دسته‌بندي كاربران موبايل بانك با استفاده از رويكرد داده‌كاوي:مقايسه بين تكنيك شبكه‌هاي عصبي مصنوعي و تكنيك بيز ساده

Classification of Mobile Banking Users by Data Mining Approach:Comparison between Artificial Neural Networks and Naive Bayes Techniques

در دهه گذشته پيشرفت تكنولوژي‌هاي گوناگون باعث تغيير در ارايه خدمات به‌وسيله سازمان‌ها شده است. يكي از حوزه‌هايي كه صنعت بانكداري را تحت تاثير خود قرار داده است، حوزه فناوري اطلاعات مي‌باشد. تكنولوژي ارتباط بيسيم يكي از زير‌مجموعه‌هاي حوزه فناوري است كه در سال‌هاي گذشته پيشرفت چشم‌گيري داشته است و منجر به ارايه خدمت موبايل‌بانك از سوي بانك‌ها شده است. صنعت بانكداري، يك صنعت نمونه است كه از داده‌كاوي استفاده مي‌كند. داده‌كاوي را مي‌توان به‌عنوان يك نوع از كشف دانش براي حل مسيله در زمينه خاص بيان كرد. در اين پژوهش از 232817 داده استفاده شده است كه هدف آن پيدا كردن مدل‌هايي با توجه به مشخصات مشتري و استفاده آن‌ها از موبايل بانك با استفاده از دو تكنيك شبكه‌هاي عصبي مصنوعي و بيز ساده مي‌باشد تا با اين وسيله به مشترياني كه در اين دسته‌بندي قرار مي‌گيرند و تاكنون از خدمت موبايل بانك استفاده نكرده‌اند، اين خدمت به‌صورت پيشنهادي ارايه شود تا آن‌ها بتوانند از اين راه به جذب مشتري بيش‌تر، نگهداري مشتريان كنوني و از همه مهم‌تر افزايش رضايت‌مندي مشتريان كمك كنند. هم‌چنين با ارايه اين خدمت به مشتريان بالقوه، اين امكان نيز وجود دارد تا با استفاده از اين نوع مشتريان، مشتريان ديگر نيز به استفاده از اين نوع خدمت تشويق شوند. بنابراين در پژوهش حاضر، اين نتيجه حاصل شد كه تكنيك شبكه‌هاي عصبي مصنوعي نسبت به تكنيك بيز ساده از دقت بالاتري برخوردار است . اين عدد حدود 5/0درصد است و نشان از تاييد فرضيه پژوهش مي‌باشد.

In recent decade, development of different technologies is dramitically high that has influenced services. One of the fields affected from information technology is bankining industry. Wireless technology is one of the many fields of information technology that have a greate development in the recent years; one of its results is mobile banking service. Banking industry is a smple that uses data mining technique. Data mining is a kind of exploring knowledge to solve a special problem. In this research, 232817 data have been used to find some models by artificial neural networks and naïve bayes technique in according to customersʹ attributes. Furtheremore, the results of this research help to classify customers who use mobile banking service. Then the bank can offer the service to those who is in this classification but do not use this service. So the bank can attract more customers, maintain its customers, and keep high customersʹ satisfaction. Also, in this way, it is possible that using this service, by the targeted customers, encourage others to use this service. This research revealed that artificial neural networks is more accurate than naivie bayes approach (it s about 0.5%) and the researchʹs hypothesis is proved.