خوشه بندی مشتریان شعب بانک رفاه با تلفیق الگوریتم‌های ژنتیک و سی میانگین در محیط فازی

در عصر حاضر یکی از چالش‌های بزرگ برنامه‌ریزان و مدیران در حوزه خدمات بانکی، شناخت مشتریان، ایجاد تمایز بین گروه‌های مختلف مشتریان می‌باشد. بدیهی است استفاده از الگوی مناسب به بانک این فرصت را می دهد که پیشنهادات ارزشمند خود را متناسب با نیازها و خواسته های بخشهای هدف‌گیری شده طراحی و ارائه نموده و در نتیجه عملکرد بانک از منظرهای مختلف بهبود یابد. هدف این مطالعه بکارگیری مدل مناسبی جهت خوشهبندی مشتریان بر اساس شاخص‌هایی مانند تازگی، تعداد تراکنش‌،و عامل مالی می‏باشد. در این مقاله جهت خوشه‌بندی داده‌ها از تلفیق الگوریتم‌ ژنتیک با سی میانگین فازی جهت غلبه بر مشکلاتی مانند حساس بودن به مقدار اولیه و گرفتار شدن در دام بهینه محلی استفاده گردیده است. جامعه آماری این پژوهش، متشکل از مشتریان شعب بانک رفاه شهر تهران می‌باشد. همچنین از روش نمونه‌گیری تصادفی ساده جهت اخذ نمونه استفاده شده است. یافته‌های تحقیق نشان می‌دهد که مشتریان متعلق به خوشه اول بدلیل دارا بودن عملکردی بالا در شاخص‌های تازگی تعداد تراکنش ، و عامل مالی جزء مشتریان وفادار و مشتریان خوشه دوم بخاطر دارا بودن عملکردی پایین در شاخص تازگی ، عملکرد متوسط در شاخص تعداد تراکنش ،و عملکردی بالا در شاخص عامل مالی جزء مشتریان رویگردان از بانک می‌باشند.

Clustering Customers of bank Refah branches for combining genetic algorithms and C- Means in a fuzzy environment

Today, one of the major challenges that planners and managers are grappling with in the field of banking services is customer recognition, and distinction between different groups of customers. It is obvious that the use of appropriate model gives the bank the opportunity that fits your valuable suggestions along with demands for targeted sectors and provides design and thus improves bank performance from different perspectives. The aim of this study is using and appropriate model for clustering customers based on indexes including novelty, number of transaction and financial factors. In this paper, for clustering data, the genetic algorithm combining with fuzzy Cmeans is used to overcome problems such as being sensitive to the initial value and getting trapped in the local optimum. The simple random sling method is used to obtain the sle. The findings show that the first cluster of customers due to its high performance in quot noveltyquot , quot number of transactionquot and quot financial factorsquot index are loyal customers and the second cluster of customers because of low performance in quot noveltyquot index, mean performance in quot number of transactionquot index and high performance in quot financial factorsquot are among those customers who are turning away from bank.