طراحی مدل هوشمند بخش‌بندی مشتریان حقوقی در موسسات مالی و بانکی با بهره‌گیری از معماری‌های چندلایۀ شبکه‌های عصبی توزیعی مبتنی بر پردازش هوشمند داده‌های کلان

این تحقیق به ارائه رویکردی مبتنی بر ارزش طول عمر مشتری (clv) و شبکه‌های عصبی مصنوعی (ann) برای دسته‌بندی مشتریان حقوقی بانک می‌پردازد. clv در بانک به این معناست که هر مشتری برای بانک چقدر ارزش مالی ایجاد می‌کند. تحقیق از نوع کاربردی و شبه‌تجربی و جامعه آماری شامل 127.672 شناسه حقوقی در سامانه مشتریان حقوقی بانک تجارت است. داده‌ها از طریق فیش‌برداری از پرونده‌های مشتریان در یک دوره شش ماهه جمع‌آوری می‌شوند. نمونه‌گیری به صورت تمام‌شماری است. از الگوریتم‌های کا-میانگین و شبکه‌های عصبی مصنوعی برای خوشه‌بندی مشتریان استفاده می‌شود. شبیه‌سازی‌ها نشان داد که الگوریتم شبکه‌های عصبی مصنوعی نتایج دقیق‌تری را نسبت به الگوریتم کا-میانگین ارائه می‌دهند. این رویکرد می‌تواند به طور موثری مشتریان را به سه خوشه دسته‌بندی کند. خوشه‌ها بر اساس نظرات خبرگان بانکی بررسی شدند؛ تا تحلیل عمیق‌تری انجام شود. با توجه به اطلاعات مشتریان حقوقی بانک تجارت، این دسته‌ها از نظر clv مورد بررسی قرار گرفتند. استراتژی‌های بازاریابی و فروش متناسب با هر خوشه مشتری تدوین شد. رویکرد پیشنهادی در این تحقیق می‌تواند به بانک‌ها در بهبود فرآیند دسته‌بندی مشتریان خود و در نهایت افزایش سودآوری و حفظ مشتریان کمک کند.

designing an intelligent model for segmenting corporate customers in financial and banking institutions using multi-layer distributed neural network architectures based on big data intelligent processing

this research presents an approach based on customer lifetime value (clv) and artificial neural networks (ann) to classify bank corporate customers. clv in banking means how much financial value each customer creates for the bank. the research is of an applied and quasi-experimental type and the statistical population includes 127,672 corporate ids in the tejarat bank corporate customer system. data are collected by scanning customer files over a six-month period. sampling is by enumeration. k-means algorithms and artificial neural networks are used to cluster customers. simulations showed that the artificial neural network algorithm provides more accurate results than the k-means algorithm. this approach can effectively classify customers into three clusters. the clusters were reviewed based on the opinions of banking experts; in order to conduct a deeper analysis. based on the data of tejarat bank’s corporate customers, these categories were analyzed in terms of clv. marketing and sales strategies were developed for each customer cluster. the approach proposed in this research can help banks improve their customer segmentation process and ultimately increase profitability and customer retention.