تجزیه وتحلیل عملکرد مشتریان هوش تجاری در بانکداری الکترونیکی با استفاده از روشهای داده کاوی

بانکداری الکترونیکی مزایای زیادی برای مصرف کنندگان ایجاد میکند. در بانکداری الکترونیکی هزینه های معاملات از طریق بکارگیری اینترنت ،تلفن یا سایر کانال های تحویل الکترونیکی، کاهش پیدا میکند. رشد بی سابقه رقابت در صنعت بانکداری، موجب شده که بانک ها، بیشتر از گذشته، به اهمیت حفظ مشتریان فعلی و جذب مشتریان جدید توجه کنند، بنابر این بانکها به دنبال تجزیه و تحلیل رفتار مشتریان بر مبنای داده های جمع آوری شده از پایگاه داده هایشان می باشند. تجزیه و تحلیل پایگاه داده های بانک برای تحلیل رفتار مشتریان بسیار دشوار می باشد، دشواری این تحلیل به سبب وجود داده های چند بعدی ، متشکل از رکوردهای تراکنش های روزانه می باشد. هوش تجاری یکی از دقیقترین و قدرتمند ترین ابزارها برای تحلیل بانک ها می باشد. هوش تجاری سرویس ها و امکانات شخصی برای کاربران بانکداری الکترونیکی فراهم می کند؛ تا بانک ها بتوانند مشتریان فعلی حفظ کنند و مشتریان جدید را جذب نمایند . کارهای بسیار کمی بر روی تجزیه و تحلیل پایگاه داده های بانک از منظر تحلیل رفتار مشتری صورت گرفته است . این پژوهش یک چارچوب جامع دو مرحله ای برای تحلیل رفتار مشتری ارایه می دهد که این دو مرحله از الگوریتم های خوشه بندی و تولید کننده قواعد تلازمی تشکیل شده است. الگوریتم خوشه بندی گروه های مشتریان را بر مبنای (rfm) تازگی تراکنش ، فرکانس تراکنش ، مقدار تراکنش و امتیاز رفتار مشتری طبقه بندی می کنند. الگوریتم های تولید کننده قواعد تلازمی برای مشخص کردن خصوصیات، گروه های مختلف مشتریان مورد استفاده قرار میگیرد؛ مشخصات گروه های مختلف مشتریان، داخل پروفایل های مخصوص به هر گروه قرار می گیرد. شناسایی مشتریان توسط چارچوب جامع ارائه شده برای تجزیه و تحلیل رفتار مشتری موجب میشود مدیران ویژگی های مشتریانشان را شناسایی کنند و به دلیل شناخت بهتر مشتری باعث تسهیل در توسعه استراتژی سازمان می شود.