مقایسه عملکرد تکنیک های خوشه بندی داده ها در پیش بینی رفتار مشتری در بانک
Abstract
صنعت بانک داری در جهان در حال تغییرات مداوم و توسعه می باشد، با گسترش بانک داری الکترونیکی ثبت اطلاعات تراکنشی راحت تر شده است و حجم داده ها به طور قابل ملاحظه ای در حال رشد می باشد با تحلیل اطلاعات بانک های اطلاعاتی، می توان در تشخیص بهتر مشتریان و تخصیص بهینه منابع به مشتریان سودآور، بهره وری بانک ها را افزایش داد. یکی از مهم ترین خدمات بانکی اعطای وام و تسهیلات است. از آنجا که فرایند تأمین وجوه برای اعطای تسهیلات، برای بانک هزینه تأمین مالی را به همراه دارد، بنابراین شرایط اعطای وام بایستی هم برای بانک و هم برای سپرده گذاران، صرفه اقتصادی داشته باشد. در حال حاضر به دلیل حجم بالای تسهیلات بانکی ریسک بازپرداخت آن ها یک چالش بزرگ برای بانک ها می باشد. در این تحقیق به رفتار مشتری در بانک توجه می شود و این که هر کدام از مشتریان در کدام خوشه قرار می گیرند و با چه ویژگی هایی دسته بندی می شوند. تکنیک های خوشه بندی به کار گرفته در این پژوهش الگوریتم دو مرحله ای، k میانگین و جستجوی ممنوعه می باشد که به کمک شبکه عصبی نیز ویژگی های مشتریان دسته بندی می شوند. مقایسه ای که بین تکنیک ها صورت گرفته نشان می دهد که خوشه بندی توسط الگوریتم جستجوی ممنوعه نتایج بهتری را در بردارد؛ و این نشان از برتری نسبی این الگوریتم است.