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 چالش ها 33
2-5- مقایسه مفاهیم CKM و KM و CRM.. 34
2-6- تاریخچه ای 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 حساب هایشان. 38
2-7-4- دوره چهارم: یکپارچه سازی سیستم ها و مرتبط كردن مشتریان با تمامی عملیات بانكی.. 39
2-7-5- بانكداری الكترونیك… 39
2-8- داده کاوی.. 40
2-8-1- مقایسه روش های آماری و داده کاوی.. 40
2-8-2- مفهوم داده کاوی.. 42
2-8-3- داده کاوی و کشف دانش…. 44
2-8-4- فرایند داده کاوی.. 45
2-8-5- معرفی روش های داده کاوی.. 51
2-8-5-1- دسته بندی.. 53
2-8-5-2- درخت تصمیم. 53
2-8-5-3- شبکه های عصبی.. 55
2-8-5-4- پیش بینی.. 56
2-8-5-5- خوشه بندی.. 56
2-8-5-5- انواع خوشه بندی.. 57
2-8-5-5-2- معیارهای ارزیابی در خوشه بندی.. 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- نرم افزار داده کاوی.. 62
2-8-7- کاربردهای داده کاوی.. 63
2-8-7-1- داده کاوی در صنعت بانكداری.. 63
2-9- پیشینه تحقیق.. 65
2-9-1- کاربرد داده کاوی در بخش بندی و مدل سازی رفتاری مشتریان در صنعت بانکداری.. 66
2-9-2- کاربرد داده کاوی در ارزیابی اعتبار مشتریان. 68
2-9-3- کاربرد داده کاوی در زمینه کشف تقلب… 69
2-9-4- کاربرد داده کاوی در تحلیل روی گردانی مشتری.. 69
2-10- جمع بندی 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- آماده سازی و پیش پردازش داده ها 80
3-2-3-1- نرمال سازی داده ها 81
3-2-4- تعیین تعداد بهینه خوشه ها 81
3-2-5- خوشه بندی.. 82
3-2-5-1- انواع خوشه بندی.. 83
3-2-5-2- خوشه بندی به روش K-Means. 84
3-2-5-1-1- مزایای استفاده از الگوریتم خوشه بندی K-Means. 85
3-2-5-1-2- محدودیت های الگوریتم K-Means. 85
3-2-5-2- خوشه بندی به روش WK-Means. 86
3-2-5-3- خوشه بندی به روش A-H-Means. 87
3-2-6- ارزیابی خوشه ها به روش مجموع مربع خطاها و انتخاب بهترین روش… 88
3-2-7- به کارگیری دانش حاصل از خوشه بندی.. 90
3-3- روش های جمع آوری اطلاعات… 90
3-4- جمع بندی 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 آماده سازی و پیش پردازش داده ها 96
4-4-3-گام تعیین تعداد بهینه خوشه ها 97
4-4-4- گام خوشه بندی داده ها 97
4-4-4-1- خوشه بندی به روش K-Means. 98
4-4-4-2- خوشه بندی به روش WK-Means. 100
4-4-4-3- خوشه بندی به روش A-H-Means. 100
4-4-5- ارزیابی خوشه ها به روش مجموع مربع خطاها و انتخاب بهترین روش… 101
4-4-6-گام به کارگیری دانش حاصل از خوشه بندی.. 102
4-5- نتایج تحقیق.. 104
4-6- جمع بندی مطالب فصل.. 106
فصل پنجم. 107
5-1- مقدمه. 108
5-2- خلاصه تحقیق.. 108
5-3- نتیجه گیری.. 109
5-4- زمینه های پیشنهادی، راهکارها و پیشنهاد ات جهت پژوهش های آتی.. 110
منابع و مآخذ. 126
فهرست جدول ها
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 روش های تحلیل آماری و داده کاوی.. 41
جدول 2-4 فعالیت های مربوط به فازهای CRISP-DM و خروجی هر فعالیت… 50
جدول 2-5 نمونه داده های مورد نیاز در یک مسئله مدل سازی به روش دسته بندی.. 54
جدول 2-6 معیارهای محاسبه شباهت در خوشه بندی.. 59
جدول 2-7 معیارهای محاسبه فاصله در خوشه بندی.. 60
جدول 2-8 پژوهش های انجام گرفته در زمینه کاربرد داده کاوی در صنعت بانکداری.. 71
جدول 3-1 متغیرهای تحقیق.. 80
جدول 4-1 نمونه ده تایی از داده های 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 الگوریتم های مختلف خوشه بندی.. 101
جدول 4-6 دسته بندی مشتریان بر مبنای ویژگی های رفتاری مشابه. 103
جدول 4-7 اطلاعات مربوط به خوشه بندی مشتریان بانک مهر اقتصاد به روش K-Means. 104
فهرست تصاویر و نمودارها
شکل 2-1 سلسله مراتب دانش…. 16
شکل 2-2 دانش صریح فقط بخش کوچکی از دانش را تشکیل می دهد. 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 گام های فرایندتولید دانشاز پایگاه داده ها 44
شکل 2-8 متدولوژی فرآیند استاندارد میان صنعتی داده کاوی (CRISP-DM). 47
شکل 2-9 دسته بندی کلی عملکردهای داده کاوی.. 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 استراتژی های 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 داده کاوی»، بخش بندی مشتریان بانک مهر اقتصاد، باهدف کشف ویژگی های رفتاری مشابه، برای کمک به مدیران این بانک جهت تسهیل اتخاذ استراتژی های متناسب با هر بخش و در نتیجه حفظ، تقویت و یا توسعه ارتباط با مشتریان و نهایتاً سودآوری برای این بانک میباشد. داده های خام مورد نیاز جهت این مطالعه از پایگاه داده های 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 روش های داده کاوی[3] زمینه بسیار خوبی را جهت استفاده مفید از گنجینه گران بهای 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 به کارگیری 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، سیستم های 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 داده ها گشته است. از آنجا که این داده ها اغلب حجیم و وسیع میباشند، معمولاً به صورت خام قابل استفاده نیستند، بلکه دانش موجود در آنها باید استخراج گردد. با این وجود که ارزش این داده ها بر کسی پوشیده نیست، حجم بسیار بالای داده های ارزشمند موجود، تحلیل و بهرهگیری از آنها را به امری چالش برانگیز مبدل ساخته است. چرا که تحلیل به واسطه روش های گزارش گیری سنتی در این مقیاس امکانپذیر نیست و روش های آماری موجود نیز از ظرفیت کافی جهت تحلیل این داده ها 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 به کارگیری روش های نوین تحلیل داده ها جهت حصول دانش، نظیر روش داده کاوی 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 الگوریتم های داده کاوی خواهد بود. در ادامه از این دانش به عنوان راهنما در مسیر اتخاذ استراتژی های 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 گونه ای که آنان بتوانند برای دستیابی به هدف های سازمان، بهترین استفاده را از دانش ببرند.
در تعریفی دیگر مدیریت دانش فرایند كشف، كسب، توسعه و ایجاد، تسهیم، نگهداری، ارزیابی و به کارگیری 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 می پذیرد، 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 روش های 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 نگاه داری 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 رقابت پذیری حمایت میكند [37] برای بهبود روابط با مشتری، خدمات رسانی 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 به کارگیری راهکارهای مناسب جهت تحلیل این داده ها 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 آن ها 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 داده ها و دشواری استفاده از این حجم وسیع، معمولاً امکان استفاده از این داده ها به صورت خام وجود ندارد، بلکه دانش موجود در آنها باید استخراج گردد. همچنین تحلیل این داده ها به واسطه روش های گزارش گیری سنتی در این مقیاس امکانپذیر نیست و روش های آماری موجود نیز از ظرفیت کافی جهت تحلیل این داده ها برخوردار نمیباشند. داده کاوی راهکاری است که با غلبه بر این محدودیت، امکان انجام مطالعاتی جامعتر با نتایج دقیقتر و درصد خطای پایینتر را ممکن سازد.
داده ها[6] کمیت های عددی یا خصیصه ای هستند که در نتیجه مشاهده یا آزمایش حاصل شده اند. داده های دسته بندی شده اطلاعات[7] را تشکیل می دهند. اطلاعات از ترتیب، تركیب و شبكه شدن دانش را ایجاد مینماید. دانش، اطلاعات سازمان یافته، تحلیل یافته و یا تلخیص شده برای افزایش درک، آگاهی یا تشخیص می باشد.
داده کاوی ابزاری بروز، قدرتمند و وسیع است که میتواند جهت تحلیل حجم عظیم داده بکار گرفته شود. داده کاوی به بهرهگیری از ابزارهای تجزیه و تحلیل داده ها به منظور کشف الگوها و روابط معتبری که تا کنون ناشناخته بوده اند اطلاق می شود. این ابزار با کاوش در بین داده های موجود و استخراج الگوها و روابط موجود در پایگاه داده ها، موجب تسهیل مطالعات و اتخاذ تصمیمات خواهد شد. همچنین به کمک امکانات موجود در این ابزار میتوان حجم داده ها را کاهش داد و داده های اضافی را حذف نمود. استفاده از روش های مختلف داده کاوی میتواند جهت کشف دانش و الگوهای موجود در حجم عظیم داده ها (برای مثال به طور خاص داده های جمعیت شناختی مشتریان بانک نظیر جنسیت، سن، وضعیت تأهل، تحصیلات، شغل و غیره، یا داده های 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.
