ارائه یک روش هوشمند برای بخش‌بندی مشتریان بانکی با استفاده از تکنیک‌های داده‌کاوی

در کسب‌و‌کارهای جدید، مدیران با درک ضرورت به‌کارگیری مدیریت ارتباط با مشتری، همواره به‌دنبال راهی برای شناسایی هرچه بهتر مشتریان و درک نیازهای آن‌ها هستند. روش‌های مبتنی بر داده‌کاوی مانند خوشه‌بندی و پیش‌بینی، این امکان را برای آن‌ها فراهم کرده و در این راستا اخیراً برای تحلیل رفتار مشتریان از این الگوریتم‌ها استفاده شده ‌است. در پژوهش حاضر، با ارائه یک روش هوشمند برای بخش‌بندی سری‌های زمانی، روشی جدید برای تحلیل رفتار مشتریان ارائه شده ‌است. برای خوشه‌بندی مشتریان، ابتدا سری زمانی رفتار مشتریان بدست آمده و سپس عملیات پیش‌پردازش بر روی داده‌ها انجام می‌شود، پس از این مرحله، برای هر مشتری13 ویژگی منعکس‌کننده خصوصیات هر سری استخراج شده و این ویژگی‌ها با استفاده از روش امتیازدهی لاپلاس رتبه‌بندی شده و ویژگی‌های موثر برای فرآیند خوشه‌بندی انتخاب و خوشه‌بندی مشتریان بر اساس آن‌ها انجام می‌شود. در این گام چهار ویژگی واریانس تمام نقاط سری زمانی (variance)، آنتروپی (entropy)، تغییر واریانس در باقیمانده (lumpiness) و مقادیر غیرمنتظره سری (spikiness)، بالاترین امتیاز را در میان ویژگی‌ها داشتند. خوشه‌بندی مشتریان با استفاده از الگوریتم‌های k-medoids، k-means، fcm و som انجام شده و بهترین مدل خوشه‌بندی انتخاب می‌شود. نتایج نشان می‌دهد که از میان روش‌های مختلف خوشه‌بندی، الگوریتم k-medoids عملکرد بهتری نسبت به دیگر الگوریتم‌ها داشته و مشتریان را به 4 خوشه با شاخص شیلهوت 0.6378 افراز کرده ‌است.

An intelligent Approach for Bank Customers Segmentation using Data mining Techniques

Managers in the new businesses are aware of the importance of customer relationship management and so try to find a way to gain insights into customers and their needs. Recently Data mining methods such as clustering and prediction models are used to analyze customer behavior. In this research, we proposed a new intelligent method for customer behavior analysis using time series clustering. For clustering customers, first, the time series of customers' behavior is obtained and then preprocessing operations are performed on the data, after this step, for each customer, 13 features reflecting the characteristics of each series are extracted. These features are ranked using the Laplacian score method. Accordingly, four informative features including, the variance of all points of time series, entropy, spikiness, and lumpiness are selected for clustering. Customer clustering is performed using K-medoids, K-means, FCM, and SOM algorithms, and the best clustering model is selected. The results show that among various clustering methods, the K-medoids algorithm has better performance than other algorithms. It divided customers into 4 clusters with a Silhouette metric of 0.6378.