بخشی از مقاله
-1 مقدمه
کلید واژه- پیشبینی رویگردانی، درخت تصمیم، ماشین بردار پشتیبان، دادهکاوی، بانکداری
بانکداری مشخص کردن احتمال رویگردانی مشتریان در سال های های اخیر اهمیت زیادی پیدا کرده است. در حوزه بانکداری، مشتری امروزه کسب وکار در حال تکامل از محیط محصول محور به رویگردان را به عنوان کسی که همه حسابهای خود را ببندد و مشتری محور است. درک عمیق از رفتار مشتری عامل مهم و انجام کسب و کار خود را با بانک متوقف کند تعریف میکنیم. حساس موفقیت برای ایجاد روابط سودآور طولانی مدت با و دلایل زیادی وجودفازیدارد که مشتری حسابهای خود را ببندد.[3]
مشتریان خاص در بازار رقابتی جهانی است.[1] حفظ م شتری به هوشمند کسب مشتریان جدید پرهزینه است شرکتهایی که بخش عمده یک مساله مهم برای کسب وکارها در سالهای اخیر تبدیل شده از درآمد خود را از م شتریان پایه فعلی به د ست میآورند ب سیاراست. اهمیت مدیریت رویگردانی مشتری در بسیاری از مطالعات سودآورتر از شرکت هایی هستند که به شدت بر ک سب وکار با برجسته شده است. به عنوان مثال %1 افزایش در نرخ حفظ به متفاوت نیست: به عنوان مثال ارزش کلامی منبعایرانمهمی برای اخیر به عنوان ایجاد زیرسیستم مدیریت ارتباط با مشتری مشتریان جدید تکیه میکنند. صنعت بانکداری در این مقوله طور میانگین %5 ارزش شرکت را افزایش خواهد داد.[2] حفظ کسب مشتریان جدید ا ست. به هر حال تعداد کمی از بانک ها به مشتری اولین روش موثر در رشد و توسعه بانکها است. ابزار صورت سیستمی رضایت و وفاداری مشتریان پایه خود را ردیابی مدیریت ارتباط با مشتری در زمینه کسب و حفظ مشتری و میکنند.
ارزیابی ارزش خدمات، رضایت مشتری و وفاداری پشتیبانی از کارهای تحلیلی مهم مانند مدل سازی پیشگویانه و مشتری به و سیله چند متغیر جمعیت شناختی تحت تاثیر قراردستهبندی توسعه بکارگرفته می شوند. مقوله رویگردانی مشتری گرفته است. با توجه به تاثیر جمعیت شناختی مصرفکننده، یکی در صنعت بانکداری برای مشخص کردن تغییر مشتری از یک از مطالعات برای اولین بار توسط زیتهامل انجام شد و اثر قابل بانک به بانک دیگر مورد استفاده قرار میگیرد. در صنعت توجهی از جنسیت، سن و درآمد پیدا کرد. از آن زمان تاثیرات شده است.
به گونهای که پیشبینی رفتار رویگردانی مشتری، بخش مهمی از مدیریت ارتباط با مشتری، محسوب میشود. بانکها منابع دادهای مشتریان را به شکل تراکنش ها و عملیات روزانه دارند. این دادهها اطلاعات ارزشمندی را درباره رفتار آینده مشتریان در آینده نزدیک فراهم میکنند و در دستهبندی مشتریان کمک میکنند. با استفاده از تکنیکهای دادهکاوی دادههای مشتریان برای پیشبینی آینده سازماندهی پنجمینواستخراجمیشوند و در مورد حفظ مشتریان و مدیریت منابع تصمیمگیری میشود.
پژوهش حاضر به پیشبینی رویگردانی مشتریان بانک کشاورزی و عوامل مرتبط با آن بر اساس اطلاعات دموگرافی و تراکنشی با استفاده از روش ترکیبی ماشین بردار پشتیبان و درخت تصمیم C5.0 - کنگره - میپردازد. در مرحله اول از این مدل الگوریتم ماشین بردار پشتیبان، به منظور انتخاب ویژگی و دستهبندی مناسب پارامترهای الگوریتم درخت تصمیم به صورت همزمان استفاده میشود و در ادامه از الگوریتم درخت تصمیم - - C5.0، جهت ردهبندی و پیشبینی عملکرد مدل استفاده میگردد. و در نهایت نتایج حاصل از مدلسازی با مدل شبکه عصبی و رگرسیون موردمقایسه قرار میگیرد و نتایج نشان میدهد بکارگیری مدل ترکیبی در پیشبینی رویگردانی مشتری دارای دقت خوبی بوده است.
متغیرهای جمعیت شناختی از علاقمندیهای مطالعات مختلف بوده است.[4] نقطه اشتراک همه مدلهای پیشبینی رویگردانی مشتری افزایش بهبود دقت پیشبینی رویگردانی مشتریان است. فهم این نکته که مشتریان چه موقع و با چه احتمالی ارائه دهنده خدمات را ترک خواهند کرد برای بانکها و ارائه دهندگان خدمات در دنیای رقابتی امروز از اهمیت بالایی برخوردار است. بنابراین ایجاد مدل
پیشبینی رویگردانی مشتری با سطح دقت بهینه به یک مساله مهم برای بانکها پنجمینتبدیلشدهاست. بیشتر مطالعات در مورد پیشبینی رویگردانی مشتری به پیشبینی رویگردانی بر اساس سوابق رفتارهای مشتری مربوط میشود. در بین مدلسازیهای پیشبینی رویگردانی مشتری مدلی میتواند کارا باشد که بهترین میزان دقت، نرخ پوشش، نرخ Hit و ضریب Lift بالاتری نسبت به است.[5]
مشترک
بقیه مدلها داشته باشد بنابراینکنگرهاندازهگیری موثری برای پیشبینی رویگردانی مشتری فراهم میکند. برای پیشبینی رویگردانی مشتری استفاده از الگوریتمها و مدلسازیها ضروری درخت های تصمیمگیری جزء محبوبترین مدلهای پیشبینی هستند. درخت تصمیمگیری یک گراف مانند درخت به نمایندگی از روابط بین مجموعهای از متغیرها میباشد. مدلهای درخت تصمیم برای حل مسائل دستهبندی و پیشبینی که در آن نمونهها به یکی از دو کلاس دستهبندی شدهاند، به طور معمول مثبت و منفی یا رویگردان و غیررویگردان در مورد دستهبندی رویگردان استفاده میشود.[6]
با توجه به عملکرد خوب و دقت بالای مدل پیشبینی ماشین بردار پشتیبان در محدوده وسیعی از صنایع همچون سیستم ارزیابی اعطای وام به مشتری[7]، بیوانفورماتیک[8]، تخمین ارزش محصول[9] و ... مشاهده میشود که در حوزه بانکی و پیشبینی رویگردانی مشتریان مطالعات کمتری صورت گرفته شده است. در هنگام تلاش برای کشف الگوها و مدلهای طبقهبندی، یادگیری ماشین میتواند یک ابزار قوی به شمار رود. بیشترین استفاده از تکنیکهای دادهکاوی، طبقهبندی مسائل و مثالهای جدید درون کلاسهای خاص است. این تکنیک به صورت موفق برای مشکلاتی که برای طبقهبندی الگوهای مختلف وجود دارد، به کار گرفته میشود.[10]
پژوهش حاضر در تلاش است تا به بررسی رویگردانی مشتریان بانک کشاورزی و عوامل مرتبط با آن بر اساس اطلاعات دموگرافی و تراکنشی با استفاده از روش ترکیبی ماشین بردار پشتیبان و درخت تصمیم - - C5.0 بپردازد. تا در نهایت بتوان از نتایج حاصل از این پژوهش به ارائه راهکارهای موثری برای افزایش نرخ حفظ مشتریان و کاهش مشتریان رویگردان از خدمات بانکی دست یافت. در این پژوهش با استفاده از الگوریتم ماشین بردار پشتیبان، انتخاب ویژگی و دستهبندی مناسب پارامترهای مدل به صورت همزمان تعیین شده و در ادامه از مدل درخت تصمیم - - C5.0، جهت ردهبندی و پیشبینی عملکرد مدل استفاده میگردد. و در نهایت نتایج حاصل از مدلسازی با مدل شبکه عصبی و رگرسیون مقایسه میشود.
-2 سوابق تحقیقات و مطالعات انجام گرفته
-1-2 سوابق تحقیقات در داخل کشور
در داخل کشور بیشتر تحقیقات انجام شده برای پیشبینی رویگردانی مشتری مربوط به حوزههای غیر از بانکداری مانند بیمه، مخابرات و غیره است و در حوزه بانکداری مطالعات کمتری انجام شده است. کرامتی و همکاران هزینههای تغییر، رضایت مشتری، سیستمنارضایتی مشتری، وضعیت مشتری به عنوان عوامل موثر بر رویگردانی مشتری بر اساس مدل Hanvali را مورد ارزیابی قرار دادند. آنها نشان دادند که نارضایتی مشتری، بهرهبرداری خدمات و ویژگیهایهایجمعیت شناختی مشتریان بیشترین تاثیر را بر رویگردانی مشتری یا حفظ مشتری دارند. علاوه بر این، وضعیت مشتری به طور غیرمستقیمفازی رویگردانی مشتری را تحت تاثیر قرار میدهد.[11] سپهری و همکاران سطوح رضایتمندی و مولفه های و تاثیرگذار بر رویگردانی مشتریان حسابهای جاری بانک کشاورزی را مورد بررسی قرار دادند.
آنها هوشمندبااستفادهاز ترکیب روشهای پیمایشی پرسشنامه و دادهکاوی برای دستیابی به اهداف خود بهره بردند. مشتریان را با استفاده از اطلاعات دموگرافیک به گروههای مختلف خوشهبندی کردند و برچسب رویگردانیایرانرابرای هر مشتری مشخص کردند و متغیر هدف را با استفاده از روشهایی دستهبندی دادهکاوی پیشبینی کردند. نتایج حاصل برای هر گروه به این صورت است : برای مشتریان بازاری درگیرتر کردن آنها با ارتباطات فعلی بانک و ارائه انواع خدمات، عامل مهم برای جلوگیری از رویگردانی آنهاست و برای گروه مشتریان تحصیلکرده طرز پاسخگویی کارکنان تاثیرگذارترین عامل در بروز رویگردانی میباشد.[26] افشار کاظمی و همکاران به بررسی رفتار مشتریان صنعت بانکداری برای مقایسه روشهایی دادهکاوی پرداختند. ایشان در این تحقیق برای شناسایی وفاداری مشتریان، الگوریتم K-means را بر روی دادههای مشتریان بانک اعمال کرده و خوشهبندی را انجام دادند. رفتار مشتریان توسط مدلهای شبکه مصنوعی برابر %78,1 و برای درخت تصمیم برابر %62,0 و برای عصبی و C5.0 ارزیابی شد. نتایج نشان داد که مدل C5.0 برای ماشین بردار پشتیبان برابر %87,2 است.[17] رفتار مشتریان مناسب است.[12]
-2-2 سوابق تحقیقات در خارج از کشور
کاور و همکاران رفتار رویگردانی مشتریان بانک هندی را با استفاده از روشهای دادهکاوی مورد بررسی قرار دادند. دادههای مورد استفاده در تحقیق شامل دادههای جمعیتشناختی مانند سن، جنسیت و سطح سوادپنجمینودادههای تراکنشی مانند تراکنشهای شعبهای، تراکنشهای ATM، دریافت نقدی و تراکنش های اینترنتی بود. نتیجه این تحقیق نشانگر این بود که نرخ موفقیت پیشبینی کلاس رویگردانی بیش از نرخ موفقیت پیشبینی کلاس وفاداری است.[13]
بوز و چن از مدلهای کنگره ترکیبی با استفاده ازخوشهبندی بدون ناظر برای پیشبینی رویگردانی مشتریان پرداختند. ترکیبات مختلف الگوریتمها بر رویمشترکمجموعهدادهها اعمال شد. نتایج بررسی نشان داده که مدل ترکیبی متشکل از SOM و درخت C5.0 بهترین مدل برای مجموعه دادهها است.[14] پوپوویچ و همکاران رفتار رویگردانی مشتریان بانک را با استفاده از الگوریتم Fuzzy C-Means انجام دادند. آنها تعداد 5000 مشتری را در بازه سنی 18 تا 80 سال بصورت نمونه گیری تصادفی انتخاب کردند که 2500 مشتری رویگردان و 2500 غیررویگردان بودند. الگوریتمهای FCM و DOKI را بر روی مجموعه داده اعمال کردند. نتایج نشان داد که الگوریتم FCM با دقت بهتری رفتار رویگردان را پیشبینی کرده است و همچنین داده های دور افتاده را بهتر شناسایی کرده است.[15] در تحقیقی که برای پیشبینی رویگردانی مشتری با استفاده از روش داده کاوی ماشین بردار پشتیبان صورت گرفته نتایج زیر به دست آمده است.
میزان دقت پیشبینی با استفاده از مدل ماشین بردار پشتیبان برابر 0,90 است. همان مجموعه داده را با استفاده از مدلهای دیگر بررسی کردهاند و نتایج زیر به دست آمده، برای شبکه عصبی مصنوعی برابر 0,89 و برای درخت تصمیم برابر 0,83 و برای رگرسیون محاسباتی برابر 0,87 و برای طبقهبندی کننده بیزی ساده برابر 0,87 است.[16] در تحقیق دیگری که برای پیشبینی رویگردانی مشتری در صنعت بانکداری با استفاده از روش دادهکاوی جنگلهای تصادفی متوازن بهبودیافته انجام شده نتایج زیر به دست آمده است. میزان دقت پیشبینی با استفاده از مدل جنگلهای تصادفی متوازن بهبودیافته برابر %93,2 است. و بر اساس مدلسازیهای دیگر به شرح زیر است : برای شبکه عصبی
-3 مدل مفهومی پژوهش
این پژوهش، رویکرد ساز نده را برای ای جاد مدل و روش عمل یاتی پیشبینی رویگردانی مشتر یان دن بال میک ند. روش تحقیق، توسعه و اجرای مدل با استفاده از رویکردهای ریاضی، آماری و فراابتکاری به منظور تحلیل داده است. در این پژوهش یک مدل ترکیبی درخت ت صمیم و ما شین بردار پ شتیبان جهت پیشبینی رویگردانی مشتریان از خدمات بانکی ارائه میگردد. به منظور مدلسازی رویگردانی مشتری از خدمات بانکی در ابتدا دادههای مربوط به مشتریان شامل دادههای جمعیتشناسی - سن، جنسیت، وضعیت تاهل - ، دادههای تراکنشی و اطلاعات مربوط به حسابهای مشتریان - شماره حساب، تاریخ افتتاح حساب، نوع حساب - از بانک اطلاعاتی جمعاوری شده و سپس به منظور آماده سازی داده های مشتریان و حذف داده های زائد - کمبود یا نقص اطلا عات - عمل یات پیشپردازش روی داده های جمعآوری شده صورت میگیرد و در نتیجه ی آماده سازی داده ها متغیرهای ا صلی مسئله شناسایی می شود و سپس مدل ترکیبی درخت تصمیم و ماشین بردار پشتیبان پیاده سازی میگردد. این سیستم مدل در شکل 1 نشان داده شده است. با توجه به مدل پیشنهادی ارائه شده مشخص می شود که بخش پیشپردازش دادهها مطابق
های با فازهای درک کسب وکار، درک داده و آمادهسازی داده های متدولوژی کریسپ و بخش مدل ترکیبی ماشین بردار پشتیبان و فازی و درخت تصمیم مطابق با فازهای مدلسازی، ارزیابی و توسعه متدولوژی کریسپ است. هوشمند ایران
