بخش‏بندی مشتریان در صنعت بانکداری با استفاده از مدل توسعه‌یافته RFMC

پس از ورود جدی بانک‏های خصوصی و موسسات مالی و اعتباری به عرصه بانکداری، رقابت بین موسسات و بانک‏ها به منظور شناسایی، جذب و حفظ مشتریان از اهمیت بالایی برخودار شده است. تحلیل رفتار مشتریان در سازمان های فعال در این حوزه که با تعداد کثیری از مشتریان در نقاط پراکنده با ویژگی‏های متفاوت سر و کار دارند، باعث موفقیت آنها در بازار رقابتی و مدیریت ارتباط موثر با مشتریان می‌شود. بخش‌بندی مشتریان، از رویکردهای داده‌کاوی که منجر به کشف گروه‌های مشابه از مشتریان می‌شود، اغلب بر اساس مدل تاخر خرید، بسامد خرید، و ارزش مالی آن (rfm) انجام می‌گردد. در این مقاله، الگوی جدید بخش بندی مشتریان بر پایه مدل توسعه یافته rfm به وسیله افزودن متغیر توالی روزهای انجام تراکنش(c) ارایه شده است. مشتریان بانک بر اساس مدل rfm و مدل پیشنهادی این پژوهش (rfmc) و با استفاده از الگوریتم خوشه‏بندی دو مرحله‏ای و بکارگیری گام‏های متدلوژی grisp-dm بخش‌بندی شده‌اند. این پژوهش نشان می‌دهد، دقت مدل rfmc نسبت به مدل rfm در بخش‌بندی مشتریان این صنعت به مقدار 5.5% بیشتر است. پس از انجام فرایند خوشه‏بندی با استفاده از مدل پیشنهادی، مشتریان یکی از بانک‌های خصوصی کشور به 5 خوشه تقسیم شده‏اند. ضمن تحلیل رفتار مشتریان هر خوشه، مدلی مبتنی بر شبکه‏ عصبی پیش‏خوراند برای پیش‏بینی شماره خوشه مشتریان بر مبنای ویژگی‏های رفتاری و جمعیت‏شناختی آنها توسعه داده شده است.