داده کاوی اطلاعات بانکی با استفاده از روش RFM و MapReduce در چهارچوب Hadoop

با توجه به افزایش روزافزون حجم اطلاعات در فضای مجازی به خصوص در حوزه بانکداری و تراکنشهای الکترونیکی یکی از چالشهای مهم داده کاوی پردازش روی چنین مجموعه داده های بسیار بزرگ است امروزه وفاداری مشتریان برای بانکها بسیار حایز اهمیت بوده و شناسایی و نگهداری مشتریان با ارزش همواره یکی از اهداف مهم بانکها می باشد. در این تحقیق میزان وفاداری پذیرندگان پایانه های فروشگاهی یکی از بانکها های ایرانی مورد بررسی قرار گرفته است، که با استفاده از روش RFM و ترکیب آن با الگوریتم های خوشه بندی KMeans تحت چهارچوب هادوپ، مشتریان بانک از نظر میزان وفاداری بخش بندی شده اند. Hadoop برای ذخیره سازی و پردازش اطلاعات حجیمی طراحی شده است که امکان ذخیره سازی و پردازش اطلاعات در چندین سرور با هزینه ای پایینرا فراهم می آورد همچنین به دلیل داشتن انعطاف پذیری در پذیرش بالای داده توسط دو ویژگی مهم یعنی معماری موازی و روش نگاشت کاهش MapReduce از آن استفاده می شود، در این مقاله پس از تبدیل تراکنش های مشتراین به مدل RFM، به پیاده سازی خوشه بندی در بستر هادوپ و تشریح روشهای معماری موازی، نگاشت کاهش و بررسی قابلیتهای مطرح در این حوزه می پردازیم.

کلیدواژه ها:

کلان داده ، داده کاوی ، هادوپ Hadoop نگاشت کاهش MapReduce بانکداری ، خوشه بندی RFM Kmeans