2-2-5-1- استراتژی اجتماعی سازی (تبدیل دانش پنهان به پنهان). 19

 

 

2-2-5- 2- استراتژی برونی سازی (پنهان به آشکار). 19

 

 

2-2-5- 3- استراتژی ترکیب­سازی (آشکار به آشکار). 20

 

 

2-2-5- 4- استراتژی درونیسازی (آشکار به پنهان). 20

 

 

2-2-6-معایب عدم بهرهگیری از دانش در سازمان. 20

 

 

2-2-7- اهداف مدیریت دانش…. 21

 

 

2-2-8- مدل­های مدیریت دانش…. 21

 

 

2-3- مدیریت دانش مشتری.. 23

 

 

2-3-1- انواع دانش مشتری.. 24

 

 

2-3-2- مدل مدیریت دانش مشتری.. 28

 

 

2-4- مدیریت ارتباط با مشتری.. 29

 

 

2-4-1- مدیریت ارتباط مشتریان در نظام بانکی.. 32

 

 

2-4-2- مدیریت ارتباط با مشتری: اهداف، مزایا و چالش‌ها 33

 

 

2-5- مقایسه مفاهیم CKM و KM و CRM.. 34

 

 

2-6- تاریخچه‌ای از بانک و بانکداری.. 37

 

 

2-7-  سیر تحول فناوری اطلاعات در صنعت بانكداری.. 38

 

 

2-7-1 دوره اول: اتوماسیون پشت باجه. 38

 

 

2-7-2- دوره دوم: اتوماسیون جلوی باجه. 38

 

 

2-7-3- دوره سوم: اتصال مشتریان به حساب‌هایشان. 38

 

 

2-7-4- دوره چهارم: یکپارچه‌سازی سیستم‌ها و مرتبط كردن مشتریان با تمامی عملیات بانكی.. 39

 

 

2-7-5- بانكداری الكترونیك… 39

 

 

2-8- داده‌کاوی.. 40

 

 

2-8-1- مقایسه روش‌های آماری و داده‌کاوی.. 40

 

 

2-8-2- مفهوم داده‌کاوی.. 42

 

 

2-8-3- داده‌کاوی و کشف دانش…. 44

 

 

2-8-4- فرایند داده‌کاوی.. 45

 

 

2-8-5- معرفی روش‌های داده‌کاوی.. 51

 

 

2-8-5-1- دسته‌بندی.. 53

 

 

2-8-5-2- درخت تصمیم. 53

 

 

2-8-5-3- شبکه‌های عصبی.. 55

 

 

2-8-5-4- پیش بینی.. 56

 

 

2-8-5-5- خوشه‌بندی.. 56

 

 

2-8-5-5- انواع خوشه‌بندی.. 57

 

 

2-8-5-5-2- معیارهای ارزیابی در خوشه‌بندی.. 59

 

 

2-8-5-6- تحلیل انحراف… 60

 

 

 

2-8-5-7- قواعد وابستگی (انجمنی). 61

 

 

2-8-5-8- تحلیل توالی.. 61

 

 

2-8-6- نرم‌افزار داده‌کاوی.. 62

 

 

2-8-7- کاربردهای داده‌کاوی.. 63

 

 

2-8-7-1- داده‌کاوی در صنعت بانكداری.. 63

 

 

2-9- پیشینه تحقیق.. 65

 

 

2-9-1- کاربرد داده‌کاوی در بخش‌بندی و مدل‌سازی رفتاری مشتریان در صنعت بانکداری.. 66

 

 

2-9-2- کاربرد داده‌کاوی در ارزیابی اعتبار مشتریان. 68

 

 

2-9-3- کاربرد داده‌کاوی در زمینه کشف تقلب… 69

 

 

2-9-4- کاربرد داده‌کاوی در تحلیل روی‌گردانی مشتری.. 69

 

 

2-10- جمع‌بندی مطالب فصل.. 74

 

 

فصل سوم. 76

 

 

3-1- مقدمه. 77

 

 

3-2- روش پیشنهادی.. 77

 

 

3-2-1- چارچوب تحقیق.. 77

 

 

3-2-2- انتخاب متغیرها 79

 

 

3-2-3- آماده‌سازی و پیش‌پردازش داده‌ها 80

 

 

3-2-3-1- نرمال سازی داده‌ها 81

 

 

3-2-4- تعیین تعداد بهینه خوشه‌ها 81

 

 

3-2-5- خوشه‌بندی.. 82

 

 

3-2-5-1- انواع خوشه‌بندی.. 83

 

 

3-2-5-2- خوشه‌بندی به روش K-Means. 84

 

 

3-2-5-1-1- مزایای استفاده از الگوریتم خوشه‌بندی K-Means. 85

 

 

3-2-5-1-2-  محدودیت‌های الگوریتم K-Means. 85

 

 

3-2-5-2- خوشه‌بندی به روش WK-Means. 86

 

 

3-2-5-3- خوشه‌بندی به روش A-H-Means. 87

 

 

3-2-6- ارزیابی خوشه‌ها به روش  مجموع مربع خطاها و انتخاب بهترین روش… 88

 

 

3-2-7- به‌کارگیری دانش حاصل از خوشه‌بندی.. 90

 

 

3-3- روش‌های جمع آوری اطلاعات… 90

 

 

3-4- جمع‌بندی مطالب فصل.. 90

 

 

فصل چهارم. 92

 

 

4-1- مقدمه. 93

 

 

4-2- معرفی بانک مهر اقتصاد. 93

 

 

4-3- موضوع و فعالیت بانک… 94

 

 

4-4- محاسبات تحقیق.. 94

 

 

4-4-1- گام انتخاب و جمع آوری متغیرهای ورودی.. 95

 

 

4-4-2- گام آماده‌سازی و پیش‌پردازش داده‌ها 96

 

 

4-4-3-گام تعیین تعداد بهینه خوشه‌ها 97

 

 

4-4-4- گام خوشه‌بندی داده‌ها 97

 

 

4-4-4-1- خوشه‌بندی به روش K-Means. 98

 

 

4-4-4-2- خوشه‌بندی به روش WK-Means. 100

 

 

4-4-4-3- خوشه‌بندی به روش A-H-Means. 100

 

 

4-4-5- ارزیابی خوشه‌ها به روش  مجموع مربع خطاها و انتخاب بهترین روش… 101

 

 

4-4-6-گام به‌کارگیری دانش حاصل از خوشه‌بندی.. 102

 

 

4-5- نتایج تحقیق.. 104

 

 

4-6- جمع‌بندی مطالب فصل.. 106

 

 

فصل پنجم. 107

 

 

5-1- مقدمه. 108

 

 

5-2- خلاصه تحقیق.. 108

 

 

5-3- نتیجه‌گیری.. 109

 

 

5-4- زمینه‌های پیشنهادی، راهکارها و پیشنهاد‌ات جهت پژوهش‌های آتی.. 110

 

 

منابع و مآخذ. 126

 

 

 

 

 

فهرست جدول‌ها

 

 

جدول 2-1 انواع مختلف تبدیلات دانش…. 19

 

 

جدول 2-2 مقایسه مفاهیم مدیریت دانش، مدیریت ارتباط با مشتری و مدیریت دانش مشتری.. 35

 

 

جدول 2-3 مقایسه روش‌های تحلیل آماری و داده‌کاوی.. 41

 

 

جدول 2-4 فعالیت‌های مربوط به فازهای CRISP-DM و خروجی هر فعالیت… 50

 

 

جدول 2-5 نمونه داده‌های مورد نیاز در یک مسئله مدل‌سازی به روش دسته‌بندی.. 54

 

 

جدول 2-6 معیارهای محاسبه شباهت در خوشه‌بندی.. 59

 

 

جدول 2-7 معیارهای محاسبه فاصله در خوشه‌بندی.. 60

 

 

جدول 2-8 پژوهش‌های انجام‌گرفته در زمینه کاربرد داده‌کاوی در صنعت بانکداری.. 71

 

 

جدول 3-1 متغیرهای تحقیق.. 80

 

 

جدول 4-1 نمونه ده‌تایی از داده‌های مربوط به مشتریان بانک مهر اقتصاد. 95

 

 

جدول 4-2 متغیرهای نرمال شده 96

 

 

جدول 4-3 وزن نسبی متغیرهای تحقیق.. 100

 

 

جدول 4-5 مقادیر مجموع مربع خطاها در الگوریتم‌های مختلف خوشه‌بندی.. 101

 

 

جدول 4-6 دسته‌بندی مشتریان بر مبنای ویژگی‌های رفتاری مشابه. 103

 

 

جدول 4-7 اطلاعات مربوط به خوشه‌بندی مشتریان بانک مهر اقتصاد به روش K-Means. 104

 

 

 

 

 

فهرست تصاویر و نمودارها

 

 

شکل 2-1 سلسله‌مراتب دانش…. 16

 

 

شکل 2-2 دانش صریح فقط بخش کوچکی از دانش را تشکیل می‌دهد. 17

 

 

شکل 2-3 مدل مدیریت دانش پروبست و رمهارد. 22

 

 

شکل 2-4 چارچوب خوشه انگور جهت نوع شناسی دانش مشتری.. 26

 

 

شکل 2-5 مدل مدیریت دانش مشتری.. 28

 

 

شکل 2-7 گام‌های فرایند تولید دانش از پایگاه داده‌ها 44

 

 

شکل 2-8 متدولوژی فرآیند استاندارد میان صنعتی داده‌کاوی (CRISP-DM). 47

 

 

شکل 2-9 دسته‌بندی کلی عملکردهای داده‌کاوی.. 52

 

 

شکل 2-11 نیروهای رقابتی پورتر. 64

 

 

شکل 3-1 چارچوب تحقیق.. 78

 

 

شکل 4-1 خوشه اول، الگوریتم K-Means. 98

 

 

شکل 4-2 خوشه دوم، الگوریتم K-Means. 98

 

 

شکل 4-3 خوشه سوم، الگوریتم K-Means. 99

 

 

شکل 4-4 خوشه چهارم، الگوریتم K-Means. 99

 

 

شکل 4-5 خوشه پنجم، الگوریتم K-Means. 99

 

 

چکیده

 

 

افزایش روزافزون سطح رقابت در بازار، مدیران و تحلیل­گران سازمان­ها را وادار ساخته به دنبال راهکارهایی باشند که مزیت رقابتی را برای سازمان به ارمغان آورند. بر اساس مطالعات موجود، استفاده از دانش مشتری جهت اتخاذ استراتژی‌های لازم برای جلب رضایت مشتری می­تواند سازمان­ها را به­سمت تحقق این هدف سوق دهد. از سوی دیگر گسترش بهره­گیری از فناوری­های بروز در زمینه اطلاعات و ارتباطات خصوصاً در بانک­ها باعث بر جای ماندن حجم عظیمی از داده­ها گشته که تحلیل و تصمیم­گیری بر اساس آن­ها با روش­های معمول گزارش­گیری و روش­های آماری امکان­پذیر نمی­باشد. داده­کاوی ابزار بروز و قدرتمندی است که در این پایان­نامه جهت تحلیل داده­ها به جهت استخراج دانش مشتری پیشنهاد می­گردد.

 

 

هدف از این تحقیق با عنوان «مدیریت دانش مشتریان بانک مهر اقتصاد با استفاده از تکنیک­های داده‌کاوی»، بخش‌بندی مشتریان بانک مهر اقتصاد، باهدف کشف ویژگی‌های رفتاری مشابه، برای کمک به مدیران این بانک جهت تسهیل اتخاذ استراتژی‌های متناسب با هر بخش و در نتیجه حفظ، تقویت و یا توسعه ارتباط با مشتریان و نهایتاً سودآوری برای این بانک می­­باشد. داده‌های خام مورد نیاز جهت این مطالعه از پایگاه داده‌های بانک مهر اقتصاد استخراج شده است

 

 

1-1- مقدمه

 

 

در سال­های اخیر دانش[1] به عنوان منبعی ارزشمند در کنار منابعی چون کار، زمین، سرمایه قرار گرفت و به عنوان موتور تولیدکننده درآمد و یك دارایی مهم و راهبُردی برای سازمان شناخته شد. از طرفی به دلیل وجود رقابت شدید در بین کسب و کارهای امروزی از جمله صنعت بانکداری، مشتری و توجه به جایگاه او و ارتباط با او اهمیت ویژه­ای یافته است. بنابراین مبحث بسیار مهم مدیریت دانش مشتری[2] مطرح گردید که امروزه مطالعات بسیار زیادی را به خود اختصاص داده است. مدیریت دانش مشتری با استفاده از راهکارهای مختلف مدیریت دانش نظیر روش‌های داده‌کاوی[3] زمینه بسیار خوبی را جهت استفاده مفید از گنجینه گران‌بهای دانش مشتری فراهم می­آورد.

 

 

از سوی دیگر در عصر حاضر بهره­گیری از فناوری­های نوین اطلاعات و ارتباطات در عرصه­های مختلف کسب­وکار به امری گریزناپذیر مبدل گشته است. به طور خاص صنعت بانکداری از جمله صنایعی است که به‌کارگیری فناوری­های روز دنیا در این صنعت می­تواند مزیت رقابتی انکارناپذیری را برای آن ایجاد نماید. بنابراین این صنعت نیز از بهره­گیری از بروزترین فناوری­ها مستثنا نبوده و مواردی مانند بانکداری الکترونیک، سیستم‌های یکپارچه بانکداری[4]، دستگاه­های خودپرداز، کارت­های اعتباری، پایانه­های خرید الکترونیک و… از مصادیق این امر می­باشد.

 

 

ورود فناوری­های جدید به سازمان سبب افزایش چشمگیر سرعت تولید اطلاعات و در نتیجه بر جای ماندن حجم عظیمی از داده‌ها گشته است. از آنجا که این داده‌ها اغلب حجیم و وسیع می­باشند، معمولاً به صورت خام قابل‌استفاده نیستند، بلکه دانش موجود در آن­ها باید استخراج گردد. با این وجود که ارزش این داده‌ها بر کسی پوشیده نیست، حجم بسیار بالای داده‌های ارزشمند موجود، تحلیل و بهره­گیری از آن­ها را به امری چالش‌برانگیز مبدل ساخته است. چرا که تحلیل به واسطه روش‌های گزارش گیری سنتی در این مقیاس امکان­پذیر نیست و روش‌های آماری موجود نیز از ظرفیت کافی جهت تحلیل این داده‌ها برخوردار نمی­باشند. بنابراین باید به دنبال راهکاری بود که با غلبه بر این محدودیت، امکان انجام مطالعاتی جامع­تر با نتایج دقیق­تر و درصد خطای پایین­تر را ممکن سازد. این مسئله گواهی بر لزوم به‌کارگیری روش‌های نوین تحلیل داده‌ها جهت حصول دانش، نظیر روش داده‌کاوی خواهد بود.

 

 

دانش قابل توجهی که در زمان استفاده از خدمت یا مصرف کالا توسط مشتری، بین مشتری و سازمان تبادل می­شود، به عنوان منبعی مهم برای سازمان شناخته می­شود و کسب و بهره­برداری از آن به یک مزیت رقابتی در سازمان­ها تبدیل شده است.

 

 

مدیریت دانش مشتری دربردارنده فرایندهایی­ست که با شناسایی و اکتساب اطلاعات مشتری و نیز ایجاد و بهره­برداری از دانش مشتریان، مربوط است [9]. چنین اطلاعاتی در ماورای محدوده­های خارجی سازمان قرار دارند و دانشی که از آن­ها استخراج می­شود موجب ایجاد ارزش برای سازمان و مشتریان آن خواهد شد [32]. در این تحقیق مسئولیت کشف دانش بر عهده الگوریتم‌های داده‌کاوی خواهد بود. در ادامه از این دانش به عنوان راهنما در مسیر اتخاذ استراتژی‌های سازمان، بهره­گیری می­شود.

 

 

1-2- تعریف مسئله

 

 

بااهمیت یافتن مشتری در عرصه پرتلاطم رقابت میان کسب­وکارهای مباحثی همچون مدیریت دانش مشتری و مدیریت ارتباط با مشتری مطالعات و تحقیقات فراوانی را به خود اختصاص داده­اند.

 

 

مدیریت دانش، كسب دانش درست، برای افراد مناسب، در زمان صحیح و مکان مناسب است، به گونه‌ای که آنان بتوانند برای دستیابی به هدف‌های سازمان، بهترین استفاده را از دانش ببرند.

 

 

در تعریفی دیگر مدیریت دانش فرایند كشف، كسب، توسعه و ایجاد، تسهیم، نگهداری، ارزیابی و به‌کارگیری دانش مناسب در زمان مناسب توسط فرد مناسب در سازمان، که از طریق ایجاد پیوند مناسب بین منابع انسانی، فناوری اطلاعات و ایجاد ساختاری مناسب برای دستیابی به اهداف سازمانی صورت می‌پذیرد، تعریف شده است.

 

 

مدیریت ارتباط با مشتری[5] از جمله راهکارهایی است که در سال­های اخیر با افزایش روزافزون سطح رقابت در بازار به عنوان سلاحی ارزشمند در جهت افزایش وفاداری مشتری و جلب رضایت او و با هدف به ارمغان آوردن مزیت رقابتی بالاتر برای سازمان، از سوی سازمان­ها بکار گرفته شده است. امروزه بیشتر روش‌های مدیریت ارتباط با مشتری مبتنی بر فناوری اطلاعات می­باشند و مسلماً برای رسیدن به مدیریت مؤثر ارتباط با مشتری ناگزیر از مدیریت دانش مشتری خواهیم بود.

 

 

مدیریت ارتباط با مشتری در برگیرنده مجموعه­ای از فرایندهاست که سازمان­ها را قادر می­سازد تا از استراتژی­های كسب­وكار در جهت ایجاد روابط بلندمدت و سودآور با مشتریان خاص پشتیبانی نمایند [46].

 

 

در حقیقت CRM یك فناوری پیشرفته در جهت دستیابی به قله­های اطلاعات مشتری است [G] و شركت­ها از آن به عنوان ابزاری در جهت افزایش رضایتمندی مشتری استفاده می­كنند. مدیریت ارتباط با مشتری به عنوان فعالیتی جهت گسترش و نگاه‌داری مشتریان سازمان­ها به طور گسترده­ای مورد توجه قرار گرفته است و ابزارهای آن افزایش رضایت مشتری و وفاداری اوست. همچنین مدیریت دانش KM همچون مدیریت روابط با مشتری بر جمع آوری منابعی تأكید دارد كه از فعالیت­های تجاری در جهت رسیدن به توانایی رقابت‌پذیری حمایت می­كند [37] برای بهبود روابط با مشتری، خدمات‌رسانی به روشی كه مورد دلخواه اوست، ضروری است. از این رو به مدیریت دانش مشتری احتیاج است [17].

 

 

امروزه حجم بالای پایگاه­های داده و پراکندگی و عدم به‌کارگیری راهکارهای مناسب جهت تحلیل این داده‌ها مطالعه و تصمیم­گیری بهینه پیرامون ارتباط با مشتریان را با مشکل مواجه نموده است.

 

 

به طور ویژه بانک­ها سازمان­هایی هستند که با مشتریان تعامل مستقیم دارند و عنصر مشتری در این سازمان­ها اهمیت ویژه­ای دارد. بدیهی است جهت پیشرو بودن در عرصه رقابت توجه به جایگاه مشتری و اختصاص خدمات ویژه با تشخیص نیازمندی­های آن‌ها و ارائه خدمات درست به آن­ها محقق خواهد شد. تحلیل منابع باارزش داده­ای در رابطه با مشتریان کنونی بانک­ها و مشتریان بالقوه و… مقدمه­ای جهت تحقق این مهم خواهد بود.

 

 

با ورود فناوری­های جدید به سازمان­ها و افزایش سرعت تولید اطلاعات و در نتیجه بر جای ماندن حجم عظیمی از داده‌ها و دشواری استفاده از این حجم وسیع، معمولاً امکان استفاده از این داده‌ها به صورت خام وجود ندارد، بلکه دانش موجود در آن­ها باید استخراج گردد. همچنین تحلیل این داده‌ها به واسطه روش‌های گزارش گیری سنتی در این مقیاس امکان­پذیر نیست و روش‌های آماری موجود نیز از ظرفیت کافی جهت تحلیل این داده‌ها برخوردار نمی­باشند. داده‌کاوی راهکاری است که با غلبه بر این محدودیت، امکان انجام مطالعاتی جامع­تر با نتایج دقیق­تر و درصد خطای پایین­تر را ممکن سازد.

 

 

داده‌ها[6] کمیت‌های عددی یا خصیصه‌ای هستند که در نتیجه مشاهده یا آزمایش حاصل شده‌اند. داده‌های دسته‌بندی شده اطلاعات[7] را تشکیل می‌دهند. اطلاعات از ترتیب، تركیب و شبكه شدن دانش را ایجاد می­نماید. دانش، اطلاعات سازمان‌یافته، تحلیل یافته و یا تلخیص شده برای افزایش درک، آگاهی یا تشخیص می‌باشد.

 

 

داده‌کاوی ابزاری بروز، قدرتمند و وسیع است که می­تواند جهت تحلیل حجم عظیم داده بکار گرفته شود. داده‌کاوی به بهره­گیری از ابزارهای تجزیه و تحلیل داده‌ها به منظور کشف الگوها و روابط معتبری که تا کنون ناشناخته بوده‌اند اطلاق می‌شود. این ابزار با کاوش در بین داده‌های موجود و استخراج الگوها و روابط موجود در پایگاه داده‌ها، موجب تسهیل مطالعات و اتخاذ تصمیمات خواهد شد. همچنین به کمک امکانات موجود در این ابزار می­توان حجم داده‌ها را کاهش داد و داده‌های اضافی را حذف نمود. استفاده از روش‌های مختلف داده‌کاوی می­تواند جهت کشف دانش و الگوهای موجود در حجم عظیم داده‌ها (برای مثال به طور خاص داده‌های جمعیت شناختی مشتریان بانک نظیر جنسیت، سن، وضعیت تأهل، تحصیلات، شغل و غیره، یا داده‌های مربوط به تراکنش­های مالی مشتریان و یا سرویس­های ارائه شده توسط بانک) استفاده شود. این الگوها می­توانند از سوی مدیران جهت اتخاذ تصمیمات مقتضی در ارتباط با مشتری، چگونگی برخورد با شرایط متفاوت کسب­وکار، ارائه خدمات خاص و غیره بکار گرفته شود.