پيشبيني رويگرداني مشتريان بانك با استفاده از روش داده كاوي

Using Data Mining to Predict Bank Customers Churn

شدت رقابت درفضاي صنعتي ، باعث شده است كه تمايل بنگاه‌هاي اقتصادي به جذب مشتريان بيشتر كم و، تمايل به فعاليت در زمينه‌هاي خدماتي و توليدي افزايش يافته است. به همين منظور، توسعه روش هايي به منظور شناسايي مشتريان رويگردان و پيش بيني رويگرداني، از مهمترين فعاليت هاي حوزه فروش به حساب خواهد آمد. در صورتي كه بانك فرصت كافي براي پيش بيني رويگرداني مشتريان داشته باشد؛ مي تواند به اصلاح ساختارها و خدمات خود به منظور جلوگيري از ريزش تعداد بيشتري از مشتريان بپردازد. تحقيق حاضر، به منظور توسعه چنين مدلي براي بانك شهر صورت گرفته است. به همين منظور، از يك الگوريتم دو مرحله اي خوشه بندي، دسته بندي داده كاوي استفاده شده. به منظور خوشه بندي مشتريان، از نقشه هاي خودسازمان ده شبكه عصبي كه يك روش يادگيري نظارت نشده است؛ استفاده و براي دسته بندي از ماشين بردار پشتيبان و درخت تصميم استفاده شده است. روش استفاده از اين ابزارها به اين صورت است كه ابتدا از دو مشخصه ميانگين موجودي و ميانگين تراكنش مشتريان در دوره سه ماهه پاياني استفاده شده و به عنوان ورودي شبكه عصبي در خوشه بندي مورد استفاده قرار گرفته است. پس از آن، در مرحله كلاس بندي، از داده هاي مربوط به تراكنش هاي نقدي و اعتباري به منظور كلاس بندي و پيش بيني استفاده شده است. نتايج به دست آمده حاكي از آن است كه مدل پيشنهادي بيش از 80% توانايي پيش بيني رويگرداني مشتري را داشته و ماشين بردار پشتيبان عملكرد بهتري از درخت تصميم نشان داده است.

The intensity of finding competition in the industrial and economic space and the market move towards a complete competition market has made the inclination of firms to attract more customers and, instead, have increased the tendency to operate in various service and manufacturing areas. This policy, which is known for increasing the share of wallet, makes it more important to maintain customer relationships and analyze their relationships and it is necessary to conduct customer behavioral analysis, customer relationship analysis, and customer behavior forecasting. The present research seeks to identify customers who are turning away and anticipates the decline of customers in order to prevent customers from falling. In this regard, the variables associated with the reversal analysis are first identified and then the bank customers are clustered using a neural network and classified into three categories of loyal, regular, and negative clients. With the receipt of the above labels, a backup vector machine has been used to classify and reverse prediction. Based on the results, the proposed method has the ability to predict rotational deviation of up to 80% and, moreover, has a better performance than the classical decision tree.