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.