استخراج ویژگی های مناسب جهت تحلیل رفتار و پیش بینی دلایل ریزش مشتریان بانک ها

بررسی وفاداری مشتریان، همواره از دغدغه ها و چالش های بانک های داخلی به شمار می رود چراکه چرخه حیات آن ها به وفاداری مشتریان بستگی دارد. پژوهش های متفاوتی در زمینه بررسی وفاداری مشتریان بانک ها و موسسات مالی و تجاری انجام شده است. در این پژوهش نیز روش داده کاوی و پنج الگوریتم ماشین بردار پشتیبان، نایوبیز، mlp، درخت تصمیم و رگرسیون لجستیک در تشخیص وفاداری مشتریان بانک داخلی مورد ارزیابی قرار گرفت. همچنین از سه معیار دقت، صحت و فراخوانی برای مقایسه نتایج به دست آمده استفاده گردید. داده های مورد استفاده در این پژوهش از یک بانک داخلی جمع آوری شد که شامل 15 معیار برای ارزیابی وفاداری مشتریان به این سازمان بود. نتایج نشان داد که در بین پنج الگوریتم ارائه شده، بهترین عملکرد مربوط به درخت تصمیم و بدترین عملکرد نیز مربوط به الگوریتم رگرسیون لجستیک است. درنهایت برای بهبود عملکرد از تلفیق شبکه عصبی با الگوریتم بهینهسازی معلم دانش آموز استفاده شد تا بتوان از نتایج بهتری برای تشخیص مشتریان وفادار استفاده نمود.

extracting appropriate features for behavior analysis and predicting customer attrition in banks

customer loyalty has always been one of the main concerns and challenges for domestic banks، as their lifecycle depends on customer loyalty. various studies have been conducted on customer loyalty in banks and financial and commercial institutions. this research evaluated the use of data mining and five machine learning algorithms—support vector machine، naive bayes، mlp، decision tree، and logistic regression—for detecting customer loyalty in a domestic bank. three performance metrics—accuracy، precision، and recall—were used to compare the results. the data used in this research were collected from a domestic bank and consisted of 15 criteria for evaluating customer loyalty to the organization. the results showed that، among the five algorithms، the best performance was achieved by the decision tree، while the logistic regression algorithm showed the worst performance. finally، to improve the results، a combination of a neural network and the teacher-student optimization algorithm was used to achieve better detection of loyal customers.