لزوم بکارگیری ابزار های هوشمند در شناسایی رفتار مشتریان بانکی

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 531

فایل این مقاله در 11 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:

ICMSCONF01_168

تاریخ نمایه سازی: 26 شهریور 1395

چکیده مقاله:

امروزه تحولات زیاد در صنعت بانکداری باعث شکل گیری رقابت شدیدی در این حوزه شده است و از آنجا که پیشرفت فعالیت های جهانی در حوزه های مجازی و الکترونیکی نیاز به استفاده از این فن آوری در حوزه بانکی و شناسایی و ترغیب مشتریان فعال در این حوزه را امری ضروری نموده است، لازم است بانکها درک بهتری از مشتریان خود داشته باشند. شناخت مشتریان، ایجاد تمایز بین گروه های مختلف مشتریان و رتبه بندی آنها یکی از مسایل مهم در بانک ها و سازمان های مشتری محور است . برای رسیدن به درکی صحیح از مشتریان، سازمان ها نیازمند استهاده از مقیاسی هستند که از طریق آن بتران میزان اهمیت مشتریان مختلف را سنجش نمرد. برای تحقق این منظور طراحی مدلی جهت طبقه بندی مشتریان اجتناب ناپذیر است چرا که بانک ها همواره نگران جذب و نگهداشت بازار سرمایه مشتریان خود هستند. در حال حاضر شناسایی و طبقه بندی مشتریان با استفاده از سیستم های هوشمند بمنظور بهینه سازی و پیش بینی بعنوان یکی از ابزار های پیشرفته در این حوزه کاربرد فراوان دارد. در این مقاله سعی شده است ضمن بیان اهمیت طراحی مدل جهت طبقه بندی مشتریان به بیان مزایای بکار گیری هوش مصنوعی در این عرصه پرداخته و شبکه عصبی را بعنوان موثرترین روش جهت طراحی مدل معرفی نماییم.

نویسندگان

زهرا مهدیان فر

دانشجوی دکتری مدیریت فناوری اطلاعات دانشگاه آزاد واحد تهران مرکزکارشناس بانک قرض الحسنه مهر 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 :
  • اسلامی علیشاه، حسن .مهارت های بازاریابی در شعب بانک ها، ...
  • امیری، فهیمه" .بررسی رفتار مشتریان در استفاده از ابزارهای بانکداری ...
  • رضوانی، ح .نامدارعلی آبادی، ع و دیگران، انتخاب ویژگی برای ...
  • Zongyuan, Zhao., , Shuxiang, Xu. Byeong Ho Kang. Mir Md ...
  • Adnan Khashman.(20 10) Neural networks for credit risk evaluation: Investigation ...
  • Soner Akkos;(2012). An empirical comparison of conventional techniques, neural networks ...
  • Petr Hajek, Krzysztof Michalak(201 3). Featture selection in corporate credit ...
  • Hussein, A. John, P. Ahmed, E (2008). Neural nets versus ...
  • Namvar, M., Gholamian , M. R. (2010). A Two Phase ...
  • Da M., Hai-guang H., Jian-he G., (2010), The Naive Bayesian ...
  • I1. Oreski, S., Oreski, D., Oreski. G., (2012). Hybrid system ...
  • Qiu-Hua, T., Bao-Hua, L., Yong-Qi, C., Xing-Hua, Z. i-Sheng, D., ...
  • Malhotra, R. and Malhotra, D. K., Evaluating Consumer loans using ...
  • Grablowsky, B. J. and Talley, W.J., Probit and Discriminant Functions ...
  • Li Ping , Z., Qi Liang, S. 2010 .Data Mining ...
  • Namvar, M., Gholamian , M. R. 2010. A Two Plase ...
  • نمایش کامل مراجع