طراحي مدلي براي بهبود سيستم‌هاي پيشنهاددهندۀ بانكي بر اساس پيش‌بيني علايق مشتريان: كاربرد روش‎هاي داده‌كاوي

Designing a Model for Improving Banking Recommender Systems Based on Predicting Customers’ Interests: Application of Data Mining Techniques

امروزه بانك‌ها براي جذب و حفظ مؤثر مشتريان به ابزارهاي جديدي مانند سيستم‌هاي پيشنهاددهنده نياز دارند. برخلاف عموم سيستم‌هاي پيشنهاددهنده كه پيشنهاد بر اساس شباهت ميان ترجيحات ساير كاربران به وي داده مي‌شود؛ در اين پژوهش از روش دسته‌بندي استفاده شده است كه در آن پيشينۀ علايق خود مشتري، مهم‌ترين ويژگي براي تصميم‌گيري دربارۀ خدمات بانكي مناسب به اوست. در اين پژوهش از چهار دسته‌بندي‎كنندۀ پرسپترون چندلايه، ماشين بردار پشتيباني،K نزديك‎ترين همسايه و بيز ساده استفاده شد. ابتدا پس از پيش‎پردازش مجموعۀ دادۀ مربوط به سرويس‌هاي مورد استفادۀ مشتريان مختلف بانك با چهار روش مختلف دسته‌بندي آموزش داده شدند؛ سپس اعتبار آنها با روش اعتبارسنجي ضربدري ده‎تايي به تأييد رسيد و بهترين روش انتخاب شد. در انتها پيشنهاددهندۀ نهايي كه تركيبي از چهار روش دسته‌بندي بيز ساده با عملكرد 4/85 درصد، K نزديك ترين همسايه با عملكرد 3/83 درصد، پرسپترون چندلايۀ 1 با عملكرد 4/81 درصد و پرسپترون چندلايۀ 2 با عملكرد 6/92 درصد، به‎ترتيب براي پيشنهاد چهار سرويس بانكي اينترنت، موبايل، انتقال وجه با اينترنت و پرداخت صورت‌حساب با تلفن است، ارائه شد.

Nowadays, banks require new devices such as recommender systems to attract and preserve customers. Unlike most recommender systems in which the given recommendation is based on similarities between the preferences of users, this research has employed the classification techniques where customer’s past interests is considered as the most important feature to provide proper banking services for them. In this research, four classifiers including MLP, SVM, KNN, and Naïve Bayes have been used.  Firstly, the data set which was related to the services used by different bank customers was preprocessed and four different classification methods were trained by using it. Then, their validations were assessed by the 10fold cross validation and the best method was selected. Lastly, the final recommender system which was a combination of four classification methods including Naïve Bayes with performance P=%85.4, 5nn with P=%83.3, MLP with P=%81.4, and MLP with P=%92.6 respectively proposed for recommendation of four banking services including the internet, mobile, internet transfer and paying on the phone is.