سیدمحمد سلطانی زنوزی - کارشناسی ارشد،دانشکده مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه آزاد اسلامی واحد تهران جنوب،ایران

نظام بانکداری الکترونیکی می بایست بمنظور افزایش سهم خود در بازار رقابتی و بکارگیری بهینه ی منابع بانکی در ارائهی خدمات متناسب بانیاز مشتریان به بخشبندی مشتریان خود بپردازند. از اینرو لازم است تا رفتار مشتریان بانکی شناسایی و تحلیل شود. یکی از رویکردهاینوین جهت کمک به بانکها در این زمینه، تکنیک داده کاوی است. در این مطالعه سعی بر آن است با استفاده از تکنیک داده کاوی، ابزاری برایشناسایی رفتار مشتریان در استفاده از ابزارهای بانکداری الکترونیکی فراهم شود. بمنظور دستیابی به ارزش مشتری در هر خوشه و رتبه بندیخوشه ها برای یافتن مشتریان ارزشمندتر و تخصیص استراتژی های متناسب با هر خوشه، ابتدا به جمع آوری داده های جمعیت شناختی ورفتاری (RFMCL) پرداختیم و سپس آماده سازی داده ها انجام گردید. جهت یافتن تعداد بهینه خوشه ها از الگوریتم عصبی شبکه کوهنن استفاده گردید. تعداد خوشه های حاصل از الگوریتم به عنوان ورودی k و مقادیر نرمال شده R-F-M-C-L، متغیر سن، جنسیت و نوع ارتباط با بانک (اینترنت بانک، موبایل بانک، مراجعه ی حضوری و ...) به عنوان ورودی های دیگر در مدل خوشه بندی k-means مورد استفاده قرارگرفتند. سپس به ارزیابی اعتبار مدل های خوشه بندی توسط شاخص دیویس بولدین پرداختیم و مدلی که دارای کمترین مقدار این شاخصباشد، به عنوان مدل خوشه بندی برتر انتخاب شد. در نهایت خوشه های با ارزش بیشتر مشخص گردید و بانک میتواند بمنظور بخش بندیمشتریان و ارائه ی خدمات متناسب با ارزش آنها از نتایج این پژوهش استفاده نماید.

بانکداری الکترونیکی، آموزش بانکداری الکترونیکی، داده کاوی، بخش بندی مشتریان، خوشه بندی، مدل تحلیلی RFMCL