خوشه بندي مشتريان شعب بانك رفاه با تلفيق الگوريتم‌هاي ژنتيك و سي ميانگين در محيط فازي

Clustering Customers of bank Refah branches for combining genetic algorithms and C- Means in a fuzzy environment

در عصر حاضر يكي از چالش‌هاي بزرگ برنامه‌ريزان و مديران در حوزه خدمات بانكي، شناخت مشتريان، ايجاد تمايز بين گروه‌هاي مختلف مشتريان مي‌باشد. بديهي است استفاده از الگوي مناسب به بانك اين فرصت را مي دهد كه پيشنهادات ارزشمند خود را متناسب با نيازها و خواسته هاي بخشهاي هدف‌گيري شده طراحي و ارائه نموده و در نتيجه عملكرد بانك از منظرهاي مختلف بهبود يابد. هدف اين مطالعه بكارگيري مدل مناسبي جهت خوشهبندي مشتريان بر اساس شاخص‌هايي مانند تازگي، تعداد تراكنش‌،و عامل مالي مي‏باشد. در اين مقاله جهت خوشه‌بندي داده‌ها از تلفيق الگوريتم‌ ژنتيك با سي ميانگين فازي جهت غلبه بر مشكلاتي مانند حساس بودن به مقدار اوليه و گرفتار شدن در دام بهينه محلي استفاده گرديده است. جامعه آماري اين پژوهش، متشكل از مشتريان شعب بانك رفاه شهر تهران مي‌باشد. همچنين از روش نمونه‌گيري تصادفي ساده جهت اخذ نمونه استفاده شده است. يافته‌هاي تحقيق نشان مي‌دهد كه مشتريان متعلق به خوشه اول بدليل دارا بودن عملكردي بالا در شاخص‌هاي تازگي تعداد تراكنش ، و عامل مالي جزء مشتريان وفادار و مشتريان خوشه دوم بخاطر دارا بودن عملكردي پايين در شاخص تازگي ، عملكرد متوسط در شاخص تعداد تراكنش ،و عملكردي بالا در شاخص عامل مالي جزء مشتريان رويگردان از بانك مي‌باشند.

Today, one of the major challenges that planners and managers are grappling with in the field of banking services is customer recognition, and distinction between different groups of customers. It is obvious that the use of appropriate model gives the bank the opportunity that fits your valuable suggestions along with demands for targeted sectors and provides design and thus improves bank performance from different perspectives. The aim of this study is using and appropriate model for clustering customers based on indexes including novelty, number of transaction and financial factors. In this paper, for clustering data, the genetic algorithm combining with fuzzy Cmeans is used to overcome problems such as being sensitive to the initial value and getting trapped in the local optimum. The simple random sling method is used to obtain the sle. The findings show that the first cluster of customers due to its high performance in quot noveltyquot , quot number of transactionquot and quot financial factorsquot index are loyal customers and the second cluster of customers because of low performance in quot noveltyquot index, mean performance in quot number of transactionquot index and high performance in quot financial factorsquot are among those customers who are turning away from bank.