اخیراً، نظرسنجی مشتریان توجه شرکت‌های خدمات مالی را به خود جلب کرده است. بهبودهای ایجاد شده در بخش مالی و بانکداری، مانند اجرای نوآوری‌های جدید، تغییر مداوم نیازهای مشتری، افزایش تعداد محصولات ارائه شده اهمیت زیادی پیدا کرده است (key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Asiedu, E. </author></authors></contributors><titles><title>A study of use and impact of market segmentation practices on bank performance:&#xD;with special reference to commercial banks in Colombia</title><secondary-title>Journal of Business and Financial Affairs</secondary-title></titles><periodical><full-title>Journal of Business and Financial Affairs</full-title></periodical><pages>2167-2234</pages><volume>5</volume><number>162</number><dates><year>2016</year></dates><urls></urls><electronic-resource-num>10.4172/2167-0234.1000162</electronic-resource-num></record></Cite></EndNote>Asiedu, 2016). آسیدو² (2016) نشان داده است که اقدامات بخش‌بندی تأثیر چشمگیری بر عملکرد بانک‌های انتخاب شده داشته است. در زیر مبـاني اصـلي بخش‌بندی مشتریان بانكداری شامل متغيرهاي جمعيـت شـناختي، روان‌شناختی و بخش‌بندی رفتـاري به‌صورت مختصر توضيح داده‌شده است (key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Aghaei, M. </author></authors></contributors><titles><title>Market Segmentation in the Banking Industry Based on Customers’ Expected Benefits: A Study of Shahr Bank</title><secondary-title>Iranian Journal of Management Studies (IJMS)</secondary-title></titles><periodical><full-title>Iranian Journal of Management Studies (IJMS)</full-title></periodical><pages>629-648</pages><volume>14</volume><number>3</number><dates><year>2021</year></dates><urls></urls></record></Cite></EndNote>Aghaei, 2021). 

1.       بخش‌بندي جمعيت شناختي: متغیرهای جمعیت شناختی به دلیل کاربرد و سنجش آسان‌تر، بیش از سایر متغیرها در بخش‌بندی بازار مورد استفاده قرار می‌گیرند. اين نوع از بخش‌بندی شـامل تقسـيم بـازار بـه گروه‌ها بـر مبنـاي متغيرهاي جمعيت شناختي از قبيل سن، جنس، دوره عمر خانواده، درآمد، شغل، سطح تحصـيلات، مذهب، فرهنگ و مليت می‌باشد. استفاده از اين متغيرها در بخش‌بندی بازار بسيار متداول می‌باشد، زيرا اندازه‌گیری و كنترل آن‌ها نسبتاً ساده است (key></foreign-keys><ref-type name="Book">6</ref-type><contributors><authors><author>Camilleri, M.A. </author></authors></contributors><titles><title>Market Segmentation, Targeting and Positioning</title><secondary-title>Travel Marketing, Tourism Economics and the Airline Product</secondary-title></titles><section> 69-83</section><dates><year>2018</year></dates><publisher>Cham, Switzerland</publisher><urls></urls></record></Cite></EndNote>Camilleri, 2018).

2.       بخش‌بندي روان‌شناختی: در بخش‌بندی روان‌شناختی، خريداران بر مبنـاي سـبك زنـدگي و يـا شخصيت به گروه‌های مختلف تقسيم می‌شوند. تقسیم‌بندی روان‌شناختی می‌تواند برای تقسیم بازار با توجه به صفات شخصیت، ارزش‌ها، انگیزه‌ها، منافع و شیوه زندگی استفاده شود (key></foreign-keys><ref-type name="Book">6</ref-type><contributors><authors><author>Camilleri, M.A. </author></authors></contributors><titles><title>Market Segmentation, Targeting and Positioning</title><secondary-title>Travel Marketing, Tourism Economics and the Airline Product</secondary-title></titles><section> 69-83</section><dates><year>2018</year></dates><publisher>Cham, Switzerland</publisher><urls></urls></record></Cite></EndNote>Camilleri, 2018). 

3.       بخش‌بندی رفتـاري: در بخش‌بندی رفتـاري مشـتريان بـر مبنـاي اوقـات مصـرف، وضـعيت استفاده ‌کننده، ميزان مصرف، وضعيت وفاداري و مزاياي مورد انتظار به گروه‌های مختلـف تقسـيم می‌شوند. پژوهشگران، بازار بانك را بر مبناي وضعيت وفاداري بخش‌بندی كردنـد. در يـك روشِ مؤثر ديگر بازار بانك بر مبناي معيارهـاي انتخـاب بانـك یا مزايـاي مـورد انتظـار مشـتريان بخش‌بندی می‌شود (timestamp="1710321900">6216</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Dolnicar, S.</author><author>Leisch, F.</author></authors></contributors><titles><title>Winter tourist segments in Austria: Indentifying stable vacation styles using bagged clustering techniques</title><secondary-title>Journal of Travel Research</secondary-title></titles><periodical><full-title>Journal of Travel Research</full-title></periodical><pages>281-290</pages><volume>41</volume><number>3</number><dates><year>2013</year></dates><urls></urls></record></Cite></EndNote>Dolnicar & Leisch, 2013).

مطالعات قبلی در خدمات بانکی مانند آلفانسی و سارجنت³ (2000)، مشتریان بانکی را با استفاده از منافع مورد نظر تقسیم بندی کرده‌اند (timestamp="1710319556">6205</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Alfansi, L.</author><author>Sargeant, A.</author></authors></contributors><titles><title>Market segmentation in the Indonesian banking sector:the relationship between demographics and desired customer benefits</title><secondary-title>Int. J. Bank Mark</secondary-title></titles><periodical><full-title>Int. J. Bank Mark</full-title></periodical><pages>64–74</pages><volume>18</volume><number>2</number><dates><year>2000</year></dates><urls></urls><electronic-resource-num>10.1108/02652320010322976</electronic-resource-num></record></Cite></EndNote>Alfansi & Sargeant, 2000). علاوه بر این، با افزایش نفوذ اینترنت و افزایش کاربردهای آن در بانکداری اینترنتی و روش‌های پرداخت نوآورانه، چندین پژوهشگر بازاریابی، این پدیده‌ها را با عمق بیشتری در خدمات بانکی مورد بررسی قرار داده‌اند (of consumer innovativeness and perceived risk in internet banking adoption: a study of Indian consumers</title><secondary-title>Int. J. Bank Market</secondary-title></titles><periodical><full-title>Int. J. Bank Market</full-title></periodical><pages>323–339</pages><volume>37</volume><number>1</number><dates><year>2018</year></dates><urls></urls><electronic-resource-num>10.1108/IJBM-02-2018-0028</electronic-resource-num></record></Cite></EndNote>Chauhan et al., 2018). شناسایی و انتخاب مجموعه مناسبی از منافع که واقعاً نیاز‌های واقعی مصرف‌کنندگان را نشان دهد، چالش‌برانگیز است. بخش‌بندی منافع درک ‌شده به عنوان یک روش مؤثر برای بخش‌بندی مشتریان بانک بر اساس نگرش آن‌ها نسبت به فناوری مورد نظر است. با این حال، لازم به ذکر است که هیچ روشی از محدودیت‌ها مستثنی نیست؛ بنابراین بهتر است یک روش تلفیقی برای نتایج قوی‌تر به کار گرفته شود (timestamp="1710319556">6205</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Alfansi, L.</author><author>Sargeant, A.</author></authors></contributors><titles><title>Market segmentation in the Indonesian banking sector:the relationship between demographics and desired customer benefits</title><secondary-title>Int. J. Bank Mark</secondary-title></titles><periodical><full-title>Int. J. Bank Mark</full-title></periodical><pages>64–74</pages><volume>18</volume><number>2</number><dates><year>2000</year></dates><urls></urls><electronic-resource-num>10.1108/02652320010322976</electronic-resource-num></record></Cite></EndNote>Alfansi & Sargeant, 2000).

شبکه‌های عصبی خودسازمان دهنده

شبکه‌های عصبي يك تكنيك پردازش اطلاعات مبتني بر روش سیستم‌های عصبي بيولوژيكي، مانند مغز و پردازش اطلاعات است. مفهوم بنيادي شبکه‌های عصبي، ساختار سيستم پردازش اطلاعات است كه از تعداد زيادي واحدهاي پردازشي (نورون‌) مرتبط با شبکه‌ها تشکیل‌ شده‌اند‌. سلول عصبي بيولوژيكي يا نورون، واحد سازنده سيستم عصبي در انسان است. دندريت كه وظيفه آن انتقال اطلاعات از سلول‌های ديگر به سلول عصبي است، يك سيستم شبكه عصبي از تكنيك‌هاي مورد استفاده انسان در يادگيري از طريق استناد به مثال‌هایی از حل مسائل استفاده مي‌كند. هر نورون ورودی‌های متعددي را پذيراست كه با يكديگر به طريقي جمع می‌شوند. اگر در یک ‌لحظه تعداد ورودی‌های فعال نرون به حد كفايت برسد، نرون نيز فعال‌شده و آتش می‌کند. در غير این صورت، نورون به‌صورت غیرفعال و آرام باقي می‌ماند. فعاليت هر نورون از مجموعه‌ای از يك يا چند ورودي، عمليات و وظيفه خروجي براي محاسبه خروجی‌هایش تشکیل ‌شده است. عملكرد اساسي اين مدل مبتني بر جمع‌کردن ورودی‌ها و به دنبال آن به وجود آمدن يك خروجي است. ورودی‌های نورون از طريق دندریت‌ها كه به خروجي نورون‌های ديگر از طريق سيناپس متصل شده‌اند وارد می‌شوند. بدنه سلولي كليه اين ورودی‌ها را دريافت می‌کند و چنانچه جمع اين مقادير از مقداري كه به آن آستانه گفته می‌شود بيشتر شود، در اصطلاح برانگیخته ‌شده يا آتش می‌کند و در غير اين صورت خروجي نورون روشن يا خاموش خواهد شد (timestamp="1710321278">6209</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Brisoux, J.E.</author><author>Laroche, M. </author></authors></contributors><titles><title>Strategic brand among fast food franchise: A test of two frameworks evaluations</title><secondary-title> Journal of Bussiness Research</secondary-title></titles><pages>221-233</pages><volume>45</volume><number>1</number><dates><year>2014</year></dates><urls></urls></record></Cite></EndNote>Brisoux & Laroche, 2014).

نقشه‌هاي خودسازمانده

نقشه‌های خودسازمان‌ دهنده یا نقشه ویژگی‌های خود سازمان دهنده یا شبکه‌های عصبی خودسازمان دهنده، یک روش تجسم داده ‌است که توسط پروفسور تئو کوهنن⁴ اختراع‌ شده است. در این روش ابعاد داده‌ها را از طریق کاربرد شبکه عصبی خود سازمان دهنده کاهش می‌دهند. مسئله‌ای که تجسم داده سعی در حل آن دارد این است که مغز انسان به‌سادگی نمی‌تواند داده‌های با ابعاد زیاد را تجسم کند؛ اما روش‌هایی برای کمک به درک این داده‌ها وجود دارد. هدف اصلی این تکنیک کاهش ابعاد داده‌ها به یک یا دو بُعد است. به این روش شبکه‌های عصبی خود سازمان دهنده نیز می‌گویند، زیرا در واقع زیرمجموعه روش شبکه عصبی مصنوعی است (Curry & Moutinho, 2015).

نقشه‌های خودسازمانده اولين بار در سال توسط كوهنن، با الگوبرداری از عصب شبكيه چشم معرفي شد. ساختار نقشه‌های خودسازمانده به‌گونه‌ای است كه از دولایه مجزا تشکیل ‌شده است. در لايه هر نورون یک‌لایه ورودي و یک‌لایه خروجي است كه لايه نقشه نام دارد. نقشه مربوط به يك بردار اطلاعات با ابعادي برابر ابعاد فضاي مورد تحليل است. پس از آموزش شبکه‌های خودسازمانده، به تعداد نورون‌های انتخاب ‌شده براي شبكه، بردارهاي وزني به دست می‌آیند كه هر يك نمايانگر بخشي از فضاي مورد تحليل است. در صورت انتخاب تعداد مناسب نرون، ابعاد شبكه و در نهايت آموزش مناسب شبكه، نمايش وزني متناظر با نورون‌های هر نقشه می‌تواند به‌خوبی نمايانگر فضاي مورد تحليل باشد (key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Currim, I. S. </author></authors></contributors><titles><title>Using Segmentation Approaches for Better Prediction and Understanding from Consumer Mode Choice Models</title><secondary-title>Journal of Marketing Research</secondary-title></titles><periodical><full-title>Journal of Marketing Research</full-title></periodical><pages>301-309</pages><volume>18</volume><number>2</number><dates><year>2017</year></dates><urls></urls></record></Cite></EndNote>Currim, 2017).

 درویشی و همکاران (2022)، به بخش‌بندی و تعیین نیمرخ مشتریان خودروهای پلاک اروند با استفاده از الگوریتم شبکه عصبی مدل نقشه‌های خودسازمانده پرداختند. تجزیه‌وتحلیل داده‌ها به روش تحلیل و داده‌کاوی با استفاده از شبکه عصبی خودسازمانده SOM انجام شد. برای بخش‌بندی مشتریان، ویژگی‌های جمعیت شناختی، روان‌شناختی و رفتاری هم‌زمان به کار گرفته‌شده است. بر اساس خروجی‌های به‌دست‌آمده و شاخص‌های تعیین خوشه‌های بهینه، 3 بخش شامل مشتریان بی‌تفاوت، محافظه‌کار و وفادار شناسایی و برچسب‌گذاری شد. نتایج این پژوهش نشان می‌‌دهد که متغیرهای جمعیت‌شناختی، روان‌شناختی و رفتاری در بخش‌بندی مشتریان خودروهای پلاک اروند نقش تعیین‌کننده‌ و ویژه‌ای دارند (timestamp="1710321857">6215</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Darvishi, M.</author><author>Abbasi, N. </author></authors></contributors><titles><title>Segmenting and determining the profile of Arvand car customers using self-organizing map model neural network algorithm</title><secondary-title>Journal of Marketing Management</secondary-title></titles><periodical><full-title>Journal of Marketing Management</full-title></periodical><pages>136-137</pages><volume>17</volume><number>57</number><dates><year>2022</year></dates><urls></urls></record></Cite></EndNote>Darvishi & Abbasi, 2022). 

آقایی (2021)، به بررسی بخش‌بندی بازار در صنعت بانکداری بر اساس مزایای مورد انتظار مشتریان: مطالعه بانک شهر پرداخت. در این پژوهش با استفاده از تحلیل خوشه‌ای، چهار بخش مشتری به نام‌های سودگرا، صلح‌محور، علاقه‌محور و متوسط استخراج شد (key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Aghaei, M. </author></authors></contributors><titles><title>Market Segmentation in the Banking Industry Based on Customers’ Expected Benefits: A Study of Shahr Bank</title><secondary-title>Iranian Journal of Management Studies (IJMS)</secondary-title></titles><periodical><full-title>Iranian Journal of Management Studies (IJMS)</full-title></periodical><pages>629-648</pages><volume>14</volume><number>3</number><dates><year>2021</year></dates><urls></urls></record></Cite></EndNote>Aghaei, 2021). 

رایتر⁵ (2021)، به تقسیم‌بندی مشتریان بانکی برای بازاریابی هوش مصنوعی پرداخت. با توجه به نتایج حاصل تعداد ایده آل خوشه‌ها پنج تا شد. این تحقیق بر اساس درآمد و دفعات خرید آنها، که ظاهراً بزرگترین ویژگی برای ایجاد بخش‌های مشتریان است، پنج بخش مصرف‌کننده متمایز را شناسایی کرد: پس‌انداز، عمومی، هدف‌ها و خرج‌کنندگان بزرگ. این تحقیق استفاده از تکنیک‌های یادگیری ماشین را برای ابداع تاکتیک‌ها و سیاست‌های بازاریابی مختلف برای به حداکثر رساندن کارایی بانک، رضایت مشتری و کیفیت خدمات توصیه می‌کند (key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Raiter, O.</author></authors></contributors><titles><title>Segmentation of Bank Consumers for Artificial Intelligence Marketing</title><secondary-title>International Journal of Contemporary Financial Issues</secondary-title></titles><periodical><full-title>International Journal of Contemporary Financial Issues</full-title></periodical><pages>39–54</pages><volume>1</volume><number>1</number><dates><year>2021</year></dates><urls></urls></record></Cite></EndNote>Raiter, 2021).

فرخی و همکاران (2015) در یک مطالعه به شناسایی و طبقه‌بندی مشتریان سیستم بانکی ایران از منظر انتظارات و ارزش درک شده خدمات بانکی با استفاده از تکنیک‌های داده‌کاوی پرداختند. نتایج حاکی از این مطلب است که مشتریان برحسب شباهت پاسخ‌هایشان نسبت به 5 عامل اصلی، به 3 خوشه مختلف تقسیم می‌شوند که ویژگی‌های هر خوشه مورد بررسی قرار گرفت: خوشه اول شامل مشتریانی است که عامل درک، شناخت و ارتباط برای آن‌ها حائز اهمیت بوده است؛ خوشه دوم را مشتریانی تشکیل داده‌اند که عامل تنوع و تمایز خدمات برای آن‌ها مطلوب بوده و خوشه سوم شامل مشتریانی است که عامل دسترسی، کارایی و هزینه برای ایشان اهمیت داشته است (Farrokhi & Timurpour, 2015).

برادران و همکاران (2013) در یک مطالعه به بخش‌بندی مشتریان در صنعت بانکداری با استفاده از مدل توسعه‌ یافته RFMC پرداختند. نتایج این پژوهش مشتریان را به 5 خوشه (خاص، پلاتینی، طلایی، نقره‌ای و آهنی) تقسیم کرد (Baradaran & Farkhi, 2013).

تقوی فرد و همکاران (2012) در یک مطالعه به بخش‌بندی خوشه‌ای مشتریان بانک صادرات پرداختند. خوشه‌بندی مشتریان منجر به ایجاد چهار بخش مشتریان طلایي، مشتریان وفادار و ارزشمند، مشتریان با احتمال رویگردانی و مشتریان کم ‌ارزش شد (customers (case study: Saderat Bank of Iran)</title><secondary-title>Business Management Explorations</secondary-title></titles><periodical><full-title>Business Management Explorations</full-title></periodical><pages>39-64</pages><volume>5</volume><number>9</number><dates><year>2012</year></dates><urls></urls></record></Cite></EndNote>Tagvi Fard & Khajund, 2012).

روش پژوهش

هدف از انجام این پژوهش، بخش‌بندی و تعیین نیم‌رخ مشتریان با استفاده از الگوریتم شبکه‌های عصبی خودسازمانده (مورد مطالعه: مشتریان شعب بانک کشاورزی شهرستان اهواز) است. روش تحقیق حاضر در گروه روش‌های کمّی قرار می‌گیرد، زیرا با استفاده از پرسشنامه به جمع‌آوری داده‌ها پرداخته می‌شود. روش پژوهش بر اساس هدف از نوع كاربردي و بر اساس چگـونگي جمع‌آوری داده‌هـا، توصـيفی (غيرآزمايشي) و از نظر مکان نیز یک تحقیق میدانی و به لحاظ زمانی نیز تحقیقی مقطعی است. جامعه آماری این تحقیق شامل مشتریان بانک کشاورزی شهرستان اهواز می‌باشند. از آنجایی ‌که جامعه آماری این تحقیق نامحدود است، حجم نمونه بر اساس فرمول کوکران جامعه نامحدود، به تعداد 384 نفر می‌باشد. ابزار پژوهش، پرسشنامه است. در این پژوهش، روایی محتوا از طریق نظرخواهی از استاد راهنما و سایر اساتید صاحب ‌نظر در قلمرو موضوعی این پژوهش صورت گرفت و پس از اعمال این نظرات در مورد محتوای پرسش‌نامه و رفع اشکالات موجود، پرسش‌نامه مور تأیید واقع شد. تجزیه‌وتحلیل داده‌ها به روش تحلیل شبکه عصبی SOM در نرم‌افزار MATLAB انجام‌ شده است.

یافته‌های پژوهش

آموزش و ارزیابی شبکه

برای خوشه‌بندی داده‌ها با استفاده از روش نقشه‌های خودسازمانده از نرم‌افزار Viscovery SOMine نسخه 5.0 استفاده‌ شده است. این نرم‌افزار به‌طور خودکار هوش مصنوعی را برای پیدا کردن خوشه‌های کارآمد نقشه‌های خودسازمانده به کار می‌گیرد (timestamp="1710324025">6228</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Mostafa, M.M.</author><author>El-Masry, A.A.</author></authors></contributors><titles><title>Citizens as consumers: Profiling egovernment services users in Egypt via data mining techniques</title><secondary-title>International Journal of Information Management</secondary-title></titles><periodical><full-title>International Journal of Information Management</full-title></periodical><pages>627-641</pages><volume>33</volume><number>4</number><dates><year>2013</year></dates><urls></urls></record></Cite></EndNote>Mostafa & El-Masry, 2013). ساختار نقشه خودسازمانده که در این مرحله برای خوشه‌بندی داده‌ها استفاده‌ شده است دارای ۱۰00 نرون در لایه خروجی است. همچنین، سرعت آموزش به صورتی تنظیم‌ شده است که نرم‌افزار به‌طور خودکار حداکثر دقت را برای آموزش شبکه فراهم کند و مقدار کشش برای آموزش شبکه نیز عدد ۵/0 انتخاب ‌شده است. گفتنی است که برای تعیین تعداد نرون‌های لایه خروجی و مقدار کشش برای آموزش شبکه از روش سعی و خطا استفاده شده است؛ بدین‌صورت که ترکیب‌های متفاوتی از تعداد نرون‌های لایه خروجی و مقدار کشش آزمون شده است و ساختار شبکه‌ای که بهترین و قابل تفسیرترین نتایج را به دنبال داشت انتخاب ‌شده است. نرم‌افزار SOMine در حین آموزش به‌صورت خودکار و با توجه به تعداد نرون‌های لایه خروجی بهترین ابعاد را برای شبکه انتخاب می‌کند. در این پژوهش نرم‌افزار پس از آزمون ابعاد مختلف در حین آموزش شبکه، در نهایت ابعاد ۳۱*۳۱ را برای لایه خروجی شبکه انتخاب کرده است.

داده‌های تعلیم شبکه از 384 (تعداد نمونه) بردار ۲۴ بعدی (متغیرهای بخش‌بندی) تشکیل‌ شده است. جدول شماره 1 مشخصات و ساختار نقشه خود سازمانده که در این مرحله از پژوهش استفاده شده است را همراه با متغیرهای بخش‌بندی نشان می‌دهد.

جدول شماره ۱. ساختار نقشه خودسازمانده و متغیرهای بخش‌بندی (Source:By author)

ویژگی‌های شبکه	تعداد نرون‌های لایه خروجی	سرعت آموزش	مقدار کشش	ابعاد شبکه	داده‌های آموزش شبکه
	۱۰00 نرون	حداکثر دقت	۵/0	۳۱×۳۱	۴۲۶ بردار ۲۴ بعدی
متغیرهای بخش‌بندی	متغیرهای جمعیت شناختی	متغیرهای رفتاری
	نوع مشتری، جنسیت، وضعیت تأهل، تحصیلات، شغل، سن، درآمد،	مدت ارتباط مشتری با بانک، شعبه افتتاح حساب، خدمات مورد استفاده، نحوه استفاده از خدمات، اولویت مشتری در خدمات، طبقه مشتری، نوع سپرده مشتری، نسبت سپرده بر اساس قیمت، تعداد حساب‌های مشتری، میانگین سالانه سپرده‌ها، تاریخ آخرین تراکنش، تعداد تراکنش، نوع تراکنش، نوع خدمات الکترونیکی، تعداد تراکنش الکترونیکی، استفاده از خدمات انگیزشی، میزان سودآوری مشتری

تعیین مرزهای بخش‌بندی

بیش‌تر پژوهشگران تنها از U-Matrix که یکی از خروجی‌های نقشه‌های خودسازمانده است، برای خوشه‌بندی نهایی و تعیین مرزهای هر بخش یا خوشه اطلاعاتی استفاده می‌کنند. با توجه به اینکه در این روش مرزهای دقیق و واضحی برای هر بخش مشخص نمی‌شود (key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Mostafa, M.</author></authors></contributors><titles><title>Shades of green: A psychographic segmentation of the green consumer in Kuwait using self-organizing maps</title><secondary-title>Expert Systems with Applications</secondary-title></titles><periodical><full-title>Expert Systems with Applications</full-title></periodical><pages>11030-11038</pages><volume>36</volume><number>8</number><dates><year>2009</year></dates><urls></urls></record></Cite></EndNote>Mostafa, 2009)، نرم‌افزار SOMine از یک روش تحلیل خوشه‌ای سلسله ‌مراتبی با عنوان SOM-Ward Clusters برای تعیین مرز‌های هر بخش و نیز تعیین تعداد خوشه بهینه استفاده می‌کند. شکل شماره ۱ نمایی کلی از بخش‌بندی نهایی مشتریان را در ۵ خوشه یا بخش نشان می‌دهد. در زمینه شکل شماره ۲، U-Matrix را مشاهده می‌کنید و خطوط مشکی‌رنگ مرزهای بخش‌بندی را نشان می‌دهند که با استفاده از روش اشاره‌ شده مشخص‌شده‌اند.

 

شکل شماره 1. نقشه خروجی نشان‌دهنده بخش‌بندی نهایی مشتریان (Source:By author)

نتایج بخش‌بندی نشان می‌دهد که بخش اول به‌عنوان بزرگ‌ترین بخش 08/41 درصد از کل نمونه را در خود جای ‌داده است. 29/26 درصد از کل نمونه مورد پژوهش در بخش دوم قرار دارند، 48/19 درصد در بخش سوم و 04/7 درصد در بخش چهارم جای گرفته‌اند. در نهایت، بخش پنجم نیز به‌عنوان کوچک‌ترین بخش تنها 10/6 درصد از کل نمونه پژوهش را در خود جای‌داده است. پس از مشخص کردن مرزهای بخش‌بندی به بررسی ویژگی‌ها و رفتار مشتریان موجود در هر بخش پرداخته می‌شود. در ادامه با توجه به وضعیت متغیرهای بخش‌بندی در هر بخش، به بررسی ویژگی‌های افراد موجود در آن بخش پرداخته می‌شود.

نرم‌افزار، متغیرهای بخش‌بندی را ازلحاظ مقیاس سنجش به دودسته کلی تقسیم می‌کند و متناسب با هر یک خروجی‌های متفاوتی را ارائه می‌دهد. دسته نخست متغیرهای با مقیاس سنجش فاصله‌ای یا کمی هستند و دسته دوم متغیرهای اسمی را شامل می‌شوند. برای مثال، در پژوهش حاضر متغیرهای جمعیت شناختی مانند جنسیت، وضعیت تأهل، شغل، و یا متغیرهای رفتاری مانند نوع سپرده مشتری، نحوه استفاده از خدمات و شعبه افتتاح کننده حساب از دسته دوم (متغیرهای بخش‌بندی با مقیاس سنجش اسمی) هستند که خروجی‌های نرم‌افزار برای این دسته از متغیرها کمی متفاوت از سایر متغیرهای بخش‌بندی است. در ادامه به بررسی و تفسیر خروجی‌های متناسب با هر دسته متغیرهای بخش‌بندی پرداخته می‌شود.

بررسی ویژگی‌های رفتاری مشتریان هر بخش

در این بخش به‌منظور بررسی دقیق‌تر ویژگی‌های رفتاری مشتریان موجود در هر بخش، به بررسی خروجی‌های مرتبط با هر دسته از متغیرهای رفتاری در چند مرحله پرداخته ‌شده است. در ادامه به بررسی خروجی‌های نرم‌افزار و شرح ویژگی‌های شاخص رفتاری مشتریان هر بخش ‌بر مبنای دسته اول از متغیرها شامل: مدت ارتباط مشتری با بانک، شعبه افتتاح کننده حساب، خدمات مورد استفاده مشتری، و نحوه استفاده از خدمات پرداخته می‌شود.

نخستین خروجی برای متغیرهای بخش‌بندی با مقیاس اسمی، فراوانی افراد در هر بخش با توجه به هر یک از سطوح متغیرهای اسمی است. جدول شماره 2 بر این اساس گزارش ‌شده است. در این جدول درصد فراوانی پاسخگویانی که هر یک از سطوح متغیرهای اسمی را به خود اختصاص داده‌اند، در هر بخش نشان داده می‌شود. با توجه به این جدول می‌توان نیم‌رخ مشتریان موجود در هر بخش را مورد بررسی قرارداد. گفتنی است که اعداد گزارش‌شده برای متغیرهای اسمی (مانند شعبه افتتاح کننده حساب) بیانگر درصد فراوانی مشتریان با توجه به آن ویژگی و برای متغیر مدت ارتباط مشتری که با مقیاس فاصله‌ای مورد سنجش قرارگرفته است، بیانگر متوسط نمره مربوط به آن در هر بخش است.

جدول شماره 2. ویژگی‌های رفتاری مشتریان هر بخش (دسته اول از متغیرها) (Source:By author)

متغیر/ بخش			بخش 1		بخش 2		بخش 3		بخش ۴		بخش ۵
شعبه افتتاح حساب	شعبه اهواز (کد۱)	07/0		17/0		18/0		54/0		07/0
	شعب شهری شمال (کد۲)	17/0		۰.۰۹		022/0		04/0		37/0
	شعب شهری جنوب (کد۳)	20/0		۰.۲۳		23/0		08/0		03/0
	شعب شهری شرق (کد۴)	30/0		۰.۰۹		12/0		23/0		00/0
	شعب شهری غرب (کد۵)	17/0		06/0		11/0		12/0		37/0
	شعب روستایی شمال (کد۶)	02/0		09/0		00/0		00/0		17/0
	شعب روستایی جنوب (کد۷)	00/0		09/0		07/0		00/0		00/0
	شعب روستایی شرق (کد۸)	00/0		18/0		00/0		00/0		00/0
	شعب روستایی غرب (کد۹)	07/0		00/0		07/0		00/0		00/0
خدمات مورد استفاده	خدمات پایه (کد۱)	82/0		36/0		75/0		65/0		10/0
	خدمات پایه و ارزی (کد۲)	02/0		00/0		00/0		00/0		00/0
	خدمات پایه ضمانت‌نامه و سپرده (کد۳)	02/0		04/0		01/0		12/0		70/0
	خدمات پایه تسهیلات و سپرده (کد۴)	14/0		61/0		24/0		23/0		20/0
نحوه استفاده از خدمات	حضوری (کد۱)	26/0		14/0		27/0		23/0		20/0
	الکترونیک (کد۲)	00/0		05/0		00/0		00/0		00/0
	هر دو مورد (کد۳)	74/0		80/0		73/0		77/0		80/0
مدت ارتباط مشتری با بانک			24/3		02/3		98/2		62/3		47/3

 

با توجه به جدول شماره ۲ می‌توان به نتایج زیر در رابطه با ویژگی‌های رفتاری مشتریان جای گرفته در هر بخش دست‌یافت.

بخش پنجم مشتریانی را در خود جای ‌داده است که بیشتر در شعب شهری شمال و غرب افتتاح حساب کرده‌اند. از دیگر ویژگی‌های شاخص مشتریان بخش پنجم استفاده از خدمات پایه ضمانت‌نامه و سپرده است. برای درک بهتر ویژگی‌های رفتاری مشتریان جای گرفته در هر بخش، لازم است که فراوانی نسبی افراد با توجه سطوح متغیرهای رفتاری مورد بررسی قرار گیرد. منظور از فراوانی نسبی، مقایسه درصد مشتریان با یک ویژگی رفتاری مشخص در یک بخش با درصد کل مشتریان با آن ویژگی در نمونه پژوهش است. شکل شماره ۲، نمودارهای ستونی را بدین منظور نشان می‌دهد.

 

نمودار ۲. وضعیت نسبی ویژگی‌های رفتاری در هر بخش (دسته اول از متغیرها) (Source:By author)

با توجه به نمودار شماره ۲، در رابطه با ویژگی‌های رفتاری شاخص هر گروه از مشتریان می‌توان به این نتیجه دست ‌یافت که برای مثال در بخش ۴ فراوانی نسبی افراد که در شعب شهری شمال (ستون آبی‌رنگ) افتتاح حساب داشته‌اند، به شکل چشم‌گیری بیشتر از سایر بخش‌ها است. همچنین، به‌وضوح مشخص است که از ویژگی‌های متمایز مشتریان جای گرفته در بخش پنجم می‌توان به استفاده از نوع خدمات ضمانت‌نامه و سپرده (ستون یشمی‌رنگ) اشاره کرد.

از دیگر خروجی‌های خوشه‌بندی با استفاده از روش نقشه‌های خودسازمانده، نقشه‌های ویژگی هستند که توزیع برداری هر یک از متغیر‌های خوشه‌بندی را در کل فضای تحلیل نشان می‌دهند. شکل شماره 2 نقشه‌های ویژگی گزارش‌شده برای هر یک از متغیرهای بخش‌بندی را نشان می‌دهد. با استفاده از این نقشه‌ها از یکسو می‌توان به بررسی وضعیت متغیرها در هر بخش پرداخت و از سوی دیگر همبستگی بین متغیر‌های مختلف را مورد بررسی قرارداد. در پایین نقشه‌های ویژگی طیف رنگی از آبی تا قرمز برای مقادیر مختلف آن متغیر مشخص‌شده است. شدت همبستگی بین متغیرها را می‌توان از شدت تشابه رنگ میان نقشه‌ها بررسی کرد. در درون نقشه‌های ویژگی نیز‌ مرزبندی‌های مربوط به هر بخش مشخص‌شده‌اند. نقطه‌های رنگی که درون نقشه‌های ویژگی قرار دارند، نشان‌دهنده خرده خوشه‌ها هستند. هر خرده خوشه می‌تواند یک یا چند نمونه (مشتری) با ویژگی‌های بسیار مشابه را در خود جای دهد. تعداد خرده خوشه‌ها از یکسو به تعداد نرون‌های لایه خروجی شبکه و از سوی دیگر به تعداد نمونه‌ها با ویژگی‌های بسیار مشابه بستگی دارد.

نمودار شماره ۳ نقشه‌های ویژگی را به تفکیک هر یک از سطوح متغیرهای رفتاری با مقیاس اسمی و نیز برای سایر متغیرهای مورد بررسی نشان می‌دهد. با توجه به نقشه‌های ویژگی نیز می‌توان در تأیید نتایج مرور شده تاکنون، توزیع مشتریان با ویژگی‌های متفاوت را در بخش‌های مختلف بررسی کرد.

 

 

نمودار ۳. نقشه‌های ویژگی گزارش‌شده برای متغیرهای رفتاری (دسته اول) (Source:By author)

دسته دوم از متغیرهای رفتاری که برای تعیین نیم‌رخ مشتریان موجود در هر بخش استفاده شده است، عبارت‌اند از مطلوبیت مشتری در استفاده از خدمات، طبقه مشتری، نوع سپرده مشتری، نسبت سپرده بر اساس قیمت و تعداد حساب‌های مشتری که در ادامه به بررسی نتایج مربوطه پرداخته خواهد شد. در جدول شماره ۳ درصد فراوانی مشتریان در هر بخش با توجه به سطوح دسته دوم از متغیرهای رفتاری گزارش‌شده است.

جدول ۳. ویژگی‌های رفتاری مشتریان هر بخش (دسته دوم از متغیرها) (Source:By author)

متغیر/ بخش		بخش 1	بخش 2	بخش ۳	بخش ۴	بخش ۵
مطلوبیت مشتری	افتتاح حساب (کد ۱)	63/0	55/0	86/0	46/0	70/0
	دریافت تسهیلات (کد۲)	12/0	36/0	05/0	35/0	20/0
	خدمات الکترونیکی (کد۳)	25/0	09/0	10/0	19/0	10/0
طبقه مشتری	الماسی (کد۱)	08/0	00/0	02/0	88/0	17/0
	طلایی (کد۲)	34/0	79/0	70/0	04/0	40/0
	نقره‌ای (کد۳)	32/0	21/0	20/0	00/0	30/0
	برنزی (کد۴)	26/0	00/0	07/0	08/0	13/0
نوع سپرده	ارزان‌قیمت (کد۱)	86/0	54/0	00/0	88/0	77/0
	گران‌قیمت (کد۲)	00/0	08/0	34/0	11/0	03/0
	هر دو (کد۳)	13/0	38/0	66/0	12/0	17/0
نسبت	ارزان‌قیمت (کد۱)	۹۱	۷۴	۲۴	۹۸	۸۳
	گران‌قیمت (کد۲)	۸	۲۴	۷۶	۲	۱۴
تعداد حساب مشتری	جاری (۱)	51/0	78/0	24/0	08/1	۰.۹۷
	پس‌انداز (۲)	۱	۵	۰	۱	۱
	کوتاه‌مدت (۳)	61/0	94/0	55/0	04/1	6/0
	بلندمدت (۴)	01/0	07/0	2/1	1/0	4/0

 

با توجه به جدول ۳ می‌توان به نتایج زیر در رابطه با ویژگی‌های رفتاری مشتریان جای گرفته در هر بخش دست‌یافت:

مشتریان الماسی بیشتر در بخش چهارم تجمع کرده‌اند و نیز در بخش دوم فراوانی مشتریان طلای و نقره‌ای بیشتر از سایر بخش‌ها است. تعداد حساب ‌جاری و نیز کوتاه ‌مدت مشتریان جای گرفته در بخش چهارم بیشتر از سایر بخش‌ها است. نمودار شماره ۴ وضعیت نسبی دسته دوم از متغیرهای رفتاری را در هر بخش نسبت به سایر بخش‌ها نشان می‌دهد. با توجه به این نتایج می‌توان ویژگی شاخص هر گروه از مشتریان را تشخیص داد.

برای مثال، با توجه به اطلاعات ارائه ‌شده در این نمودار می‌توان به‌وضوح مشاهده کرد که ویژگی‌ شاخص بخش چهارم عبارت است از سطح بالای فراوانی مشتریان الماسی در این بخش. همچنین، در بخش سوم به‌وضوح می‌توان سطح متمایز متغیرهای نسبت سپرده گران‌قیمت (سؤال2/15) و نیز نوع سپرده گران ‌قیمت (سؤال2/14) را مشاهده کرد.

 

نمودار ۴. وضعیت نسبی ویژگی‌های رفتاری در هر بخش (دسته دوم از متغیرها) (Source:By author)

نمودار شماره ۴ نقشه‌های ویژگی را به تفکیک هر یک از سطوح دسته دوم از متغیرهای رفتاری نشان می‌دهد. با توجه به نقشه‌های ویژگی نیز می‌توان در تأیید نتایج مرور شده تاکنون، توزیع مشتریان با ویژگی‌های متفاوت را در بخش‌های مختلف بررسی کرد.

 

نمودار ۵. نقشه‌های ویژگی گزارش‌شده برای متغیرهای رفتاری (دسته دوم) (Source:By author)

دسته سوم از متغیرهای رفتاری که برای تعیین نیم‌رخ مشتریان موجود در هر بخش استفاده شده، عبارت‌اند از میانگین سالانه سپرده‌های مشتری، تاریخ آخرین تراکنش، تعداد تراکنش سالانه، نوع تراکنش، نوع خدمات غیرحضوری، تعداد تراکنش الکترونیکی، استفاده از خدمات انگیزشی و سودآوری مشتری که در ادامه به بررسی نتایج مربوطه پرداخته خواهد شد. در جدول شماره ۴ درصد فراوانی مشتریان در هر بخش با توجه به سطوح دسته سوم از متغیرهای رفتاری گزارش ‌شده است.

جدول ۴. ویژگی‌های رفتاری مشتریان هر بخش (دسته سوم از متغیرها) (Source:By author)

متغیر/ بخش			بخش 1		بخش 2		بخش ۳		بخش ۴		بخش ۵
میانگین سالانه	حساب‌جاری (کد۱)	۶۲		۷۶		۱۷۰		۱۱۱۱		۲۶۵
	حساب کوتاه‌مدت (کد۲)	۲۰۴		۱۶۰		۲۷۹		۳۵۸۷		۳۰۰
	حساب بلندمدت (کد۳)	۶۶		۲۶۴۴		۱۶۸		۱۱۶		۱۷۱
	حساب قرض‌الحسنه (کد۴)	۱۶۸		۲۵		۸		۲۷۸۳		۲۳
آخرین تراکنش			18/2		88/1		30/1		50/1		98/2
تعداد تراکنش			25/1		19/1		52/1		35/2		20/1
نوع تراکنش	نقدی حضوری (۱)	۹۳		۱۰۰		۲۵۲		۴۳۳		۱۱۲
	الکترونیکی (۲)	۸۱۸		۶۰۱		۱۵۰۰		۵۲۳۶		۱۰۷۵
نوع خدمات الکترونیکی	کارت (۱)	60/0		64/0		04/0		15/0		00/0
	موبایل بانک (۲)	۰		۰		۰		۰		۰
	اینترنت بانک (۳)	۰.۰۲		۰		۰		۰		۰
	کارت و موبایل بانک (۷)	25/0		59/0		17/0		19/0		۰
	کارت، موبایل و POS (۸)	04/0		36/0		10/0		65/0		97/0
تراکنش الکتریکی	ATM (۱)	۲۶۴		۳۵۷		۱۶۹		۳۷۱		۱۳
	POS (۲)	۵۱۲		۹۹۴		۳۸۶		۴۴۱۰		۹۷۶
	PG (۳)	4/0		7/1		9/3		3/18		۱۰
	اینترنت بانک (۴)	۷		۲۶		۱۷		۲۹۷		۱۰
	موبایل بانک (۵)	۳۲		۲۱۲		۳۱		۱۲۶		۷۶
	تلفن‌بانک (۶)	00/0		00/0		17/0		00/0		۰.۰۰
خدمات انگیزشی	کارت اعتباری (کد۱)	87/0		31/0		81/0		35/0		73/0
	اعطای تسهیلات (کد۲)	00/0		02/0		00/0		08/0		00/0
	تخفیف نرخ سود (کد۳)	13/0		67/0		19/0		19/0		27/0
	تخفیف کارمزد (کد۴)	00/0		00/0		00/0		15/0		00/0
	تخفیف خرید خدمات (کد۵)	00/0		00/0		00/0		23/0		00/0
	مشتری هزینه زا (کد۱)	03/0		22/0		92/0		04/0		20/0
	مشتری سودآور (کد۲)	97/0		74/0		08/0		96/0		80/0

 

با توجه به جدول شماره ۴ می‌توان به نتایج زیر در رابطه با ویژگی‌های رفتاری مشتریان جای گرفته در هر بخش دست‌یافت:

مشتریان جای گرفته در بخش دوم دارای میانگین حساب بلند مدت بالاتری نسبت به سایر بخش‌ها هستند. مشتریان جای گرفته در این بخش بیشتر از خدمات کارت اعتباری و موبایل بانک استفاده می‌کنند و مشتریان نسبتاً سودآوری هستند.

بخش سوم مشتریانی را در خود جای ‌داده است که مهم‌ترین ویژگی‌ آن‌ها «هزینه‌زا» بودن است. این گروه از مشتریان اکثر از خدمات کارت اعتباری استفاده می‌کنند و نوع تراکنش آن‌ها نیز اغلب به‌صورت الکترونیکی است. نمودار شماره ۶ وضعیت نسبی دسته سوم از متغیرهای رفتاری را در هر بخش نسبت به سایر بخش‌ها نشان می‌دهد. با توجه به این نتایج می‌توان ویژگی شاخص هر گروه از مشتریان را تشخیص داد. برای مثال، با توجه به اطلاعات ارائه‌ شده در این نمودار می‌توان به‌وضوح مشاهده کرد که ویژگی‌ شاخص بخش سوم عبارت است از هزینه‌زا بودن مشتریان جای گرفته در این بخش. همچنین، در بخش چهارم به‌وضوح می‌توان سطح متمایز متغیرهای مربوط به استفاده از کارت، موبایل بانک و POS به‌صورت هم‌زمان (سؤال ۲۲:۸) را مشاهده کرد.

 

نمودار ۶. وضعیت نسبی ویژگی‌های رفتاری در هر بخش (دسته سوم از متغیرها) (Source:By author)

نمودار شماره ۷ نقشه‌های ویژگی را به تفکیک هر یک از سطوح دسته سوم از متغیرهای رفتاری نشان می‌دهد. با توجه به نقشه‌های ویژگی نیز می‌توان در تأیید نتایج مرور شده تاکنون، توزیع مشتریان با ویژگی‌های متفاوت را در بخش‌های مختلف بررسی کرد.

 

نمودار ۷. نقشه‌های ویژگی گزارش‌شده برای متغیرهای رفتاری (دسته سوم) (Source:By author)

ویژگی‌های جمعیت شناختی مشتریان هر بخش

در این پژوهش از متغیرهای جمعیت شناختی متفاوتی و برای شناسایی نیم‌رخ مشتریان موجود در هر بخش استفاده شده است. متغیرهای جمعیت شناختی که در این پژوهش بررسی ‌شده، عبارت‌اند از نوع مشتری، جنسیت، سن، شغل، وضعیت تأهل، درآمد و تعداد فرزند که در ادامه بررسی می‌شوند.

جدول ۵. ویژگی‌های جمعیت شناختی مشتریان هر بخش (Source:By author)

متغیر/بخش		بخش 1		بخش 2		بخش 3		بخش ۴		بخش ۵
نوع مشتری	حقیقی (کد۱)		00/1		99/0		98/0		92/0		07/0
	حقوقی (کد۲)		00/0		01/0		02/0		08/0		93/0
جنسیت	مرد (کد۱)		81/0		85/0		59/0		62/0		00/0
	زن (کد۲)		19/0		14/0		39/0		31/0		07/0
تأهل	مجرد (کد۱)		22/0		29/0		18/0		15/0		00/0
	متأهل (کد۲)		78/0		71/0		80/0		۰.۷۷		07/0
تحصیلات	دیپلم و کمتر (کد۱)		57/0		46/0		۰.۷۶		۰.۳۸		00/0
	کاردانی (کد۲)		۰.۱۱		۰.۲۳		00/0		00/0		00/0
	کارشناسی (کد۳)		۰.۲۶		۰.۲۹		10/0		15/0		07/0
	کارشناسی ارشد (کد۴)		05/0		01/0		07/0		04/0		00/0
	دکتری (کد۵)		00/0		00/0		05/0		35/0		00/0
شغل	کشاورز (کد۱)		29/0		38/0		34/0		00/0		00/0
	اصناف (کد۲)		13/0		23/0		07/0		۰.۱۵		00/0
	کارمند دولت (کد۳)		15/0		۰.۱۹		۰.۱۱		00/0		00/0
	تولیدکننده (کد۴)		01/0		00/0		00/0		۰.۲۳		۰.۱۳
	خدماتی (کد۵)		05/0		02/0		02/0		23/0		00/0
	پزشکی (کد۶)		00/0		00/0		۰.۰۵		۰.۳۵		00/0
	هیئت‌علمی (کد۷)		۰		۰		۰		۰		۰
	سایر (کد۸)		38/0		18/0		41/0		04/0		87/0
سن		21/3		77/2		27/3		38/3		00/4
درآمد		22/2		32/2		66/2		38/7		53/3

 

با توجه به جدول شماره ۵ می‌توان به نتایج زیر در رابطه با ویژگی‌های جمعیت شناختی مشتریان جای گرفته در هر بخش دست‌ یافت:

در بخش چهارم مشتریانی جای گرفته‌اند که نسبت به سایر بخش‌ها تحصیلات بالاتری دارند، دارای سطح درآمد بسیار بالاتری نسبت به سایر بخش‌ها هستند، و اغلب در شغل‌های خدماتی و یا به‌عنوان تولید‌کننده فعالیت می‌کنند.

از ویژگی‌های شاخص بخش پنجم این است که مشتریان حقیقی را در خود جای‌داده است. نمودار شماره ۸ وضعیت نسبی متغیرهای جمعیت شناختی را در هر بخش نسبت به سایر بخش‌ها نشان می‌دهد. با توجه به این نتایج می‌توان ویژگی شاخص هر گروه از مشتریان را تشخیص داد. برای مثال، با توجه به اطلاعات ارائه ‌شده در این نمودار می‌توان به‌وضوح مشاهده کرد که ویژگی‌ شاخص بخش پنجم عبارت است از تجمع مشتریان حقوقی در این بخش. همچنین، در بخش سوم به‌وضوح می‌توان مشاهده کرد که سطح درآمد و تحصیلات بالای مشتریان جای گرفته در این بخش از ویژگی‌های شاخص آن‌ها است.

 

نمودار ۸. وضعیت نسبی ویژگی‌های جمعیت شناختی در هر بخش (Source:By author)

نمودار شماره ۹ نقشه‌های ویژگی را به تفکیک هر یک از سطوح متغیرهای جمعیت شناختی با مقیاس اسمی و نیز برای سایر متغیرهای مورد بررسی نشان می‌دهد. با توجه به نقشه‌های ویژگی نیز می‌توان در تأیید نتایج مرور شده تاکنون، توزیع مشتریان با ویژگی‌های متفاوت را در بخش‌های مختلف بررسی کرد.

 

نمودار ۹. نقشه‌های ویژگی گزارش‌شده برای متغیرهای جمعیت شناختی (Source:By author)

بحث و نتیجه گیری

در اين پژوهش، ضمن تأكيد بر اهميت بخش‌ بندي به اجراي فرآيند بخش‌بندي با روش‌هاي نوين و يكي از برترين اين تکنیک‌ها، يعني شبكه‌هاي عصبي، براي اين منظور به كار گرفته شد. کلیدی‌ترین ویژگی مشتریان موجود در هر بخش که در این پژوهش مورد نظر است، بر این اساس بخش‌بندی مشتریان و نام‌گذاری آن‌ها صورت گرفته است. در این مطالعه مشتریان بر اساس دو دسته از ویژگی‌های رفتاری و جمعیت شناختی مورد تحلیل و بخش‌بندی شده‌اند.

۱- خوشه اول، مشتریان کلان سنتی و ارزشمند: متوسط متغيرهاي بخش‌بندي در اين بخش نشان مي‌دهند كه اين گروه به‌عنوان بزرگ‌ترین بخش با 08/41 درصد از کل نمونه می‌باشد. بیشترین فراوانی این مشتریان از نظر شعب افتتاح حساب در شعب شهری شرق (کد۴) با ۰.۳۰ و شعب شهری جنوب (کد۳) با 0.20 قرار دارند و کمترین آن‌ها در شعب روستایی جنوب (کد۷) و شعب روستایی شرق (کد۸) و الکترونیک (کد۲) با درصد ۰.۰۰ می‌باشند. این گروه از نظر خدمات مورد استفاده، بیشترین استفاده را از خدمات پایه و اولیه با 0.82 و کمترین میزان استفاده از خدمات پایه و ارزی و خدمات پایه ضمانت‌نامه و سپرده (0.02) رادارند؛ که نشان می‌دهد این گروه از افراد فقط از تسهیلات پایه و ابتدایی استفاده می‌کنند. همچنین، ويژگي عمده اين بخش از نظر نحوه استفاده بیشتر از خدمات حضوری استفاده می‌کنند. این نتایج نشان می‌دهد که این خوشه افراد سنتی می‌باشند و این خوشه خیلی کم از خدمات الکترونیکی استفاده و یا اصلاً استفاده ندارند. این دسته از مشتریان برای بانک‌ها به‌عنوان مشتریانی هستند که در هر چهار دسته طلایی (34/0)، الماسی (08/0)، نقره‌ای (32/0) و برنزی (26/0) دارای درصدهای چشم‌گیری و قابل ‌توجهی می‌باشند. نوع سپرده این بخش بیشتر سپرده‌های ارزان ‌قیمت می‌باشد. و بیشترین درصد حساب‌های این گروه حساب‌های جاری می‌باشد. مشتریان این بخش بیشترین نوع خدمات الکترونیکی که استفاده می‌کنند از کارت و کمترین آن از موبایل بانک و اینترنت بانک می‌باشد. این مشتریان همچنین کمترین هزینه تنها با 03/0 و بیشترین سود را با 97/0 برای بانک‌ها دارند. از دیگر ویژگی‌های این گروه باید این مطلب را ذکر کرد که 100 درصد این مشتریان به‌صورت حقیقی می‌باشند. که این امر برای بانک‌ها خیلی باید مورد توجه قرار گیرد. بیشترین جنسیت را مردها در این گروه تشکیل می‌دهند. از نظر تحصیلات، بیشتر آن‌ها دارای تحصیلات دیپلم و کمتر می‌باشند. بیشترین مشاغل در این گروه کشاورز، کارمند دولت و اصناف می‌باشند. یکی از بخش‌بندی‌های سیستم بانکی ایران از منظر انتظارات و ارزش درک شده در مطالعه سرور فرخی و همکاران (2015) مشتریانی هستند عامل دسترسی، کارایی و هزینه برای ایشان مهم می‌باشد.

2-  خوشه دوم، مشتریان طلایی: در بخش دوم 29/ 26درصد از کل نمونه مورد پژوهش قرار دارند. این بخش از نظر شعبه افتتاح حساب بیشترین فراوانی را در شعب شهری جنوب (کد۳) با 23/0 و کمترین فراوانی را با 000/0 در شعب روستایی غرب (کد ۹) دارند. از نظر خدمات مورد استفاده این گروه نیز خدمات پایه را بیشتر مورد استفاده قرار می‌دهند. همچنین، افراد در این گروه از نظر نحوه استفاده از خدمات بیشتری حضوری استفاده می‌کنند. این گروه از مشتریان در طبقه مشتریان طلایی قرار دارند. بیشتر نوع سپرده این گروه سپرده ارزان ‌قیمت با 54/0 می‌باشد. بیشترین تعداد حساب مشتری در خوشه دوم مربوط به کوتاه ‌مدت با 94/0 می‌باشد. این گروه از کارت و موبایل بانک بیشترین استفاده را دارند. می‌توان گفت این گروه دارای هوشمندی می‌باشند. همچنین، می‌توان بیان کرد این خوشه مشتریان سودآوری با 74/0 و هزینه‌هایی با 22/0 می‌باشند. نوع مشتری در خوشه دوم 99 درصد آن‌ها حقیقی و 85 درصد آن‌ها مرد باشند. بیشترین فراوانی مربوط به تحصیلات در این گروه مربوط به سه رده دیپلم؛ کاردانی و کارشناسی می‌باشد؛ که نشان می‌دهد این خوشه دارای تحصیلات می‌باشند. شغل بیشتر این افراد کشاورز و اصناف می‌باشند. در کل می‌توان بیان کرد مشتریان جای گرفته در بخش دوم دارای میانگین حساب بلندمدت بالاتری نسبت به سایر بخش‌ها هستند. مشتریان جای گرفته در این بخش بیشتر از خدمات کارت اعتباری و موبایل بانک استفاده می‌کنند و مشتریان نسبتاً سودآوری هستند. می‌توان بیان کرد این مشتریان منبع مهمی برای درآمد بانک می‌باشند. برادران و همکاران (2013) در یک مطالعه به بخش بندی مشتریان در صنعت بانکداری با استفاده از مدل توسعه‌یافته RFMC  پرداختند. نتایج این پژوهش مشتریان را به 5 خوشه (خاص، پلاتینی، طلایی، نقره‌ای و آهنی) تقسیم کرد. یکی از بخش بندی خوشه‌ای مشتریان بانک صادرات در مطالعه تقوی فرد و همکاران (2012)، مشتریان طلایی می‌باشد.

3-  خوشه سوم، مشتریان کم‌ارزش: در بخش سوم 48/19 درصد از مشتریان قرار دارند. بیشتر فراوانی مربوط به شعبه افتتاح حساب مربوط به شعب شهری جنوب و کمترین فراوانی مربوط به شعب روستایی شرق می‌باشد. از نظر خدمات مورد استفاده 75/0 این بخش به استفاده از خدمات پایه می‌پردازند. نحوه استفاده از خدمات در این بخش نیز بیشتر به‌صورت حضوری می‌باشد. این مشتریان در طبقه مشتری در گروه طلایی قرار دارند. نوع سپرده این گروه بیشتر گران ‌قیمت و تعداد حساب مشتری بیشتر کوتاه‌مدت می‌باشد. نوع خدمات الکترونیکی این گروه بیشتر کارت و موبایل بانک با 17/0 می‌باشد. این گروه بیشترین  استفاده را از کارت اعتباری دارند. همچنین، بخش سوم مشتریانی را در خود جای ‌داده است که مهم‌ترین ویژگی‌ آن‌ها «هزینه زا» بودن است. این گروه از مشتریان اکثراً از خدمات کارت اعتباری استفاده می‌کنند و نوع تراکنش آن‌ها نیز اغلب به‌صورت الکترونیکی است و کمترین سودآوری را برای بانک دارند. 98/0 درصد این گروه را افراد حقیقی، 59/0 را مردان و بیشتر درصد مربوط به فراوانی تحصیلات مربوط به افراد دیپلم و زیر دیپلم می‌باشد. همچنین، بیشتر فراوانی در مشاغل مربوط به افراد کشاورز می‌باشد. از ویژگی‌های بارز این گروه، کمترین میانگین مدت ارتباط مشتری با بانک با 98/2 می‌باشد. یکی از بخش‌بندی خوشه‌ای مشتریان بانک صادرات در مطالعه تقوی فرد و همکاران (2012) نیز مشتریان کم‌ارزش می‌باشد.

4-  خوشه چهارم، مشتریان الماسی وفادار: در بخش چهارم مشتریان الماسی وفادار 04/7 درصد از کل نمونه پژوهش را در خود جای‌ داده است. این مشتریان از نظر شعبه افتتاح حساب بیشترین فراوانی را در شعبه اهواز با 54/0 و کمترین فراوانی را در شعب روستایی شمال، جنوب، شرق و غرب با 00/0 دارند. یکی از ویژگی‌هایی بارز این گروه بیشترین مدت ارتباط مشتری با بانک در بین کل بخش‌ها می‌باشد. این مشتریان در طبقه مشتریان الماسی قرار دارند. نوع سپرده در این بخش بیشتر ارزان‌ قیمت و بیشترین تعداد حساب مشتری مربوط به‌حساب جاری می‌باشد. نوع تراکنش بیشتر به‌صورت الکترونیکی در این گروه انجام می‌گیرد. این گروه بیشتر استفاده را با 65/0 در استفاده از کارت، موبایل و POS دارند. این گروه تقریباً از تمامی خدمات انگیزشی کارت اعتباری، تخفیف نرخ سود، تخفیف خرید خدمات و ... استفاده می‌کنند. همچنین، این مشتریان کمترین هزینه و درآمد بالایی برای بانک به همراه دارند. 92/0 درصد فراوانی در این بخش مربوط به مشتری حقیقی می‌باشد. بیشترین فراوانی مردان و دارای تحصیلات دیپلم و فوق‌دیپلم می‌باشند. این مشتریان حقیقی بیشتر دارای مشاغلی ازجمله تولید کننده، خدماتی، پزشکی و سایر می‌باشند. مهم‌ترین ویژگی این گروه مربوط به میزان درآمد این گروه است که پردرآمدترین خوشه می‌باشد. درنتیجه به‌صورت کلی می‌توان بیان کرد که در بخش چهارم مشتریانی جای گرفته‌اند که نسبت به سایر بخش‌ها تحصیلات بالاتری دارند، دارای سطح درآمد بسیار بالاتری نسبت به سایر بخش‌ها هستند و اغلب در شغل‌های خدماتی و یا به‌عنوان تولید‌کننده فعالیت می‌کنند. طبق تحقیقات انجام‌ شده توسط درویشی و همکاران(2022)، مشتریان وفادار، این بخش بهترین بازار هدف در این پژوهش آنان شناسایی شد. همچنین، یکی از بخش‌بندی خوشه‌ای مشتریان بانک صادرات در مطالعه تقوی فرد و خواجوند (2012)، مشتریان وفادار و ارزشمند می‌باشد.

5- خوشه پنجم، مشتریان خاص: در بخش پنجم10/6 درصد از کل نمونه پژوهش را در خود جای ‌داده است. شعبه افتتاح حساب شعب شهری غرب و شعب شهری شمال با 37/0 و کمترین فراوانی را در شعب روستایی شمال، جنوب، شرق و غرب با 00/0 دارند. این گروه نیز از خدمات پایه به‌صورت 65 درصد و همچنین از خدمات پایه ضمانت‌نامه و سپرده 12/0 استفاده می‌کنند. مدت ارتباط مشتری با بانک دارای میانگین 47/3 که دارای میانگینی بالایی می‌باشند. بیشترین فراوانی این مشتریان به ترتیب در سه گروه طلایی، نقره‌ای و الماسی می‌باشد. نوع سپرده این گروه معمولاً ارزان ‌قیمت است. بیشترین فراوانی تعداد حساب مشتری حساب‌جاری با 97/0 می‌باشد. بیشترین فراوانی مربوط به نوع خدمات الکترونیکی از کارت، موبایل و POS با 97/0 می‌باشد. از ویژگی‌های شاخص بخش پنجم این است که مشتریان حقیقی را در خود جای ‌داده است. دارای مشاغلی تولید کننده و سایر می‌باشند. میزان هزینه در این گروه 20/0 می‌باشد. میزان سودآوری آن‌ها 80/0 می‌باشد. از دیگر ویژگی‌های شاخص مشتریان بخش پنجم استفاده از خدمات پایه ضمانت‌نامه و سپرده است. همچنین، به‌وضوح مشخص است که از ویژگی‌های متمایز مشتریان جای گرفته در بخش پنجم می‌توان به استفاده از نوع خدمات ضمانت‌نامه و سپرده (ستون یشمی‌رنگ) اشاره کرد.

با استفاده از نتایج به‌دست‌آمده از نیم‌رخ استخراج شده برای هر بخش پیشنهاد‌های زیر ارائه‌ شده است:

خوشه اول: مشتریان کلان سنتی و ارزشمند

با توجه به اینکه این بخش بیشتر جمعیت را در خود جای داده و از نظر هزینه کمترینِ هزینه و بیشترین سودآوری را برای بانک دارند پیشنهادهای زیر ارائه می‌شود:

·       در این بخش پیشنهاد می‌شود بانک این دسته از مشتریان را تشویق و راهنمایی کند تا از سایر خدماتی بانکی اینترنتی، موبایل بانک و در کل بانکداری الکترونیک استفاده کنند.

·       بانک به این بخش توجه ویژه داشته باشد و سعی کند مشتریان را به سپرده‌گذاری‌های بلندمدت دعوت و تشویق کند.

·       به بانک پیشنهاد می‌شود برای این بخش از مشتریان خدمات ویژه‌ای مانند استفاده از ایجاد سپرد گذاری طولانی با سود بیشتر ایجاد کند.

·       این مشتریان پتانسیل آن رادارند که بانک برایشان برنامه و خدمات ویژه‌ای داشته باشد و خدمات بانکداری اختصاصی به آن‌ها ارائه کند.

خوشه دوم: مشتریان طلایی 

·       تبیین برنامه‌های نگهداشت مشتریان طلایی؛ زیرا این مشتریان حجم عمده‌ای از منابع بانک را تأمین می‌کنند.

·       تخصصی کردن و تفکیک بازاریابی اختصاصی از بانکداری خرد و تبیین برنامه‌های بانکداری اختصاصی برای گروه (مشتریان طلایی) جهت مدیریت دارایی مشتریان به‌نحوی‌که مشتریان در پی داشته باشند.

خوشه سوم: مشتریان کم‌ارزش

·       این مشتریان غالباً از یک محصول بانکی استفاده می‌کنند؛ درنتیجه پیشنهاد می‌شود بانک این گروه را از سایر خدمات نیز آگاه و تشویق به استفاده کند.

·       بانک به انجام فعالیت‌هایی بپردازد که هزینه‌های این خوشه به کمترین حد ممکن برسد.

·       بانک باید به تشویق این افراد برای پس‌انداز کردن بیشتر این گروه باشد، زیرا با این روش می‌توان میزان هزینه‌های این گروه را کمتر کرد.

 خوشه چهارم: مشتریان الماسی وفادار

·       با توجه به اینکه این گروه پردرآمدترین خوشه و همچنین وفادارترین می‌باشند، درنتیجه بانک می‌تواند خدمات ویژه و اختصاصی با هزینه بیشتر برای آن‌ها ارائه دهد.

·       با توجه به اینکه این گروه بیشتر شاغل و تولیدکننده می‌باشند، پیشنهاد می‌شود بانک خدمات ویژه و اختصاص برای دریافت و پرداخت‌های کلان در این گروه انجام دهد و برای این گروه تسهیلات ویژه‌ای اجرا کند.

·       تعداد حساب ‌جاری و نیز کوتاه‌مدت مشتریان جای گرفته در بخش چهارم بیشتر از سایر بخش‌ها است. درنتیجه پیشنهاد می‌شود تا بانک این مشتریان را به ایجاد سپرده‌های بلندمدت تشویق کند.

خوشه پنجم: مشتریان خاص

·       در این بخش بیشتر مشتریان حقوقی قرار دارند؛ درنتیجه بانک باید از خدمات و قوانین خاصی مختص به آن‌ها استفاده کند.

·       تشویق این مشتریان به ایجاد سپرده‌های بلندمدت و همچنین تشویق آن‌ها برای استفاده از این بانک برای مبالغ دریافتی.

·       ارائه فعالیت‌های بازاریابی خاص برای نگهداری این مشتریان و تشویق آن‌ها به ماندگاری در بانک.

·       ارائه خدمات متنوع و الکترونیکی و همچنین ارائه خدماتی متمایز از سایر بانک‌ها به این گروه پیشنهاد می‌شود.

·       پیشنهاد می‌شود دقت و صحت در انجام عملیات بانکی برای این بخش انجام شود.

·       پیشنهاد می‌شود نحوة برقراري ارتباط، پیگیري و رسیدگی به شکایات برای این گروه با دقت بیشتری انجام شود.

تعارض منافع

هیچ‌گونه تعارض منافع توسط نویسنده بیان نشده است.

 

 

References

Abimbola, T., Trueman, M., Iglesias, O., Muhamad, R., Melewar, T. C., & Alwi, S. F. S. (2012). Segmentation and brand positioning for Islamic financial services. European Journal of Marketing 46(7/8), 900-921. https://doi.org/10.1108/03090561211230061 

Aghaei, M. (2021). Market Segmentation in the Banking Industry Based on Customers’ Expected Benefits: A Study of Shahr Bank. Iranian Journal of Management Studies (IJMS), 14(3), 629-648. [In Persian]

Ahmadi, P., Azar, A., & Samsami, F. (2009). Drug market segmentation with neural networks approach (case study: drug market in Iran). Business Management, 2(4), 1-20. [In Persian]

Alfansi, L., & Sargeant, A. (2000). Market segmentation in the Indonesian banking sector:the relationship between demographics and desired customer benefits. Int. J. Bank Mark, 18(2), 64–74. https://doi.org/10.1108/02652320010322976 

Alves Gomes, M., & Meisen, T. (2023). A review on customer segmentation methods for personalized customer targeting in e commerce use cases. Information Systems and e-Business Management, 21(1), 527–570.

Asiedu, E. (2016). A study of use and impact of market segmentation practices on bank performance:

with special reference to commercial banks in Colombia. Journal of Business and Financial Affairs, 5(162), 2167-2234. https://doi.org/10.4172/2167-0234.1000162 

Baradaran, V., & Farkhi, Z. (2013). Customer segmentation in the banking industry using the developed RFMC model. Brand Management, 1(2), 135-154.

Brisoux, J. E., & Laroche, M. (2014). Strategic brand among fast food franchise: A test of two frameworks evaluations. Journal of Bussiness Research, 45(1), 221-233.

Cameron, F., Cornish, C., & Nelson, W. (2006). FSS2: A new methodology for segmenting consumers

for financial services. Journal of Financial Services Marketing, 10(3), 260-271. https://doi.org/10.1057/palgrave.fsm.4770191 

Camilleri, M. A. (2018). Market Segmentation, Targeting and Positioning. Cham, Switzerland.

Chauhan, V., Yadav, R., & Choudhary, V. (2018). Analyzing the impact of consumer innovativeness and perceived risk in internet banking adoption: a study of Indian consumers. Int. J. Bank Market, 37(1), 323–339. https://doi.org/10.1108/IJBM-02-2018-0028 

Currim, I. S. (2017). Using Segmentation Approaches for Better Prediction and Understanding from Consumer Mode Choice Models. Journal of Marketing Research, 18(2), 301-309.

Curry, B., & Moutinho, L. (2015). Neural Network in marketing: Modelling consumer Responses to Advertising Stimuli. European Journal of Marketing, 27(7), 5-20.

Darvishi, M., & Abbasi, N. (2022). Segmenting and determining the profile of Arvand car customers using self-organizing map model neural network algorithm. Journal of Marketing Management, 17(57), 136-137. [In Persian]

Dolnicar, S., & Leisch, F. (2013). Winter tourist segments in Austria: Indentifying stable vacation styles using bagged clustering techniques. Journal of Travel Research, 41(3), 281-290.

Farrokhi, S., & Timurpour, B. (2015). Identifying and classifying customers of Iran's banking system from the perspective of expectations and perceived value of banking services using data mining techniques. Modern Marketing Research, 1(20), 201-220.

Gordon, C. (1994). Neural Networks and Market Segmentation. Journal of Marketing Management, 10(1), 105-129.

Guillet, B. D., & Kucukusta, D. (2016). Spa market segmentation according to customer preference. International Journal of Contemporary Hospitality Management, 28(2), 418-434. https://doi.org/10.1108/IJCHM-07-2014-03745 

Hunt, S. D., & Arnett, D. B. (2004). Market segmentation strategy, competitive advantage and public policy: Grounding segmentation strategy in resource-advantage theory. Australasian Marketing Journal (AMJ), 12(1), 7-25. https://doi.org/10.1016/S1441-3582(04)70083-X 

Jaiswal, D., Kaushal, V., Deshmukh, A. K., Kant, R., & Kautish, P. (2023). What drives electric vehicles in an emerging market? Mark. Intell. Plan., 40(6), 738–754. https://doi.org/10.1108/MIP-11-2021-0406 

Kamakura, W. A., & Wedel, M. (2000). Market segmentation: Conceptual and methodological foundations (2 ed.). Kluwer Academic Publishers.

Kaur, G., Sharma, R. D., & Mahajan, N. (2014). Segmentation of bank customers by loyalty and switching intentions. Vikalpa The Journal for Decision Makers, 39(4), 75–90.

Kotler, P., & Armstrong, G. (1992). Principles of marketing. . Prentice Hall.

Liu, J., Liao, X., Huang, W., & Liao, X. (2019). arket segmentation: A multiple criteria approach combining preference analysis and segmentation decision. M. Omega, 83, 1-13. https://doi.org/10.1016/j.omega.2018.01.008 

Liu, Y., Ram, S., Lusch, R. F., & Brusco, M. (2010). Multicriterion market segmentation: A new model, implementation and evaluation. Marketing Science, 29(5), 880-894. https://doi.org/10.1287/mksc.1100.056 

Mostafa, M. (2009). Shades of green: A psychographic segmentation of the green consumer in Kuwait using self-organizing maps. Expert Systems with Applications, 36(8), 11030-11038.

Mostafa, M. M., & El-Masry, A. A. (2013). Citizens as consumers: Profiling egovernment services users in Egypt via data mining techniques. International Journal of Information Management, 33(4), 627-641.

Raiter, O. (2021). Segmentation of Bank Consumers for Artificial Intelligence Marketing. International Journal of Contemporary Financial Issues, 1(1), 39–54.

Tagvi Fard, M. T., & Khajund, S. (2012). Cluster segmentation of bank customers (case study: Saderat Bank of Iran). Business Management Explorations, 5(9), 39-64.

Zheng, X., Wu, C., & He, S. (2021). Impacts of market segmentation on the over-capacity of the thermal electricity generation industry in China. J. Environ. Manag, 279, 111761. https://doi.org/10.1016/j.jenvman.2020.111761 

 

---

[1]  Robinson & Chamberlin

[2]  Asiedu

[3]  Alfansi & Sargeant

[4]  Theo Kuhnen

[5]  Raiter