مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

مقاله مقاله نشریه

مشخصات مقاله

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

video

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

sound

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید:

61
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله نشریه

عنوان

پیش بینی ریزش مشتریان بانک با استفاده از یادگیری ماشین

صفحات

 صفحه شروع 218 | صفحه پایان 245

چکیده

 هدف: در بازارهای رقابتی, شرکت ها روی برقراری روابط بلندمدت با مشتریان و تقویت وفاداری تمرکز دارند. به علت هزینه های سنگین جذب مشتری جدید, کسب وکارها روی نگهداری مشتریان موجود تمرکز می کنند. پیش بینی مشتریانی که احتمال روی گردانی آن ها در آینده وجود دارد, بخش مهمی از راهبرد حفظ مشتری است. در این مقاله پیش بینی ریزش مشتری در صنعت بانکداری, روی دادگان واقعی مشتریان یکی از بانک های بزرگ ایران انجام شده است.روش: در صنعت بانکداری, کاهش شدید میانگین مانده مؤثر یک مشتری در یک بازۀ زمانی نسبت به بازۀ زمانی قبلی, به عنوان ریزش مشتری در نظر گرفته می شود. در این مقاله, ابتدا با پردازش حجم زیادی از تراکنش های بانکی در یک بازۀ زمانی مشخص, ویژگی های رفتاری متفاوت در سطوح مختلف برای مشتریان به دست آمد؛ سپس برای پیش بینی ریزش, از الگوریتم های پُراستفاده در یادگیری ماشین و روش های یادگیری جمعی استفاده شد. در ادامه, با استفاده از روش های یادگیری عمیق و واحدهای نوین آن, معماری مدل مدنظر ارائه شد. در نهایت, با انجام آزمایش های جامع, عملکرد روش های نام برده بررسی شد.یافته ها: این پژوهش در یکی از بانک های بزرگ ایران اجرا شد و آزمایش ها روی دادگان واقعی مشتریان بانک صورت پذیرفت. در این آزمایش ها, از اطلاعات جمعیت شناختی و رفتار گذشته مشتریان بهره گرفته شد؛ اما از اطلاعات شخصی افراد استفاده نشد تا حریم خصوصی مشتریان حفظ شود. در آزمایش های صورت گرفته, پیش بینی ریزش مشتری روی بازۀ زمانی یک ماهه انجام گرفت. بدین ترتیب دو بازۀ یک ماهه متوالی مدنظر قرار گرفت و ویژگی های رفتاری مشتریان, از بازۀ زمانی اول استخراج شد. متغیر هدف نیز از مقایسه میانگین مانده مؤثر در بازه های زمانی اول و دوم به دست آمد. در صورتی که میانگین ماندۀ مؤثر یک مشتری, در بازۀ دوم نسبت به بازۀ اول با بیش از 70درصد کاهش همراه بود, به عنوان ریزش در نظر گرفته شد. در نتایج به دست آمده الگوریتم های یادگیری جمعی و همچنین مدل های عمیق ارائه شده, عملکرد بهتری را نسبت به مدل های مبنا نشان دادند. افزایش اندازۀ مجموعۀ آموزش در عملکرد بهتر مدل ها مؤثر بود. مدل تقویت گرادیان با 8984/0 بیشترین مساحت زیر منحنی مشخصۀ عامل گیرنده نسبت به مجموعۀ اعتبارسنجی را به دست آورد.نتیجه گیری: استخراج ویژگی های رفتاری از تراکنش های بانکی مشتریان و استفاده از روش های یادگیری جمعی و همچنین مدل های ارائه شده مبتنی بر یادگیری عمیق, در پیش بینی ریزش مشتری مؤثرند. پس از تحلیل رفتار و شناسایی مشتریان در شرف روی گردانی, پیشنهادهایی برای جلوگیری از ریزش و حفظ مشتری ارائه شد. برای نمونه, تفکیک مشتریان بر اساس سن, شغل, تحصیلات و غیره به منظور ارائه خدمات و تولید محصولات بانکی بر این مبنا, ایجاد تنوع در خدمات موجود, ارائۀ خدمات مورد نیاز مشتریان از طریق بسترهای مجازی و در صورت نیاز در محل فعالیت و زندگی مشتریان, تسهیل در ارائۀ خدمات مطلوب به مشتریان, افزایش اعتماد مشتریان از طریق ارائۀ کاربردیِ امن و همچنین, حفاظت از اطلاعات مشتریان, به حفظ مشتری کمک می کند.

چندرسانه ای

  • ثبت نشده است.

    • استنادها

  • ثبت نشده است.

    • ارجاعات

  • ثبت نشده است.

    • استناددهی

    مقالات مرتبط نشریه ای

  • ثبت نشده است.

    • مقالات مرتبط همایشی

  • ثبت نشده است.

    • طرح های مرتبط

  • ثبت نشده است.

    • کارگاه های پیشنهادی






    بازگشت به بالا
    telegram sharing button
    whatsapp sharing button
    linkedin sharing button
    twitter sharing button
    email sharing button
    email sharing button
    email sharing button
    sharethis sharing button