
پايانههاي فروش را دارا ميباشد.
از ديگر قابليتهاي موسسه رويكرد بانكداري اسلامي است و تمامي معاملات بانكي موسسه به منظور تطابق با قوانين شرع مقدس اسلام مورد نظارت بوده و تاييديههاي شرعي مربوطه به صورت دورهاي اخذ ميگردد.
4-4- محاسبات تحقیق
در این فصل گامهای مربوط به چارچوب طرح شده در فصل سوم این تحقیق، در مطالعه موردی بانک مهر اقتصاد به کار گرفته خواهد شد.
4-4-1- گام انتخاب و جمع آوری متغیرهای ورودی
در حوزه بخشبندی رفتاری مشتریان بانک و بررسی رویکردهای سازمانی بانک مهر اقتصاد، سه دسته متغير دادههاي جمعيت شناختي مشتریان شامل جنسيت، سن، تحصيلات، وضعيت تأهل، شغل و تاریخ تولد، محل منطقه بانکی و …، دادههای مربوط به تراکنشهای مالي مشتريان نظیر تراكنش اخير مشتري (R)، متغیر پولی (F)، فراواني (M) و فاکتور (K) که نشاندهنده کلیدی بودن یا نبودن مشتری بانک است و در بانک مهر اقتصاد مشتریان کلیدی بانکی در هر استان بنا بر نظر خبرگان بانکی با ویژگیهای خاصی تعریف میگردند، انتخاب شده است.
در جدول 4-1 نمونهای دهتایی از این دادههای خام که نشاندهنده اطلاعات مربوط به مشتریان بانک مهر اقتصاد میباشد، نمایش داده شده است.
جدول 4-1 نمونه دهتایی از دادههای مربوط به مشتریان بانک مهر اقتصاد
ID
Sex
Age
Education
Marital Status
Job
Location
R
F
M
K
1
مرد
54
کارشناسی
متأهل
فرهنگی
بابل
135
26
3400000
خیر
2
مرد
69
سیکل
متأهل
آزاد
بابل
15
2
699521
خیر
3
مرد
29
دیپلم
متأهل
کشاورز
بابل
311
7
299319925
خیر
4
مرد
23
کارشناسی ارشد
مجرد
آزاد
بابل
48
29
828010000
خیر
5
مرد
41
دیپلم
متأهل
آزاد
بابل
20
39
234543115
خیر
6
زن
34
کارشناسی
متأهل
کارمند
بابل
65
11
66309728
خیر
7
مرد
41
دیپلم
متأهل
آزاد
بابل
18
150
22468073176
خیر
8
مرد
44
دیپلم
متأهل
آزاد
بابل
7
21
52052139
خیر
9
مرد
43
کارشناسی
متأهل
نمایشگاه اتومبیل
بابل
2
80
5129665015
بله
10
زن
67
بیسواد
متأهل
خانهدار
بابل
34
6
85662543
خیر
در این تحقیق به جهت حفظ اطلاعات مشتریان بانکی شماره شناسایی مشتریان با شمارههای قراردادی شمارهگذاری شده است.
4-4-2- گام آمادهسازی و پیشپردازش دادهها
دادههای اين تحقيق از دادههاي موجود در پايگاه اطلاعاتي بانك مهر اقتصاد جمع آوری شده است. از آنجایی که دادههای خام انتخاب مناسبی برای اعمال الگوریتمها نیستند نیاز است عملیاتی بر روی دادهها جهت آمادهسازی آنها برای ورود به الگوریتمها صورت گیرد. از جمله این عملیات نرمال دادهها میباشد.
از میان یازده متغیر شناسایی شده جهت مطالعه رفتار مشتریان، متغیرهای تراكنش اخير مشتري و متغیر کلیدی بودن مشتری به عنوان ورودی الگوریتمهای خوشهبندی در نظر گرفته میشوند. اما از آنجایی که ویژگیهای انتخابی از نمونههای مورد مطالعه در این تحقیق دارای بازه تغییرات یکسان نمیباشند، برای جلوگیری از تأثیر متفاوت ویژگیها (از آنجایی که متغیرهای با مقادیر بزرگ تأثیر بیشتري بر تابع هدف میگذارند که لزوماً به معنی مهمتر بودن آنها در الگوریتم بخشبندی نیست) از نرمال سازی به روش Min-Max که پیش از این شرح داده شد استفاده شده است.
به طور مثال جدول 4-2 یک نمونه دهتایی از متغیرهای نرمال شده R، F، M و K از دادههای مورد مطالعه در این تحقیق را نشان میدهد.
جدول 4-2 متغیرهای نرمال شده
ID
R
F
M
K
114
0.035294
0
0.394722852
0
412
0.8
0.689655172
0.46601071
0
413
0.205882
0
0.770616295
0
414
0.1
0.620689655
0.90193016
0
415
0.070588
0
0.213265911
0
416
0.358824
0.810344828
0.816785726
0
417
0.364706
0.24137931
0.919624997
1
418
0.423529
0
0.980839729
0
419
0.494118
0.379310345
0.11126205
0
420
0.447059
0.431034483
0.611893065
0
4-4-3-گام تعیین تعداد بهینه خوشهها
تعداد بهینه خوشهها میتواند با توجه به اهداف تحقیق و دیدگاههای مختلف خبرگان متفاوت باشد. در این تحقیق با استفاده از مجموعه دادههای مورد استفاده و بررسی نظرات خبرگان بانک مهر اقتصاد بهترین گزینه برای تعیین تعداد مناسب خوشهها، جهت تفکیک رفتاری مشتریان این بانک عدد 5 به دست آمد. این عدد به عنوان یک ورودی در الگوریتمهای خوشهبندی مورد نظر بکار گرفته خواهد شد.
4-4-4- گام خوشهبندی دادهها
خوشهبندی به معنای تقسیم موجودیتها در گروههاست به طوری که موجودیتهایی که در یک گروه قرار میگیرند بیشترین شباهت را با همگروههای خود و بیشترین فاصله را با موجودیتهای دیگر گروهها داشته باشند.
به طور خاص در صنعت بانکداری از الگوریتمهای خوشهبندی در بخشبندی مشتریان به گروههای مشخص بر طبق الگوهای رفتاری آنها کاربرد دارد. شناسایی گروههای مشتریان بسیار برای بانک حائز اهمیت بوده و میتواند در تصمیمگیریهای کنونی و اتخاذ راهبردهای میانمدت و بلندمدت بانک راهگشا باشد.
همان طور که در فصل سوم بیان شد برای تفکیک مشتریان در پنج بخش، سه الگوریتم K-Means، WK-Means و A-H-Means بکار گرفته خواهند شد. کدهای مربوط به این الگوریتمها به زبان C#.net نوشته شده است.
ورودی این الگوریتمها فایل اکسل حاوی نمونه دادههای مربوط به هزار مشتری بانک مهر اقتصاد استان مازندران، شهرستان بابل میباشد. این الگوریتمها بر روی چهار متغیر R، F، M و K از این نمونهها اعمال میشود.
4-4-4-1- خوشهبندی به روش K-Means
هدف از اجرای این الگوریتم که یکی از الگوریتمهای متنوع خوشهبندی میباشد، تقسیم نمونهها در K خوشه است. K مرکز اولیه به صورت تصادفی از بین دادههای ورودی انتخاب میشوند. سپس فاصله (در این تحقیق فاصله اقلیدسی) هر داده با هر یک از K مرکز محاسبه شده و داده به خوشهای که کمترین فاصله را با مرکز آن داراست تخصیص مییابد. بعد از تخصیص تمام نقاط به K مرکز، میانگین هر خوشه به عنوان مرکز جدید محاسبه شده و محاسبه فاصله عناصر و تخصیص آنها به مراکز جدید ادامه مییابد تا جایی که هیچ جابجایی در عناصر خوشهها رخ ندهد.
شکل 4-1 تا 4-5نمودارهای مربوط به پنج خوشه خروجی الگوریتم K-Means را نشان میدهد.
شکل 4-1 خوشه اول، الگوریتم K-Means
شکل 4-2:خوشه دوم، الگوریتم K-Means
شکل 4-3خوشه سوم، الگوریتم K-Means
شکل 4-4 خوشه چهارم، الگوریتم K-Means
شکل 4-5 خوشه پنجم، الگوریتم K-Means
4-4-4-2- خوشهبندی به روش WK-Means155
در خوشهبندی به روش WK-Means، اهمیت متغیرهای شرکتکننده در خوشهبندی متفاوت در نظر گرفته میشود و به هر یک از متغیرها وزن تخصیص مییابد.
این وزنها بر اساس اهمیت نسبی متغیرها در نظر گرفته میشود. به این منظور در این تحقیق این وزنها بر اساس نظر خبرگان بانکی بانک مهر اقتصاد محاسبه شده است. این وزنها در جدول —- آمده است.
جدول 4-3 وزن نسبی متغیرهای تحقیق
متغیر
R
F
M
K
ضریب وزنی
0.12
0.22
0.32
0.34
بعد از تعیین وزن نسبی و محاسبه حاصلضرب آن در متغیرها، الگوریتم K-Means بر روی متغیرها اعمال میگردد.
در ادامه قطعه کد مربوط به خوشهبندی به روشهای K-Means و WK-Means آورده شده است. قابل ذکر است در خوشهبندی به روش K-Means وزن چهار متغیر برابر در نظر رفته میشود.
4-4-4-3- خوشهبندی به روش A-H-Means156
A-H-Means یکی دیگر از الگوریتمهای پیشنهادی جهت خوشهبندی دادههای این تحقیق است که جزئیات این روش در فصل سوم به تفصیل مطرح شد. در این کاربرد [-5,5] Q ϵ انتخاب شده است که در این صورت Q=0 میانگین حسابی و اگر Q=-1 میانگین هارمونیک را نتیجه خواهد داد.
کدهای مربوط به این الگوریتمها در پیوست 1 آمده است.
4-4-5- ارزیابی خوشهها به روش مجموع مربع خطاها157 و انتخاب بهترین روش
در این گام لازم است مجموع مربع خطاهای خوشههای حاصل از روشهای K-Means، WK-Means و A-H-Means محاسبه شود تا روشی که کمترین مجموع مربع خطاها را داراست به عنوان روش منتخب گزیده شود و خوشههای حاصل از روش مذکور جهت استخراج دانش در گام بعد مورد مطالعه قرار گیرند.
با توجه مقادیر SSE حاصل در جدول 4-5 در این مرحله روش K-Means و معادل آن A-H-Means بهترین تناسب را با دادههای مورد نظر داشتهاند.
جدول 4-5 مقادیر مجموع مربع خطاها در الگوریتمهای مختلف خوشهبندی
الگوریتم
SSE
K-Means
99.9843624171528
W-K-Means
101.70396570802
A-H-Means
Q= -5
578.846339658478
Q= -4
451.998656623852
Q= -3
413.633951872539
Q= -2
452.301269210582
Q= -1
429.534794020312
Q= 0
99.9843624171524
Q= 1
263.032954297749
Q= 2
387.296815500434
Q= 3
461.37140251684
Q= 4
520.431766030336
Q= 5
563.343198199568
W-A-H-Means
Q= -5
909.994905874204
Q= -4
908.546539358331
Q= -3
812.987123554959
Q= -2
675.244867072669
Q= -1
432.99163872207
Q= 0
101.70396570802
Q= 1
213.109589610292
Q= 2
394.631408169223
Q= 3
465.493833497874
Q= 4
520.341072520594
Q= 5
567.398326633822
4-4-6-گام بهکارگیری دانش حاصل از خوشهبندی
پس از اینکه مناسبترین الگوریتم برای خوشهبندی دادههای مربوط به مشتریان بانک مهر اقتصاد شناسایی شده و مشتریان در پنج خوشه بخشبندی شدند نوبت به بهرهگیری از دانش حاصل از این خوشهها میرسد. در این مرحله با حضور خبرگان بانکی و با مراجعه به پروفایل مشتریان بانک میتوان به بررسی و تحلیل خوشهها پرداخت و از آنجا که به طور معمول مشتریانی که در یک خوشه قرار میگیرند دارای ویژگیهای رفتاری مشابهی خواهند بود، دانش استخراج شده میتواند راهنمای بسیار خوبی جهت اتخاذ راهبُردهای بهینه متناسب با هر خوشه برای مدیریت هر چه بهتر ارتباط با مشتریان باشد.
جدول 4-6 که مطابق نظر خبرگان بانک تنظیم شده است میتواند برای بررسی خوشههای مشتری مورد استفاده قرار گیرد.
جدول 4-6 دستهبندی مشتریان بر مبنای ویژگیهای رفتاری مشابه [1]
ردیف
R
F
M
وضعیت مشتریان
1
↑
↑
↑
مشتریانی ارزشمند با احتمال فرار بالا
2
↑
↑
↓
تعداد گردش بالا اما اخیراً گردش حسابی نداشتهاند.
3
↓
↑
↑
این گروه از مشتریان در بالاترین رتبه قرار دارند.
4
↓
↓
↑
مشتریانی نسبتاً ارزشمند ولی با فعالیت حساب پایین (به طور معمول مشتریان جدید)
5
↓
↑
↓
مشتریانی وفادار با مانده حساب پایین (مشتریان قدیمیتر)
6
↑
↓
↑
مشتریانی با متغیر پولی بالا اما فعالیت حساب پایین (وفاداری کمتر)
7
↓
↓
↓
مشتریان جدید یا مشتریانی که اخیراً به بانک برگشتهاند.
8
↑
↓
↓
تنها در صورت افزایش فعالیت حساب میتوانند در رتبههای بالاتر قرار گیرند.
به عنوان مثال در رابطه با مشتریان ردیف 7 مشتریانی هستند که به تازگی مشتری بانک شدهاند یا بعد از مدتی نسبتاً طولانی مجدد به بانک مراجعه نمودهاند. این مشتریان در صورتی میتوانند تبدیل به مشتریان ارزشمند تر شوند که مانده حساب و تعداد گردشهای حساب آنان افزایش یابد. بانک باید مشتریانی که سعی در برقراری ارتباط بیشتر با بانک و استفاده بیشتر از خدمات بانک را دارند شناسایی نموده و تنها گروهی که قابل تبدیل شدن به مشتریانی ارزشمندتر هستند را حفظ نماید. چرا که با توجه به تعداد بسیار مشتریان این خوشه، نگهداری همه این مشتریان میتواند بانک را متحمل هزینه بالایی نماید.
بانک میتواند با معرفی سایر خدمات خود خوشه 8 را به فعالتر شدن حسابشان تشویق نماید.
مشتریان خوشه 1 بالاترین ارزش را نزد بانک دارند اما به دلیل بالا بودن مدت زمان گذشته از آخرین تراکنش حسابشان با بانک احتمال فرار این گروه از مشتریان به سمت بانکهای دیگر وجود
