بخش بندی خوشه ای مشتریان بانک (مورد مطالعه: بانک صادرات ایران)

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشیار، دانشکده مدیریت و حسابداری،دانشگاه علامه طباطبایی، تهران

2 کارشناس ارشد مهندسی صنایع-دانشگاه علامه طباطبایی، تهران

چکیده

شناخت مشتریان، ایجاد تمایز بین گروه های مختلف مشتریان و رتبه بندی آنها یکی از مسائل مهم در بانک ها و سازمان های مشتری محور است. برای رسیدن به درکی صحیح از مشتریان، سازمان ها نیازمند استفاده از مقیاسی هستند که از طریق آن بتوان میزان اهمیت مشتریان مختلف را سنجش نمود. هدف این تحقیق ارائه الگویی جهت بخش بندی و رتبه بندی مشتریان بانک است. در راستای این هدف اطلاعات مربوط به 30,000 مشتری بانک صادرات ایران در بازه یک ساله فروردین 89 تا فروردین 90 دریافت شد. این اطلاعات شامل تاریخ آخرین تراکنش، تعداد تراکنش ها در بازه زمانی یک ساله، مانده حساب در انتهای این بازه زمانی و همچنین اطلاعات استفاده از خدمات بانکداری خرد بوده است. مشتریان نمونه بر اساس تحلیل آر اف ام با استفاده از الگوریتم Twostep خوشه بندی و به این ترتیب مشتریان به چهار بخش تفکیک شدند. سپس رتبه بندی بخش های حاصل شده، از طریق محاسبه ارزش طول عمر مشتریان انجام شد و کشف الگوهای پنهان بین داده های استفاده از خدمات بانکداری و بخش های مختلف مشتریان با استفاده از الگوریتم C5.0انجام گرفت. نتایج به دست آمده از این تحقیق می تواند به عنوان راهکاری جهت تدوین استراتژی های بازاریابی و پیشنهاد محصول و خدمات برای هر یک از گروه های مشتریان به کار رود.

کلیدواژه‌ها


عنوان مقاله [English]

Customer Segmentationof Bank Customers (Case: SaderatBank of Iran)

نویسندگان [English]

  • Mohammad Taghi Taghavifard 1
  • Samaneh Khajvand 2
چکیده [English]

Customer cognition, understanding difference between groups of customers and ranking them is one of the important problems in banks and customer-based organizations. To achieve a correct understanding about customers, organizations need a measure to evaluate the importance of different customers. The goal of this research is to present a framework for customer segmentationand their ranking. In this regard, the information of thirty thousand customers of SaderatBank from April 2010 to April 2011 was reviewed. This information includes: date of the last financial transactions, number of transactions and end of time account balance. The data was used for segmenting customers based on Weighted RFM (WRFM) using two step algorithm and so customers were divided into four groups. Then these groups were ranked based on their lifetime value and hidden patterns between the data of retail banking product ownership and customer value-based segmentation was discovered using C5.0 algorithm. The result of this study could be used as a guideline for marketing strategies and developing of services and products for each group in the banking industry.

کلیدواژه‌ها [English]

  • Customer segmentation
  • Ranking
  • Data mining
  • RFM analysis
  • Customer lifetime value
[1]    آجرلو، نصیبه. "الگویی جهت تعیین ارزش چرخه عمر مشتریان (CLV) در بانک ملت"، پایان نامه کارشناسی ارشد، مؤسسه عالی بانکداری ایران، 1388.
[2]    آذر، عادل و رجب زاده، علی. تصمیم گیری کاربردی (رویکرد MADM)، تهران، نگاه دانش، 1381.  
[3]    اسلامی علیشاه، حسن. مهارت های بازاریابی در شعب بانک ها، بانک مسکن، ماهنامه اقتصادی، خبری و اجتماعی، شماره92، 1387.
[4]    امیری، فهیمه. "بررسی رفتار مشتریان در استفاده از ابزارهای بانکداری الکترونیک با رویکرد داده کاوی (مورد کاوی: بانک صادرات ایران)"، پایان نامه کارشناسی ارشد، دانشکده علوم اجتماعی و اقتصاد دانشگاه الزهرا (س)، 1388.
[5]    خواجوند، محبوبه. "بخش بندی مشتریان بر اساس چرخه طول عمر مشتریان"، پایان نامه کارشناسی ارشد، دانشگاه خواجه نصیرالدین طوسی، 1389.
[6]    غضنفری،م.، علیزاده،س. و تیمور پور،ب. "داده کاوی و کشف دانش"، انتشارات دانشگاه علم و صنعت ایران، 1387.
[7]    قدسی پور، حسن. فرایند تحلیل سلسله مراتبی(AHP)، تهران: مرکز نشر دانشگاه صنعتی امیرکبیر، 1379.
[8]    گلچین فر، شادی و بختایی، امیر. مدیریت ارتباط با مشتری(CRM)، بانک مقالات فارسی،2007.
[9]    [http://www.irmi.ir/tadbir-172/article-172/10.asp1]
[10]نوروزی، اشرف، "شناسایی و پیش بینی نرخ رویگردانی مشتری به کمک تکنیک های داده کاوی (مورد کاوی: بانک کشاورزی)".پایان نامه کارشناسی ارشد، ذانشگاه تربیت مدرس، 1388.
[11]Bult,J.R. and Wansbeek, T, “Optimal selection for direct mail”. Marketing Science, 14, 378-395, 1995.
[12]Cheng Y., Yang,K.J. and Ting,T.M. “Knowledge discovery on RFM model using Bernoulli sequence”. Expert System with Applications,36, 5866-5871, 2009.
[13]Cheng,C.H. and Chen,Y.S., “Classifying the Segmentation of Customer Value via RFM Model and RS Theory”. System with Applications,(36), 4176-4184, 2009.
[14]Fader,P.S., Hardie,B.G.S. and Berger,P.D., “Customer-Base Analysis with Discrete-Time Transaction Data”. Unpublished working paper,2004.
[15]Haenlien,M.,Kaplan,A.M.and Beeser, A.J., “A Model to Determine Customer Lifetime Value in a Retail Banking Context”. European Management Journal, 221-234,(3),2007.
[16]Han,J. and Kamber,M., “Data mining: Concepts and Techniques”, CA: Morgan Kaufmann, San Francisco, 2006.
[17]Imielinski,T. and Virmani,A., “MSQL–query language for data mining applications”, Data mining and Knowledge Discovery Journal, 1999.
[18]Kumar,V., Denish Shah and Rejkumar V., “Managing Retailer Profitability-One Customer at a Time!”, Journal of Retailing, No. 82, 277-294, 2010.
[19]Larose,D.T. “Data mining methods”. John Wiley & Sons Inc., Hoboken, New Jersey, 2006.
[20]Liu,D.R.,and Shih,Y.Y. “Integrating AHP and Data mining for Product Recommendation Based on Customer Lifetime Value”, Information & Management, 42,387-400,2005.
[21]Mutanen, T., “Customer Churn Analysis, A Case Study”, Research Report, No.VTT-R-01184-06, 2006.
[22]Ngai,E.W.T., Xiu,L. and Chau,D.C.K., “Application of Data Mining Techniques in Customer Relationship Management: A literature review and classification”, Expert System with Applications, 36, 2592-2602, 2009.
[23]Peppers,D., Rogers,M., and Dorf,R., “Is your company ready for one-to-one marketing”, Harvard BusinessReview 77,151-160,1999.
[24]Reinartz, W.J., Thomas, J.S. and Kumar,V., “Balancing Acquisition and Retention Resources to Maximize Customer Profitability”, Journal of Marketing,69,63-79,2005.
[25]Saaty,T.L., “Fundamentals of Decision Making and Priority Theory with the Analytic Hierarchy Process”, RWS publications, Pittsburgh, PA, 1994.
[26]Tan,P.N., Steinbach,M. and Kumar, V., “Introduction to Data Mining”, Pearson education, 2005.
[27]Thomas,J. “A Methodology for Linking Customer Acquisition to Customer Retention”, Journal of Marketing Research, 38(2),262-268,2001.
[28]Van den Poel,D. and Bart,L. “Customer attrition analysis for financial services using proportional Hazard models”, European Journal of Operational Research,157, 196-217, 2004.