كاربردهاي شبكه‌هاي عصبي مصنوعي در مديريت و بازاريابي (مطالعه‌ي موردي: گروه‌بندي مشتريان بانك كشاورزي)

Artificial Neural Networks Applications In Management And Marketing (Case Study: Classifying Customers Of Keshavarzi Bank)

امروزه استفاده از شبكه‌هاي عصبي در بسياري از حوزه‌ها مانند مهندسي برق، مكانيك، عمران، بازرگاني و مديريت رايج است. استفاده از شبكه‌هاي عصبي در تحقيقات بازار، از مديريت گردشگري شروع شده و به ساير حوزه‌هاي بازاريابي، از جمله تقسيم بازار و انتخاب مشتريان هدف گسترش پيدا كرده‌است. در اين تحقيق با توجه به ضرورت شناسايي مشتريان هدف براي بانك كشاورزي براي تقسيم‌ مشتريان حساب جاري مهر بانك كشاورزي، از شبكه‌هاي عصبي خودسازمان‌ده استفاده شده است. مراحل اجرايي اين تحقيق كه از انواع تحقيق كاربردي و توصيفي- پيمايشي مي‌باشد به اين شرح است كه ابتدا عوامل اثرگذار بر تقسيم‌بندي مشتريان در خوشه‌ها طي نظرخواهي از خبرگان شناسايي شده‌اند. سپس اطلاعات و داده‌هاي مورد نياز، از سيستم اطلاعاتي مشتريان شعبه‌هاي منتخب اخذ شده، و مشتريان با استفاده از شبكه‌ي عصبي مصنوعي و روش وارد، كه هر دو از روش‌هاي خوشه‌بندي به‌شمار مي‌روند، خوشه‌بندي شده‌اند. در ادامه، داده‌هاي قبل از تقسيم و نتايج پس از تقسيم‌بندي با هر دو روش تجزيه و تحليل گرديد و سپس با استفاده از روش تحليل تمايزات مقايسه شدند، كه برتري شبكه‌ي عصبي مصنوعي آشكار گرديد. در نهايت پيشنهادهايي براي مديريت بانك و ساير محققين ارايه شده‌است.

Now, using artificial neural networks (ANN) is popular in several areas such as electronic, mechanic and civil engineering, business and management. Applications of artificial neural networks in market research have been started from tourism management, and have been developed to other marketing areas such as market segmentation and target customers selection. In this research, due to necessity of recognizing target customers for Keshavarzi bank, for dividing Mehr currency count customers of Keshavarzi bank, SOM neural networks is used. Firstly, necessary information gained from customers information systems of selected branches, and so by using artificial neural networks and Wardʹs Method, which are cluster analysis methods, customers are clustered. Finally, the data before segmentation and the results after that are analyzed and by using discriminant analysis, two methods are compared which superiority of ANN is approved. At the end, we proposed some suggestions for bank managers and researches in future.