پیش بینی رویگردانی مشتریان بانک با استفاده از روش داده کاوی

شدت رقابت درفضای صنعتی ، باعث شده است که تمایل بنگاه‌های اقتصادی به جذب مشتریان بیشتر کم و، تمایل به فعالیت در زمینه‌های خدماتی و تولیدی افزایش یافته است. به همین منظور، توسعه روش هایی به منظور شناسایی مشتریان رویگردان و پیش بینی رویگردانی، از مهمترین فعالیت های حوزه فروش به حساب خواهد آمد. در صورتی که بانک فرصت کافی برای پیش بینی رویگردانی مشتریان داشته باشد؛ می تواند به اصلاح ساختارها و خدمات خود به منظور جلوگیری از ریزش تعداد بیشتری از مشتریان بپردازد. تحقیق حاضر، به منظور توسعه چنین مدلی برای بانک شهر صورت گرفته است. به همین منظور، از یک الگوریتم دو مرحله ای خوشه بندی، دسته بندی داده کاوی استفاده شده. به منظور خوشه بندی مشتریان، از نقشه های خودسازمان ده شبکه عصبی که یک روش یادگیری نظارت نشده است؛ استفاده و برای دسته بندی از ماشین بردار پشتیبان و درخت تصمیم استفاده شده است. روش استفاده از این ابزارها به این صورت است که ابتدا از دو مشخصه میانگین موجودی و میانگین تراکنش مشتریان در دوره سه ماهه پایانی استفاده شده و به عنوان ورودی شبکه عصبی در خوشه بندی مورد استفاده قرار گرفته است. پس از آن، در مرحله کلاس بندی، از داده های مربوط به تراکنش های نقدی و اعتباری به منظور کلاس بندی و پیش بینی استفاده شده است. نتایج به دست آمده حاکی از آن است که مدل پیشنهادی بیش از 80% توانایی پیش بینی رویگردانی مشتری را داشته و ماشین بردار پشتیبان عملکرد بهتری از درخت تصمیم نشان داده است.

Using Data Mining to Predict Bank Customers Churn

The intensity of finding competition in the industrial and economic space and the market move towards a complete competition market has made the inclination of firms to attract more customers and, instead, have increased the tendency to operate in various service and manufacturing areas. This policy, which is known for increasing the share of wallet, makes it more important to maintain customer relationships and analyze their relationships, and it is necessary to conduct customer behavioral analysis, customer relationship analysis, and customer behavior forecasting. The present research seeks to identify customers who are turning away and anticipates the decline of customers in order to prevent customers from falling. In this regard, the variables associated with the reversal analysis are first identified and then the bank customers are clustered using a neural network and classified into three categories of loyal, regular, and negative clients. With the receipt of the above labels, a backup vector machine has been used to classify and reverse prediction. Based on the results, the proposed method has the ability to predict rotational deviation of up to 80% and, moreover, has a better performance than the classical decision tree.