در اقتصاد امروز میزان بازدهی و کیفیت خدماتی که بانک ها ارائه می دهند جایگاه ویژه ای دارد. با پیشرفت و بهبود در تکنولوژی، رقابت در صنعت بانکداری به طرز فزاینده ای شدت گرفته و تحلیل کارایی در صنعت بانکداری توجه زیادی را به خود جلب نموده است طوری که محققین زیادی زمان قابل توجهی را برای مطالعه و اندازه گیری سودمندی بانک ها صرف می نمایند. با توجه به نقش مهم بانک هادر توسعه کشور، اندازه گیری کارایی شعب بانک حائز اهمیت می باشد و سنجش کارایی شعب، باعث کمک به بودجه ریزی، طراحی سیستم پاداش دهی به شعب کارا و تخصیص بهینه امکانات می گردد. وجود سیستمی که بتواند کارایی شعب را به درستی تخمین بزند سبب پیشرفت روند رشد و توسعه و استفاده مطلوب از منابع بانکی می گردد. از طرفی مدیران بانک ها می توانند با داشتن چنین سیستمی به سئوالاتی نظیر: منابع اصلی ناکارایی شعب چیست؟ آیا کارایی بانک در طی چند سال افزایش می یابد؟ آیا بانک های بزرگ کاراتر هستند و از این قبیل، با خیال آسوده تری جواب دهند چرا که این سیستم باید بتواند شاخص های کمی و کیفی مناسب و اطلاعات زیاد برای تحلیل کارا و قوی را در اختیار آنها قرار دهد و فراموش نکنیم که همه این گفته ها در جهت به دست آوردن حداکثر منفعت از بازار رقابتی جدید به لطف پیشرفت تکنولوژی است. متداول ترین روش برای تخمین کارایی شعب بانکی، روش تحلیل پوششی داده ها است(مومنی. 1387). با این حال اگر بخواهیم کارایی شعبه جدیدی را با این روش محاسبه نماییم مجبوریم از اطلاعات همه شعبه ها برای تخمین کارایی آن شعبه استفاده نماییم. از سوی دیگر، چون روش تحلیل پوششی داده ها به ما توصیفی آماری در مورد دانش مسئله و یا یک سری قوانین جهت تصمیم گیری های مدیریتی بهتر و کاراتر (همانند قانون های تولید شده توسط رویکرد دوم مدل) نمی دهد، لذا هدف این است که یک پیشگویی کننده به کمک ابزارهای داده کاوی ایجاد نماییم تا این نقیصه ها را برطرف نماید. مسائل پیش روی ما در این پژوهش به قرار زیر است که می بایست پاسخ داده شوند: 1. میزان کارایی شعب بانک انصار به روش تحلیل پوششی داده ها چگونه است؟ 2. آیا شبکه های عصبی مصنوعی می تواند دقت مطلوبی از کارایی شعب به دست آورد؟ 3. براساس تحلیل های خوشه بندی، تا چه اندازه خوشه بندی موردنظر مطلوب است؟ 4. آیا دقت طبقه بندی شعب بانک انصار با دو رویکرد ذکر شده مطلوب است؟ رویکرد اول: ساخت یک مدل پیش گویی کننده میزان کارایی در رویکرد اول، پس از بهره بردن از روش تحلیل پوششی داده ها در تخمین کارایی شعب، مدلی پیش گویی کننده برای به دست آوردن میزان کارایی هر شعبه ارائه داده می شود. پس از بدست آوردن میزان کارایی شعب به وسیله روش تحلیل پوششی داده ها، به کمک قدرت پیش گویی کنندگی تکنیک شبکه عصبی مصنوعی چندلایه پرسپترون که وزن های آن توسط الگوریتم بهینه سازی برگرفته شده از زندگی خفاش و الگوریتم ژنتیک به طور جداگانه بهینه می گردد، یک مدل پیش گویی کننده میزان کارایی شعب ساخته می شود. لازم به ذکر است که در واقع دو پیشگویی کننده جداگانه میزان کارایی ساخته می شود. یکی پیشگویی کننده حاصل از ترکیب شبکه های عصبی مصنوعی و الگوریتم بهینه سازی ژنتیک و دیگری ترکیب شبکه های عصبی مصنوعی و الگوریتم بهینه سازی خفاش. قصد این است که قدرت بهبود پارامترها و دقت مدل توسط این دو الگوریتم بهینه سازی با یکدیگر مقایسه شود. انگیزه رویکرد اول تحقیق: با داشتن چنین مدلی، پس از ورود یا ساخت یک شعبه جدید و یا با تغییر داده های شعب فعلی می توان میزان کارایی شعبه جدید را پیش بینی نمود بدون اینکه نیاز باشد از اطلاعات شعب مجدداً استفاده گردد. دلیل دیگری که منجر به انتخاب این مدل گردید این است که به دلیل استفاده از شبکه عصبی مصنوعی در ساختار مدل، این مدل قادر خواهد بود که حتی با وجود روابط غیرخطی بین داده های شعب به پیش بینی میزان کارایی شعب بپردازد. دلیل آخر اینکه بنا به چرخه تعالی داده کاوی، با ورود شعب جدید، دانش مربوط به مسئله نیز با افزایش داده های شعب افزایش می یابد. رویکرد دوم: ساخت یک مدل پیش گویی کننده کلاس کارایی رویکرد دوم در این پژوهش طبقه بندی سطوح شعب است. گام های این روش بدین صورت است: 1- به کمک روش تحلیلی پوشش داده ها میزان کارایی شعب را به دست می آوریم. 2- استفاده از دانش شخص خبره برای تعیین سطوح شعب مختلف براساس میزان کارایی به دست آمده از گام قبل. 3- استفاده از تکنیک های داده کاوی برای تعیین طبقه شعب. در رویکرد دوم، ابتدا سطوح کلاس ها به کمک اشخاص خبره بانکی و بر اساس میزان کارایی بدست آمده تعیین می گردد. سپس به کمک الگوریتم های خوشه بندی، شعب با رفتارهای مشابه به درون خوشه های همسان یا همگن انتقال داده می شود (ماژولارسازی ). سپس به هر خوشه به عنوان یک مجموعه داده منحصر به فرد نگاه می گردد و در گام بعدی الگوریتم کلاس بندی روی هر خوشه اعمال می شود و در نهایت نتایج بدست آمده از کلاس بندی روی هر خوشه برطبق فرمولی موزون با هم ترکیب می گردد و سرانجام نتیجه نهایی گزارش می شود.