بخش بندی و شناسایی مشتریان خدمات بانکداری الکترونیکی برمبنای تکنیک های داده کاوی و مدل تحلیل RFM )مطالعه موردی: موسسه اعتباری توسعه

سال انتشار: 1391
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 3,490

فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

LNCSE02_046

تاریخ نمایه سازی: 6 اسفند 1391

چکیده مقاله:

شناسایی و تحلیل رفتار مشتریان بانکی یکی از فعالیت های بازاریابی در یانکداری الکترونیکی است. تکنیک های داده کاوی می توانند در حجم زیاد داده های مشتریان، به کسب دانش نهان برای پشتیبانی از تصمیمات بازاریابیکمک کنند. مسئله اصلی، چگونگی به کارگیری تکنیک های داده کاوی و بازاریابی در بخش بندی و تحلیل رفتار مشتریان و انتخاب گروه های ارزشمند برای اتخاذ استراتژی های بازاریابی هدف می باشد. مدل پیشنهادی مقاله بر مبنای متدولوژی استاندارد CRISP می باشد سپس با استفاده از تکنیک های داده کاوی و مدل تحلیل RFM به بخش بندی، شناسایی و تحلیل رفتار مشتریان بانکداری الکترونیکی و تعیین میزان ارزش هر یک از آن ها پرداخته می شود. همچنین با استفاده از الگوریتم قوانین وابستگی به یافتن ارتباط بین ویژگی های مشتریان خدمات بانکداری الکترونیکی پرداخته می شود. نتایج نشان می دهد که به کارگیری تکنیک های خوشه بندی و مدل تحلیل RFM می تواند مشتریان با ارزش بالا را شناسایی نموده و با استفاده از رتبه بندی هر یک از گروه ها، به تخصیص برنامه های استراتژی بازاریابی هدف، متناسب با ارزش هر گروه از مشتریان بپردازند.

نویسندگان

سیده فاطمه زین العابدینی

کارشناس ارشد مهندسی فناوری اطلاعات، گیلان، ایران

محمدخان بابایی

باشگاه پژوهشگران جوان، دانشگاه آزاد اسلامی واحد علوم و تحقیقات، تهر

مهرگان مهدوی

استادیار دانشکده فنی مهندسی کامپیوتر، دانشگاه گیلان، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • -رضوانی، ح. نامدارعلی آبادی، ع و دیگران.، انتخاب ویژگی برای ...
  • - کاتلر، ف . آرمسترانگ، گ.، ترجمه مهدی زارع، اصول ...
  • استفاده از مدل "وزن دهی تازگی، فراوانی، ارزش مالی"(WRFM) برای بخش بندی مشتریان بانکها بر اساس ارزش چرخه عمر آنها [مقاله کنفرانسی]
  • - بابائی کیایی، م. شهرابی، ج و دیگران.، بکارگیری تکنیک ...
  • - Namvar, M., Gholamian , M. R. 2010. A Two ...
  • -Henry, C., Chu, C. 2008 .Intelligent value-based customer segmentation method ...
  • - Deryav, B. 2010. Data Mining Using Rfm Analysis, Kn ...
  • -Khajvand, M., Zolfaghar, K. , Ashoori, S .2011. Estimating customer ...
  • - Li, W. , Wu, X. 2010 .Credit Card Customer ...
  • Conference on Computational Intelligence and Security (IEEE2010). ...
  • -Imran Moin, K., baser ahmed, Q _ 2012 .use of ...
  • Khajvand, M., Tarokh, M. J. 2011 .Analyzing Customer Segmentation Based ...
  • -Bizhani, M., Tarokh, M.J _ 20 10.Behavioral Segmentation of Bank's ...
  • - Li Ping , Z., Qi Liang, S. 2010 .Data ...
  • -Birant, D. 2010 .Data Mining Using Rfm Analysis, Kn O ...
  • -Ro uholamini, M. , Venkatesh, S. 2011. A STUDY OF ...
  • -Dan, Z. 2008. Integrating RFM model and Cluster for Students ...
  • -Liu, D.R. , Shih, Y.Y. 2005. Integrating AHP and data ...
  • - Da, M., Hai-guang, H. 2010. The Naive Bayesian Approach ...
  • - CHUANG, H.M., SHEN, C. 208. A STUDY ON THE ...
  • -Kannan , S., Pappathi , K _ 2012. Business Intelligence: ...
  • نمایش کامل مراجع