Journal of Information Technology Management University of Tehran
ISSN: 2008-5893 Faculty of Management
EISSN: 2423-5059
Vol. 9, No. 3; PP. 477-506
Fall 2017

Designing a Predictive Analytics for the
Formulation of Intelligent Decision Making
Policies for VIP Customers Investing in the Bank
Iman Raeesi Vanani 1
Abstract: Special, privileged or VIP customers are of great significance to the banks since they continuously and broadly invest in deposits and remain loyal to the banks. This loyalty is dependent on the broad and specific services they receive, deposit interests, and the tuned regulatory actions that banks take for according to the grade of special customers and their propensity to risk. In the current research, a dataset of two thousand ordinary and special privileged customers were collected according to their demographics, accounts information, and level of investment in the bank. The grade of special customer and their propensity to taking risks are also determined by the experts of the bank. Afterwards, a range of learning algorithms are applied for designing and validating classification and prediction methods on special customers’ grades and their propensity to risk. Final results are then analyzed and prepared as a set of intelligent and improvable rules that assist the bank managers in formulating interactive and predictive decision making policies from the initiation of the customer relationship with the bank.

Key words: Bank investment, Classification, Intelligent decision making, Predictive analytics, Privileged customer.

1. Assistant Prof. of Industrial Management, Faculty of Management and Accounting,
Allameh Tabataba’i University, Tehran, Iran

Submitted: 06 / March / 2017
Accepted: 06 / August / 2017
Email: imanraeesi@atu.ac.ir

Journal of Information Technology Management
دانشكدة مديريت دانشگاه تهران دورة 9، شمارة 3 پاييز 1396
صص. 506- 477

طراحي تحليل هاي آينده نگر به منظور تدوين سياست تصميم گيري
هوشمند براي مشتريان ويژة سرمايه گذار در بانك
ايمان رئيسي واناني1
چكيده: مشتريان ويژه براي بانك ها اهميت خاصي دارنـد ، چراكـه سـرمايه گـذاري مسـتمر دربانك انجام مي دهند و معمولاً به يك بانك وفادارند. اين وفاداري در گرو ارائة خدمات خـاص ومتنوع به اين مشتريان، ارائة سود متناسب با سپرده و تعامل بانك بر اساس سطح مشتري ويـژهو تمايل به ريسك پذيري آنهاست. در تحقيق حاضر، داده هاي دو هزار مشتري عادي و ويژه بـراساس ويژگي هاي جمعيت شناختي، حساب هاي بانكي و سرمايه گذاري در بانك گـردآوري شـدهاست. همچنين سطح مشتري ويژه و ميزان تمايل به ريسك پذيري آنها نيز توسط بانـك معـينشده است؛ سپس، مجموعه اي از الگوريتم هاي يادگيرنده براي طبقه بنـدي و پـيشبينـي سـطحمشتري ويژه و ميزان تمايل آنها به ريسك توسط نرمافزار طراحي شده، اعتبارسنجي شده است.
نتايج نهايي به صورت مجموعه اي از قواعد قابل بهبود و هوشمند تحليل و آماده شده انـد تـا بـهمديران بانك در تدوين سياستهاي تصـميم گيـري تعـاملي و آينـده نگـر در ابتـداي همكـاريمشتري ويژه با بانك ياري رسانند.

واژه هاي كليدي: تحليل آيندهنگر، تصميم گيري هوشمند، سـرمايه گـذاري بـانكي،طبقـه بنـدي،مشتري ويژه.
341376-19909

1. استاديار مديريت صنعتي، دانشكدة مديريت و حسابداري، دانشگاه علامه طباطبائي، تهران، ايران
تاريخ دريافت مقاله: 16/12/1395 تاريخ پذيرش نهايي مقاله: 15/05/1396
E-mail: imanraeesi@atu.ac.ir
مقدمه
امروزه ساختن مدل ها و ابزارهاي تصميم گيري براي سازمان ها اهميت بسزايي پيدا كـرده اسـت ، سازمان ها تلاش مي كنند با تخصيص منابع مناسب، مشتريان ارزشمند را حفظ كنند. ايـن هـدفبا استفاده از مديريت مشتري و ابزارهاي پشتيباني تصميم گيري تحقق مي يابد تا بـه سـازمان هـاكمك كند بين گروههاي مختلف مشتريان تمايز قائل شوند. مشتريان وفادار، ارزش فراواني براي سازمان ها ايجاد مي كنند. آنها مي توانند عمر طولاني و توانمندي رو بـه گسـترش سـازمان هـا را تضمين كنند. اين مشتريان، براي بانك ها نيز اهميت بسياري دارند. وفاداري مشتريان معمـولاً از دو جنبة وفاداري رفتاري و وفاداري نگرشي سنجيده مي شـود . هـر دو جنبـه، نـاظر بـر اسـتمرارمشتريان در دريافت خدمات از بانك و نگرش آنها در انتقال اين وفاداري به ديگران است (لـي وپتريك، 2008). در واقع، وفاداري مشتري عبارت است از فراواني يا كميت دريافت محصولات يا خدمات از هر برند تجاري معتبر. اين مشتريان به طور معمول به عنوان مشتريان ويژة سـازمان هـا شناخته مي شوند و رويكرد سازمان نسبت به آنها متفاوت خواهد بود.
كيفيت خدماتي كه مشتريان دريافت مي كنند، تابع متغيرهاي مختلفي اسـت . بـه طـور كلـي،كيفيت ادراك شدة مشتري از خدمات دريافتي عبارت است از نتيجة ارزيابي يا قضـاوت مشـتريدربارة روش و كيفيتي كه خدمات يا محصولات توسط تأمين كننده به مشتري ارائـه شـده اسـت(انصاري و رياسي، 2016، گالان، جارويس، براون و بيتنر، 2013). هـر چنـد طـي دهـة گذشـته،توسعة فناوري هاي اطلاعاتي و ارتباطي در سطح صنعت مالي و بانكداري، تأثير فراواني بر نـوع وكيفيت خدمات قابل ارائه به مشتريان داشته، اين تأثير بر مدل هاي كسب وكار بانـك هـا بـيش ازصنايع ديگر بوده است (كراكسيان و دانائيتا، 2014). يكـي از فنـاوريهـا ي بسـيار پركـاربرد كـهحوزه هاي علمي مختلف را دگرگون كرده است، علم داده و تحليلهاي پيشرفته1 است كه شـاملداده كاوي، متن كاوي، وب كاوي، جريـان كـاوي ، تحليـل احساسـات و سـاير حـوزه هـا ي رياضـيپيشرفته است (رضايي نور و شيخ بهايي، 1396؛ رئيسي واناني و گنجعليخان حاكمي، 1394). بـااستفاده از اين الگوريتم ها، مي توان روندها و نظمهاي پنهان در داده ها را به طـور دقيـق و عميـقتحليل كرد و با آموزش دقيق و مستمر الگوريتم ها، امكان يادگيري از اين روند و پيش بيني آينده را فراهم آورد (ديچو و ديچوا، 2017).
در تحقيق حاضر، مجموعه اي از دادههاي دو هزار مشتري عادي و ويژة وفادار از يـك بانـكمنتخب گردآوري شده است. ايـن دادههـا شـامل ويژگـي هـاي جمعيـتشـناختي، مـالي و رونـد سرمايهگذاري مشتريان ويـژه اسـت. در گـام دوم، بـا اسـتفاده از مجموعـه اي از الگـوري تم هـا ي
ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
.1 Data Science and Advanced Analytics
داده كاوي در علم داده، به شناسايي الگوهاي منظم در داده ها و آموزش الگوريتم هـا بـراي ايجـادقابليت پيش بيني در آنها اقدام شده است. در نهايت، بر مبناي قابليت هاي ايجاد شده در الگـوريتممنتخب، امكان طراحي و پياده سازي يك سيستم براي شناسايي هوشمند مشتريان ويـژه در بـدوورود به بانك و تدوين سياست هاي تعاملي مناسب به ازاي مشتريان ويژه در آينده فراهم خواهـدشد.
پيشينة نظري پژوهش
هر بانكي براي تعريف مشتريان ويژه با توجه به نوع و دستهبنـدي و شـناخت خـود از مشـتريان،شاخص متفاوتي دارد. به طور معمول، مشترياني با درآمدهاي بسيار زياد كه دارايي هـا ي كـلان وارزشمندي را در اختيار دارند، در بانك ها مشتريان ويژه محسوب ميشوند (اسـماعيل نيـا، 1391). شرط اين مهم، سرمايه گذاري مستمر اين مشتريان در بانك و تمايل به ريسك و حفظ داراييهـا در بانك است. دو مورد از مهم ترين فعاليت هاي بانكي در تمام كشورها عبارتاند از (توتونچيـان،1375):
قبول سپردههاي پسانداز مدت دار و پرداخت بهرة ماندة اين نوع حسابها با توجـه بـهمدت سپرده؛
قبول سپردة ديداري (حساب جاري) و پرداخت به مشتريان.
طبق تعريفي ديگر، سپردههاي مردم نزد بانكها به سپردههاي ديداري1 (قابل نقـل و انتقـالبا چك)، سپردههاي پسانداز2 و سپردههاي مدت دار3 دسته بندي مي شـوند (منصـف و منصـوري ، 1389).
سرمايه گذاري و ريسك پذيري مشتريان بانكي
به طوركلي، هرچه سرمايه گذاري ريسك بيشتري داشته باشد، پتانسيل پاداش و سود آن نيز بيشتر است؛ با اين حال، ريسك ضرر بزرگ تري نيز در كمين بانـك وجـود دارد . هرچـه ريسـك كمتـر باشد، بازده مورد انتظار نيز كمتر خواهد بود، اما ريسك زيان نيز كاهش مي يابد. به عنوان بخشـياز فرايند تخصيص داراييها كه اولين و احتمالاً مهم ترين گـام در سـرمايه گـذاري اسـت، سـطحتحمل ريسك يا تمايل به پذيرش ريسك فرد نيز تغيير خواهد كرد؛ به اين صورت كه چه ميـزاندر داراييهاي مختلف نظير سهام، اوراق مشـاركت، ارز، طـلا، مسـكن و بانـك سـرمايه گـذاري
ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
Demand Deposits
Saving Deposits
Time Deposits
مي كند. تمايل به ريسك مشتري در بانك تابع چند متغير است كه به موقعيت خاص فرد بستگي دارد (دوموتور، 2011) از جمله:
افق زماني در سرمايه گذاري (بلندمدت، ميان مدت يا كوتاه مدت)؛
موقعيت شخصي فرد (مجرد، متأهل، جوان، ميان سال، بازنشسـته، سرپرسـت خـانواده،دانشجو، تازه كار و…)؛
سبك سرمايه گذاري فرد (تهاجمي، محافظهكارانه، با ريسك متوسط، ريسـك گريـز يـا ريسكپذير).
سرمايهگذاران الگوهاي ريسك پذيري متفاوتي دارند كه با توجه بـه ميـزان توانـايي پـذيرشريسك يا احتمال موفق بودن، ميتوان آنها را به دو الگوي متفـاوت دسـته بنـدي كـرد (دوموتـور،2013):

ريسك پذير: افرادي كه از اين الگو پيروي مي كنند، در شـرايط عـدم اطمينـان توانـاييتحمل زيادي دارند و به همان ميزان نيز خواهان دريافت بازده بيشتر هستند.
ريسكگريز: كمابيش تمام افرادي كه از اين الگو پيـروي مـيكننـد ، تحمـل پـذيرش هيچگونه شرايط عدم اطمينان را ندارند و خواهان دريافت بـازده كمتـر ، ولـي تضـمين شده اند.
از آنجا كه ثروتمند ماندن دشوارتر از ثروتمند شدن است، مديريت صحيح و منطقي ثـروت و كنترل ريسك هاي متعددي كه در بازار مالي وجود دارد، اهميت بسيار زيادي دارد كه اين مسـئلهتنها از طريق برخورداري از دانش و آگاهي كامل نسبت به علم اقتصاد ميسر مي شود. بين دانشي كه براي ثروتمند ماندن نياز اسـت و دانـش ثروتمنـد شـدن ، تفـاوت هـاي بسـياري وجـود دارد. بانكداري اختصاصي با مديريت ثروت و كنترل خطرهاي موجود مي تواند ثروت موقت را به ثروت دائم تبديل كند، بنابراين بررسي ابعاد مختلف بانكداري اختصاصي و فراهم كردن زيربناهاي مورد نياز آن در داخل كشور با توجه به پتانسيل موجود بسيار حائز اهميت است (كاراسكو، پالاسـيوس،كوادرادو، كرسپو و مزكوا، 2012).
پيشينة تجربي
بانك ها تلاش مي كنند با ارائة خدمات بانكداري اختصاصـي و پرهيـز از ارائـة خـدمات مشـابه ومشترك به تمام مشتريان، رويكرد متفاوتي را نسبت به مشـتريان ويـژه اتخـاذ كننـد. بانكـدارياختصاصي براي مشتريان ويژه، بر مواردي همچون ارائـة خـدمات متمركـز، مشـتريان معـدود وخاص، امكانات منعطف، خدمات مالي و غيرمالي متنوع و مشتري محوري مستمر متمركز ميشود ( غلامپورفرد، مختاري و رضوي خسرواني، 1391).
برخي از دانشمندان بر اهميت احساسات و نگرش هاي مشتريان هنگام تصميم گيـري نسـبتبه استفاده از خدمات تأكيد كرده و به سنجش آنهـا پرداختـه انـد (ريـدت و كارسـانا، 2017). در شركت هاي خدماتي مانند بانك ها، نگرش احساسي نقش پررنگي در استفادة مسـتمر از خـدمات بانك دارد (استراكر و وريگلي، 2016). طراحي نگرش محور خدمات بانكي، يكـي از ر ويكردهـاينويني است كه بر اساس شناسايي به موقع و دقيق مشتريان ويژه، مي تواند خدمات بانكي مناسب را به سمت اين مشتريان سوق دهد (وريگلي، 2013). به حتم، تجربـه هـاي احساسـي و نگرشـيمثبت، به رفتار مثبت مشتريان ويژه نسبت به بانك و وفاداري آنها منجـر خواهـد شـد (اسـتراكر،وريگلي و روزمان، 2015).
با توجه به تجربه هاي موفق بانكهاي دنيا در ارائة خدمات بانكداري اختصاصي به مشـتريانويژه، به نظر مي رسد كه اين خدمت مزيت هاي كاربردي و متعددي براي بانك ها دارد كه برخـي از مهم ترين آنها را ميتوان به شرح زير برشمرد (طاهري، 1391):
ورود حجم زيادي از وجه اغنياي جامعه و خانوادههاي آنها با ماندگاري زياد، بـه دليـل تمركز حسابها در بانك و به دنبال آن افزايش درآمدهاي بهره اي؛
افزايش درآمدهاي غيربهرهاي (كـارمزدي ) در نتيجـة ارائـة انـواع متنـوعي از خـدماتمديريت ثروت؛
ايجاد حس وفاداري در مشتريان و خانوادههاي آنان به دليل برقراري رابطة بلندمدت بـا بانك؛
فرصت جويي از فضاي كمتر رقابتي بانكـداري اختصاصـي، بـه دليـل تخصصـي بـودن فعاليتهاي آن.
در اين خصوص بانك ها با در نظر گرفتن وضعيت اقتصادي، اجتمـاعي، سياسـي و فرهنگـي،براي سرمايه گذاري سودآور به مشتريان خود گزينههايي نظير موارد زير را پيشنهاد مي دهنـد كـهمشتريان بر اساس ميزان تمايل به ريسك و مخاطره پـذيري، در آنهـا سـرمايه گـذاري مـيكننـد(ناظمي يگانه، 1389):

سرمايهگذاري در انواع سپرده گذاري بورسي و پذيرهنويسي؛
سرمايه گذاري در صندوق هاي سرماية مشترك؛
سرمايه گذاري در سهام شركت هاي سهامي خاص؛
سرمايهگذاري در صندوق ها ي سرمايهگذاري در زمين و ساختمان
سرمايه گذاري در ارزهاي رايج.

اين مطالعات، با پژوهشهاي گذشته نيز همخواني دارند. براي نمونه، ليو (2001) بـا بررسـيعملكرد پنج بانك فليپيني كه به بانكداري اختصاصي مشغول بودند، به اين نتيجه دست يافت كه اين بانك ها همگام با رشد فناوري پيش مي روند و دو موضـوع مسـئوليت اجتمـاعي و تعهـد بـهجامعه براي آنها اهميت ويژه اي دارد. همچنين استفادة مؤثر از كمپينهاي مناسب تبليغاتي، مسير پيشرفت بانكها را هموارتر كرده است.
شفيعي رودپشتي، حكاكي، جلالي و نوري (1393) مطالعهاي را با عنوان »تحليلي بر وضعيت بانكداري اختصاصي در ايران« با هدف بررسي وضعيت بانكداري اختصاصي انجام دادند. با توجـهبه نتايج تحقيق، 27 مورد از آسيبهاي موجود در راه توسعة بانكداري اختصاصـي شناسـايي شـدكه در سه دسته آسيبهاي اجرايي ـ ساختاري، ادراكي ـ شناختي و آسيبهاي بـدون خواسـت واراده قرار گرفتند. شايان ذكر است كه پـنج عامـل دولتـي بـودن بانـك هـا، كمبـود تجهيـزات وامكانات، كمبود منابع مالي، كمبود نيروي انساني و نبودن سيستم جامع استعداديابي منابع انساني و بي ثباتي اقتصادي، به عنوان آسيبهاي اصلي شناخته شدند.
در پژوهش حاضر بـه منظـور رفـع مسـائل ذكـر شـده و حركـت بـه سـمت هوشمندسـازي تصميمگيري دربارة مشتريان ويژه در بانكها، از الگوريتم هاي دادهكاوي استفاده شـده اسـت. در ادامه ب هطور مختصر به توصيف داده كاوي پرداخته شده است.
داده كاوي و فرايند آن
تعاريف مختلفي از دادهكاوي ارائه شده است. داده كـاوي بـه بررسـي و تجزيـه و تحليـل مقـاديرعظيمي از داده ها به منظور كشف الگوي قـوانين پنهـان و معنـادار درون داده هـا گفتـه مـي شـود(شهرابي و شجاعي، 1390). در تعريف ديگر، داده كاوي به فرايند نيمه خودكـار تجزيـه و تحليـلپايگاه دادههاي بزرگ به منظور يافتن الگوهاي مفيد اطلاق شده است (هان، كمبر و پي، 2011).
ويتن و فرانك (2005) نيز، دادهكاوي را فراينـد اسـتخراج اطلاعـات معتبـر، از پـيش ناشـناخته،فهم پذير و قابل اعتماد از پايگاه داده هاي بزرگ و استفاده از آن در تصميم گيري براي پيادهسازي فعاليت هاي تجاري مهم تعريف كرده اند.
داده كاوي فرايند كشف دانش پنهان درون داده هاست كه با توصـيف، تشـريح، پـيشبينـي وكنترل پديده هاي گوناگون، كاربرد بسيار وسيعي در حوزه ها ي مختلف دارد؛ به گونهاي كـه مـرز ومحدوديتي براي آن در نظر گرفته نشده و از ذرات كـف اقيـانوس تـا اعمـاق فضـا كـاربرد دارد .
داده كاوي نوعي جنبش ميانرشته اي است كه حوزههايي از قبيـل پايگـاه هـاي اطلاعـاتي، آمـار،يادگيري ماشيني، محاسبات سريع، مصورسـازي و رياضـيات را دربر مـي گيـرد (مـاركو و راسـل،2009).
به طور كلي داده كاوي داراي دو رويكرد يادگيري نظارت شده1 و بدون نظارت2 است (شـهرابيو شجاعي، 1390). در داده كاوي نظارت شده، با داشتن يك متغير هدف خاص و از پـيش تعيـينشده، الگوريتم به دنبال الگوي خاص خواهد بود، در حالي كه در داده كاوي بـدون نظـارت، متغيـرهدفي وجود ندارد و هدف يافتن تشابهات بين گروه هاي هماننـد از اطلاعـات اسـت. روش هـا ي داده كاوي را براساس فعاليت و وظيفه به گروههاي زير مي توان طبقه بندي كرد (لاروس، 2014):
دسته بندي (طبقه بندي)
تخمين
پيش بيني
همبستگي
خوشه بندي
توصيف و نمايه سازي
اولين مدل فرايندي داده كاوي توسط فياد و همكارانش ارائه شده است (هان و همكاران، 2011). اين مدل شامل نه فاز است: فاز اول با هدف شناسايي حوزة كاربرد و درك قلمرو اجرا شده و هدف فرايند دادهكاوي از ديد كاربران شناسايي مي شود. در فاز دوم، داده هاي مدنظر انتخاب و ايجاد مي شوند تا فرايند كشف دانش روي آنها صورت گيرد. در فاز سوم، پالايش3 و پيش پردازش داده ها انجام ميشود كه شامل فعاليت هايي مانند حذف موارد داراي اختلال و پركردن مقادير داده اي است كه هنگام ورود اطلاعات در دسترس نبوده اند. در گام چهارم به تبديل و كاهش ابعاد دادهها اقدام ميشود. گام پنجم به انتخاب روش داده كاوي مدنظر، مانند طبقه بندي، خوشه بندي و… اختصاص دارد. فاز ششم، شامل پياده سازي الگوريتم داده كاوي مدنظر و تعيين و تنظيم پارامترهاي آن است. در گام هفتم، الگوريتم انتخاب شده در مرحلة قبل روي دادهها اعمال مي شود. گام هشتم تفسير نتايج حاصل از اجراي الگوريتم است و در نهايت، در گام نهم دانش كشف شده از دادهها استفاده و مستندسازي شده و در سيستمهاي موجود كسبوكار به بهرهبرداري ميرسد. فرايند دادهكاوي و كشف دانش، نوعي فرايند تعاملي بين كاربران و كاوشگران داده است و به حلقه هاي تكرار بين مراحل مختلف نياز دارد.
پيشبيني و طبقهبندي
عبارت پيشبيني به هر دو حالت پيشبيني مقادير عـددي و پـيشبينـي كـلاسهـا اشـاره دارد. پيش بيني شامل شناسايي روند توزيع براساس اطلاعات در دسترس است. طبقهبندي و پيشبيني
ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
.1 Supervised
32.. Cleansing Unsupervised
ممكن است به تجزيه و تحليل داده ها و متون علمي مرتبط نياز داشته باشد تا صـفاتي را كـه درفرايند طبقهبندي يا پيشبيني مشاركت و اثرگذاري ندارند، شناسـايي شـده و در صـورت تمايـل حذف شوند (هان و كمبر، 2006). الگوريتم هـا ي مختلفـي كـه مبتنـي بـر شـبكه هـا ي عصـبي،ماشين هاي بردار پشتيبان، توابع شعاعي پايه، رگرسيون و ساير روش هـا ي پيوسـته انـد ، قـادر بـه پيشبيني دقيق با بيشترين جزئيات هستند.
از سوي ديگر، طبقه بندي فرايند جست وجـوي مجموعـهاي از مـدل هـا يـا توابـع اسـت كـه كلاسهاي داده يا مفاهيم را توصيف يا تفكيك مي كند تا بتوان از اين مدل ها بـراي پـيشبينـيكلاس اشيا استفاده كرد. مدل استخراج شده، بر پاية تحليل مجموعهاي از دادههاي آموزشـي يـادادههايي است كه كلاس و طبقة آنها از پيش مشخص است. روش هايي مانند درخت تصميم، k نزديك ترين همسايه، الگوريتم بيزين ساده و كمي سازي بردار يادگيرنده، در حوزة الگـوريتم هـا ي طبقهبندي قرار ميگيرند (هان و كمبر، 2006). براي كسب اطلاعات كامل درباره الگوريتم هـاي داده كاوي و انواع طبقه بندي آنها، مقالات متعددي وجود دارند كه يكي از جامعترين آنهـا، مقالـة ليائو، چو و هسيائو (2012) است.
روششناسي پژوهش
تحقيق حاضر بر اساس هدف از نوع كاربردي و به لحاظ گـردآوري داده هـا از نـوع كمـي اسـت .
تحقيق كاربردي در جست وجوي دستيابي به هدف عملـي اسـت (دلاور، 1392) بـه بيـان ديگـر تحقيقات كاربردي به سمت كاربرد عملي دانش هدايت مي شـوند (بازرگـان و همكـاران ، 1386). تحقيق حاضر برمبناي اطلاعات جمعيـت شـناختي، تـراكنش هـا ي مـالي و سـرمايه گـذاري هـاي سپردهمحور دو هزار نفر از مشتريان عادي و ويژة يكي از بانكهـا ي بـزرگ كشـور در تهـران وشهرستان است كه بهصورت كاملاً تصادفي انتخاب شدهاند. اطلاعات جمع آوري شده مربوط بـهمشترياني است كه در آخرين ماه گردآوري اطلاعات در وضعيت فعال قرار داشتند.
در اين تحقيق از گام هاي روششناسـيCRISP-DM كـه يكـي از روشهـا ي اسـتاندارد و پذيرفتهشده براي انجام پروژه هاي داده كاوي است، استفاده مي شود. اين روش شناسي، يك مـدلفرايندي براي دادهكاوي ارائه ميدهد كه چرخة عمر هر پروژة دادهكاوي را مرور ميكند و شامل مراحل متناظر با يك پروژه، وظايف مربوطه و ارتباط بين اين وظايف است (هان و كمبر، 2006؛ لاروس، 2014). اين مراحل كه در تحقيق حاضر نيز مـدنظر قـرار گرفتـه انـد ، بـه طـور خلاصـهعبارت اند از:
شناخت كسب وكار1: در اين مرحله به بررسي و شناخت كسب وكار مدنظر پرداخته مي شــود تا اهداف و عوامل موفقيت آنها مشخص شود. پس از تدوين اهداف پروژه، وضـعيت موجـودسازمان شناخته خواهد شد و در نهايـت منـابع، نيــاز هـا و محـدوديت هـا ي موجـود تعيـين مي شوند.
شناخت دادهها2: اين مرحله با جمع آوري داده ها آغاز مي شود و بـا بررسـي كيفيـت داده هـا،آشنايي با ساختار داده ها و شكلدهي به فرضيه هـايي در خصـوص داده هـاي موجـود پـيشمي رود.
آماده سازي داده ها3: در اين گام داده هاي مد نظر انتخاب خواهند شد؛ سپس روي اين داده ها عمليات پالايش، آماده سازي، تبديل و يكپارچه سازي انجام مي شود تا از رسيدن به داده هاي با كيفيت، اطمينان لازم حاصل شود.
مدلسازي4: در اين مرحله با استفاده از روش هاي مدل سازي داده كـاوي ، يـك مـدل نمونـه ساخته مي شود و پس از هر مرحلة اجرا به دقت اعتبارسنجي5 مي گردند تا كيفيت مدل ايجاد شده سنجيده شود. اگر مدل انتخاب شده كيفيت مدنظر را نداشـته باشـد، بايـد پارامترهـايمدل را تغيير داد و مدل را بار ديگر اعتبارسنجي كـرد تـا در نهايـت يـك مـدل بـا كيفيـتبه دست آيد.
ارزيابي6: پس از مدل سازي، به ارزيابي نتايج حاصل از مدل پرداخته مي شـود و متناسـب بـامدل ساخته شده، اعتبار مدل نهايي در محيط كار واقعي بررسي خواهد شد.
پياده سازي و توسعه7 : در اين گام، طرح توسعه ارائـه مـي شـود . همچنـين طـرح نظـارت ونگهداري پس از پايان پروژه نيز در همين گام تهيه ميشود. سرانجام يك گزارش نهـايي وكامل از پروژه، استخراج شده و به مديريت تقديم خواهد شد.
همچنين از نرم افزارهاي MATLAB R2017a و Rapidminer 7.5 براي انجام تحليل ها بهره برده شده است. متغيرهايي كه در پژوهش حاضر در دسترس بودنـد و از طريـق سـرورهايبانك استخراج شدند، به شرح جدول 1 است. اين متغيرها توسط خبرگان بانكي بررسـي و تأييـدشدند و داده هاي مربوط به هر يك از آنها قابليت اتكا دارند.
ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
Business Understanding
Data Understanding
Data Preparation
Modeling
Validation
Evaluation
Deployment
جدول 1. متغيرهاي استفاده شده در تحليل داده
محتواي داده متغير نام متغير نوع متغير رديف
مرد / زن جنسيت جمعيت شناختي 1
متغير عددي سن 2
زير ديپلم / ديپلم / كارشناسي / كارشناسـيارشد / دكتري تحصيلات 3
مجرد / متأهل وضعيت تأهل 4
آزاد / كارمند (بخش دولتي يا خصوصي) شغل 5
متغير عددي معدل موجودي فعاليت مالي 6
متغير عددي گردش بستانكار 7
بلي / خير سابقة معوقات 8
بلي / خير سابقة چك برگشتي 9
مطلوب / نامطلوب پروفايل اعتباري در سيستم بانكي 10
بلي / خير مشتري ويژه متغير هدف 11
طلايي / نقره اي / پلاتينيوم رتبة مشتري ويژه متغير هدف 12
طلا، فاركس، سهام، مسكن / سپرده گذاري زمينة سرمايهگذاري سرمايه گذاري بانكي 13
كوتاه مدت / بلند مدت مدت سرمايه گذاري 14
بلي / خير سابقة زيان مالي 15
حفـظ ارزش سـرمايه/ ايج اد جريـان م الي ثابت/ افزايش سرمايه هدف از سرمايه گذاري 16
كمتر از يك چهارم سرمايه/ بين يك چهارم تا نيمي از سرمايه / بيش از نيمي از سرمايه ميزان سرمايه گذاري 17
محتاط / متعادل / مخاطره جو ميزان ريسك پذيري متغير هدف 18

سؤال هاي پژوهش
بر اساس متغيرهاي در دسترس در داده هـاي گـردآوري شـده، مهـمتـرين سـؤالهـايي كـه بـه تصميمگيري مديران نسبت به مشتري ويژه منجر ميشوند، به شرح زير تعريف شده اند. پاسخ به اين سؤال ها توسط الگوريتم هايي كه در بخش هاي بعدي استفاده مي شوند، ارائه خواهد شد.
كدام متغيرها بيشترين توانايي را در شناسايي رفتـار و پـيشبينـي تبـديل مشـتري بـهمشتري ويژه در بدو آغاز به همكاري دارند؟
آيا امكان پيش بيني رتبة (سطح) مشتريان ويژه، پيش از آغاز به همكاري با آنها وجـوددارد؟
آيا متغيرهاي ارائه شده، مي توانند ميزان تمايل به ريسك سرمايه گذاري مشتريان ويـژهرا پيش بيني كنند؟
پس از شناسايي متغيرهـا، سـ ؤالهـاي پـژوهش و دادههـا ي گـردآوري شـده، ابتـدا داده هـا پيش پردازش و پالايش مي شوند، سپس الگوريتم ها اجرا و اعتبارسـنجي مـيگردنـد و در نهايـت، يافتهها تحليل و بررسي خواهند شد.
پيشپردازش داده ها
در داده كاوي، همواره اصل بر حفظ حداكثري داده ها و فيلدهاي اطلاعاتي و پرهيز از حـذف آنهـابه دليل ارزش زياد اطلاعات به دست آمده است. داده هاي پژوهش حاضر نيز از اين اصل مسـتثنينيستند و پس از دقت و پيگيري بسيار، از طريق واحـد فنـاوري اطلاعـات و بـا اسـتفاده از انـواع روش هاي پالايش داده ها در پايگاه داده به دست آمده اند. به همين دليل تلاش مـي شـود داده هـاحفظ شوند، مگر دليل محكمي براي حذف برخي از ركوردها شناسايي شود.
شناسايي مقادير خارج از محدوده
بر مبناي متغيرهايي كه به شناسايي مشتريان ويژه منجر شـده انـد، بـه تحليـل مقـادير خـارج ازمحدوده اقدام مي شود. براي اين منظور، از روش هاي عامل خارج از محـدود ة محلـي (LOF)1 و شناسايي مقادير خارج از محدوده بر اساس فاصله2 استفاده شده است. بـا توجـه بـه اينكـه روشمبتني بر فاصله، تعداد مشخص شدة مقادير خارج از محـدوده توسـط محقـق را بـراي شناسـاييمقادير در نظر مي گيرد، بايد از روش ديگري براي بررسي بيشـتر مقـادير خـارج از محـدوده نيـزبه طور موازي كمك گرفته شود. به اين منظور با اسـتفاده از روشLOF ، تعـداد تقريبـي مقـاديرمطابق با شكل 1 بهدست آمد كه برابر با 10 ركورد دادة خارج از محدوده اسـت . در حقيقـت، 10 ركورد اول در مقدار عدد خارج از محدوده، فاصلة محسوسي با ساير ركوردهاي داده دارند. نتيجـة حاصل از روش مبتنـي بـر فاصـله نيـز شـباهت زيـادي بـه نتـايج روشLOF دارد. عـلاوه بـرركوردهاي مشابه بين دو روش، چند ركورد ديگر نيز توسط اين روش مشخص شد كه آنها نيز در تحليل ها مشاركت داده نمي شوند (شكل 2).

ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
Local Outlier Factor
Distance-Based Outlier Detection

شكل 1. مقادير خارج از محدوده بر مبناي روش LOF براي متغيرهاي جمعيت شناختي و فعاليت مالي

شكل 2. مقادير خارج از محدوده بر مبناي روش مبتني بر فاصله براي متغيرهاي جمعيت شناختي و فعاليت مالي
در گـام دوم، مقـادير خـارج از محـدودة مشـتريان ويـژه بـر اسـاس متغيرهـاي مربـوط بـه سرمايه گذاري در بانك سنجيده شدند و مشخص شد كه تعداد ركوردهاي خارج از محدوده بسيار كم هستند و تأثيري در نتيجة نهايي ندارند. نتايج تحليل در شـكل 3 ارائـه شـده اسـت. پـس ازشناسايي اين مقادير، با توجه بـه تعـداد كـم ركوردهـاي خـارج از محـدوده و ركوردهـاي داراياختلال1، اين امكان وجود دارد كه بتوان الگوريتم هاي داده كاوي را با دقت مناسبي آموزش داد و براي پيش بيني استفاده كرد. به همين منظور، در گـام بعـد بـدون در نظـر گـرفتن ايـن مقـادير، الگوريتمها روي كلية داده ها اعمال شدند تا ميزان دقـت پـيش بينـي هـا محاسـبه شـود. پـس از
ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
.1 Noise
پياده سازي الگوريتم ها و اعتبارسنجي آنها، مشخص شد كه مقادير خارج از محدوده را مي توان بـادقت بسيار مناسبي پيش بيني كرد. از آنجا كه تعداد مشتريان ويژه در هر بانك بسـيار محدودنـد،تصميم بر آن شد كه مشتريان ويژة خارج از محدوده و داراي شرايط خاص نيـز، بـه طـور كامـلتوسط الگوريتم ها لحاظ شده و تحليل ها انجام شوند تا از تمام پتانسـيل موجـود در داده اسـتفادهشود؛ مگر آن كه در نتايج الگوريتم ها انحراف غيرقابل رفعي ايجاد شود كه در نهايت دقت نتـايجدر سطح مطلوبي ارزيابي شد.

شكل 3. مقادير خارج از محدوده بر مبناي روش مبتني بر فاصله و LOF براي متغيرهاي سرمايه گذاري بانكي
تحليل همبستگي دادهها
پس از تحليل اولية مقادير خارج از محدوده، به تحليل همبستگي دادهها اقدام شد. بر اساس ايـن كه اغلب فيلدهاي اطلاعاتي در حالت دو يا چند وضعيتي قرار دارند، تحليل همبستگي آنها دقيق و قابل اتكا نخواهد بود. از سوي ديگر، امكان ورود آنها به الگوريتم هاي متناسب با فيلدهاي چند حالتي مهيا است. با وجود اين، به منظور تحليل دقيقتر دادهها، همبستگي تقريبـي آنهـا سـنجيدهشد كه نتيجة آن در شكل 4 ارائـه شـده اسـت. تنهـا فيلـدهاي گـردش مـالي و مانـدة حسـاب، همبستگي نسبتاً زيادي دارند كه بهدليل ارتباط حجم تراكنشها با مانـدة حسـاب اسـت . ايـن دوفيلد به دليل ماهيت متفاوت، بايد در تحليلها در نظر گرفته شوند. به همين دليل نيازي به حـذفيكي از دو فيلد نيست. نتايج نهايي الگوريتم ها نيز نشان دهندة دقت زياد يافته ها است. با توجه به اينكه بقية فيلدها همبستگي چنداني ندارند، مي توان از آنهـا بـهطـور مسـتقيم در الگـوريتم هـا ي پيش بيني كننده استفاده كرد.

شكل 4. نتايج تحليل همبستگي متغيرهاي تحقيق
در ادامة پيش پردازش دادهها و قبل از انجام داده كاوي، از الگوريتم هـاي تحليـل م ؤلفـه هـاي اصلي1 و تجزية مقدار منفرد2 نيز استفاده شد كه چون تأثير معنادار و مهمي بـر نتـايج داده كـاوي نداشتند، نتايج آنها در مقاله ذكر نشد. در نهايت، كلية متغيرها و ركوردها مـدنظر قـرار گرفتنـد وبه دليل نتايج مطلوب الگوريتم هاي داده كاوي، هيچ يك از فيلدها يا ركوردها حذف نشدند.
پيادهسازي الگوريتم ها و تحليل يافته ها
براي پياده سازي طبقه بندي، الگوريتم هاي بسياري آزمون شدند كه از بـين آنهـا، الگـوريتم هـا ي درخت تصميم؛ K نزديكترين همسايه؛ شبكه هاي بزيين3 و شبكههاي عصبي چندلايه4 بهترين
ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
.1 Principal Component Analysis (PCA)
.2 Singular Value Decomposition (SVD)
Naïve Bayes
Neural Networks
نتايج بودند و به عنوان الگوريتم هاي منتخب، براي طراحي، پيـاده سـازي، اعتبارسـنجي و تحليـليافته ها استفاده شدند.
طبقه بندي و پيش بيني مشتري ويژه
در گام نخست داده كاوي، بر اساس فيلدهاي ورودي اي كه بر مشتري ويژه اثرگذارند و در بخـشقبل ذكر شده بودند، به آموزش مدل طبقه بنـدي اقـدام شـد. نتـايج پيـاده سـازي و اعتبارسـنجيالگوريتم ها (شكل 5) و همچنين درخت تصميم به دست آمده، نشان دهندة اين مهم است كـه بـااستفاده از متغيرهاي ماندة حساب و گردش بستانكار مالي، با دقت بسيار زيادي مي توان مشتريان ويژه را شناسايي كرد كه با رويكرد مديريتي و تصميم گيري بانك كاملاً تطابق دارد.
دقت الگوريتم K-NN بيش از ساير الگوريتم ها و برابـر بـا 100 درصـد بـهدسـت آمـد، امـا بيش برازش زيادي روي داده ها ايجاد كرده است؛ در صورتي كه داده هاي مشابهي در اختيار ايـنالگوريتم قرار گيرد، اصولاً دقت تخمين كمتري ارائه مي كند. دقت الگوريتم هاي درخت تصميم و شبكههاي عصبي بسيار مناسب هستند، فقط دقت روش بيزين به طور نسبي كمتر است.

شكل 5. دقت الگوريتم هاي طبقه بندي (به ترتيب: شبكه هاي عصبي، درخت تصميم، شبكه هاي بيزين و K نزديك ترين همسايه)
با وجود دستيابي به نتايج بالا، هنوز به سؤال اصلي پژوهش (آيـا مـي تـوان بـدون توجـه بـهگردش بستانكار مشتري و ماندة حساب، به طبقه بندي مشتريان ويژه و شناسايي آنهـا از ابتـدايورود به بانك اقدام كرد؟) پاسخ داده نشده است. براي پاسخ به اين سؤال، فيلدهاي مذكور حذف شدند و بار ديگر طبقه بندي داده ها انجام گرفت. بر پاية نتايج به دست آمده، مشاهده مي شود كـههمچنان الگوريتم ها از دقت بسيار بالايي برخوردارند و بدون توجه به گردش و ماندة حساب نيـز مي توان مشتريان ويژه را شناسايي كرد (شكل 6).

141725-2667105

شكل 6. دقت الگوريتم هاي طبقه بندي پس از حذف فيلدهاي ماندة حساب و گردش اعتبار مشتري
پس از حذف فيلـدهاي مـالي، نتـايج اعتبارسـنجي الگـوريتم هـا نشـان مـي دهـد همچنـانالگوريتم هاي شبكة عصبي و درخت تصميم، دقت بسيار مناسبي دارند و درخت تصـميم بهتـرينپاسخ را به يادگيري طبقه بندي و پيش بيني مشتري ويژه ارائه مي كند. نتـايج اعتبارسـنجي روشبيزين پايه به طور مشخص كمتر بود و روش K نزديك ترين همسـايه نيـز كـه جـزء روش هـا ي طبقه بندي غيردقيق در پيش بيني و سريع در محاسبه به شمار ميرود، دچار بيش برازش شده است كه براي پيش بيني آينده مناسب نيست. نتيجه حاصـل از درخـت تصـميم در قالـب شـكل 7 بـهنمايش گذاشته شده است.

شكل 7. درخت تصميم براي طبقه بندي و پيش بيني مشتريان ويژه بدون درنظرگيري ماندة حساب و گردش بستانكار
بر اساس طبقه بندي به دست آمده از درخت تصميم، به سهولت مي توان گفت:
جنسيت تأثيري در انتخاب مشتريان ويژه ندارد و تأثير معناداري بر تصميم گيري بانـكنمي گذارد؛
گردش بستانكار مناسب در حساب مشتري، احتمال تبديل شدن وي به مشتري ويژه را افزايش مي دهد؛
متغيرهاي بعدي كه بسيار مهم هستند، سن و وضعيت تأهل مشتري است. اصولاً افراد ميان سال متأهل، احتمال بيشتري دارد تا به مشتريهاي ويژه تبديل شوند. مشـترياني كه سن آنها حدود 50 تا 60 سال است، بازة طلايي براي انتخاب مشتري ويژه خواهند بود.
پس از آن، عدم وجود ادعاي حقوقي عليه مشتري بيشترين احتمال را براي تبديل شدن مشتري به مشتري ويژه ايجاد مي كند.
چك برگشتي تأثير معناداري بر تبديل شدن مشتري به مشتري ويـژه نـدارد؛ چراكـه ازطريق سازوكارهاي نظام بانكي قابل پيگيري و رفع اثر است.
نكتة جالب ديگر، بي تأثير بودن سطح تحصيلات و شغل مشتري بـر تبـديل شـدن بـهمشتري ويژه است كه بنا به گفتة خبرگان بانك منتخب، عمدتاً به دليل بـي دقتـي زيـاد اين فيلدهاي اطلاعاتي است؛ چراكه برخي از مشتريان ممكن است كه شغل را عـوضكنند يا از لحاظ تحصيلي به سطح بالاتري دست يابند، ولي به بانك اطلاع ندهنـد . بـاحذف اين دو فيلد و طبقه بندي مجدد، مشخص شد كه اين دو فيلـد تـأثير زيـادي بـرنتايج و يافته هاي طبقه بندي و پيش بيني مشتري ويژه ندارند.
ارزشمندي اين يافته ها در آن است كه تمام اين موارد را در همـان لحظـة ورود مشـتري بـهبانك مي توان تشخيص داد و سياست هاي اجرايي و تعاملي بانك با مشتري را بر همـان اسـاستنظيم و هدايت كرد.
طبقه بندي و پيشبيني رتبة مشتري ويژه
در مرحلة دوم، با همان فيلدهاي اطلاعاتي مرحلة اول و بدون احتسـاب مانـدة حسـاب بـانكي وگردش بستانكار مشتري، به طبقه بندي و يادگيري ويژگي هاي مشتريان بر اساس رتبـة مشـتريويژه اقدام شد. اين سطوح در چهار طبقة طلايي، نقره اي، پلاتينيوم و بـدون سـطح طبقـه بنـدي شدهاند. هدف از گام دوم داده كاوي اين است كه دريابيم آيا امكان پيش بيني رتبة مشـتري ويـژهدر آينده بر اساس داده هاي لحظة ورود به بانك و تصميم گيري بر اساس آن وجود دارد يـا خيـر.
به ه مين دليل، الگوريتم هاي منتخب طبقه بندي روي دادهها اعمال شدند و اين فيلـد بـه عنـوانفيلد هدف براي يادگيري در نظر گرفته شد.
نتايج اعتبارسنجي يافته ها و درخت تصـميم بـهدسـت آمـده در شـكل هـا ي 8 و 9 مشـاهدهمي شوند.
141725-3147156

شكل 8. دقت الگوريتم هاي طبقه بندي براي پيش بيني سطح مشتري ويژه

شكل 9. درخت تصميم پيش بيني كنندة رتبة مشتري ويژه
بر مبناي دقت اعتبارسنجي ها و درخت تصميم ايجاد شده، مي توان دريافت كـه سـن، سـطحتحصيلات و ردة شغلي، در تشخيص سطح مشتري ويژه مؤثرند. بر مبناي درخت تصميم مي توان مشخص كرد كه هرچه سن و تا حدي تحصيلات بيشتر باشد، امكان افزايش سريع رتبة مشتري ويژه وجود خواهد داشت. از سوي ديگر، گردش بستانكار مشـتري بلافاصـله پـس از تحصـيلاتاثرگذار است. عدم وجود ادعاي حقوقي در سال هاي گذشته نيز بر افزايش سريع سطح مشتري از پلاتينيوم به طلايي تأثير مي گذارد.
در ادامه، درختوارة اگرـ آنگاه مربوط به شناسايي سطح مشتريان ويژه در بدو ورود بـه بانـك، ارائه شده است. همان گونه كه مشاهده مي شود، هرچند سن بسيار تأثيرگذار است با ورود جوانـانسرمايه گذار و كارآفرين به حوزة كسب وكار، اثرگذاري سن بـر تبـديل شـدن بـه مشـتريان ويـژه، كاهش مي يابد.

طبقه بندي و پيشبيني ميزان تمايل به ريسك مشتري ويژه
پس از امكانسنجي پيش بيني تبديل مشتري به مشتري ويژه و همچنين پيش بيني رتبة مشتري ويژه، اين امكان نيز در داده ها فراهم آمده است كه ميزان تمايل بـه ريسـك مشـتريان سـنجيدهشده و توسط الگوريتم ها آموخته شود. به همين منظور متغيرهاي مربوط به سرمايه گذاري شـاملسطح و مدت زمان سرمايه گذاري، وجود تجربة زيان مالي، ميزان هدفمندي سرمايه گذاري و مبلغ سرمايه گذاري در بانك در نظر گرفته شدند. اين فيلدها، متغيرهايي هستند كه بهطور معمول براي ارزيابي سطح ريسك پذيري مشتريان سرمايه گذار استفاده مي شوند.
نتايج نشان داد ميزان دقت الگوريتم ها در سنجش اين متغير نيز بسيار مناسب است و امكـانتفكيك دقيق و صحيح ميزان تمايل به ريسك پذيري مشتريان وجود دارد. درخت تصميم حاصل از اين ارزيابي در شكل 10 مشاهده مي شود.

شكل 10. درخت تصميم پيش بيني كنندة ميزان تمايل به ريسك مشتري ويژه
با توجه به هـر يـك از شـاخه هـا ي اصـلي درخـت، مـي تـوان دريافـت كـه سـطح و مبلـغ سرمايهگذاري، بيشترين تأثير را در انتخاب مشتري ويژه در بانك دارد؛ بـه صـورتي كـه مسـائليمانند تجربة زيان مالي در گذشته، مدت زمان سرمايه گذاري و سطح هـدف سـرمايه گـذاري، اثـرچنداني بر ميزان تمايل مشتري به ريسك پذيري نمي گذارند.
با توجه به اينكه متغيرهاي ورودي توسط بانك امتيازدهي شده اند و هدف از پژوهش حاضـر،تشخيص ميزان تمايل به ريسك در بدو ورود به بانك است، بار ديگر ميزان تمايل مشـتريان بـهريسك بر اساس متغيرهاي اولية تحقيق بدون درنظرگيري متغيرهاي سرمايه گـذاري و بـا لحـاظمتغير تمايل به ريسك بهعنوان متغير خروجي، به كمك الگوريتم ها سنجيده خواهد شد. نتايج اين اعتبارسنجي و درخت تصميم نهايي در شكلهاي 11 و 12 مشاهده مي شود.

شكل 11. دقت الگوريتم هاي طبقه بندي براي پيش بيني سطح ميزان تمايل به ريسك مشتري ويژه
درخت تصميم ارائه شده در شكل 12، نشان دهندة اين مهم است كه با دقت و اعتبـار بسـيارمناسبي، مي توان به شناسايي ميزان تمايل به ريسـك مشـتريان ويـژه اقـدام كـرد . در حقيقـت،گردش بستانكار مشتري، ماندة حساب و سن مشتري، اثرگـذارترين متغيرهـا هسـتند. بـا حـذفگردش بستانكار و ماندة حساب، همچنان مي توان دريافت كه درخت تصميم بسـياري دقيقـي بـااعتبار بيش از 90 درصد خواهيم داشت كه ميتواند بر اساس شاخص هاي سن، جنسيت، ارزيـابياعتبار، وضعيت تأهل، دعاوي حقوقي، سطح تحصيلات و شغل، سطح تمايل مشتري بـه ريسـكرا مشخص كند (شكل 13).

شكل 12. درخت تصميم پيش بيني كنندة ميزان تمايل به ريسك مشتري ويژه بر اساس ويژگي هاي اولية مشتري

شكل 13. درخت تصميم پيش بيني كنندة ميزان تمايل به ريسك مشتري ويژه بعد از حذف گردش اعتباري و ماندة حساب مشتري
مجموعة قواعد اگر ـ آنگاه مرتبط با درخت تصميم شكل 13 نيز در ادامه ارائه شده است.

در صورتي كه بانك بتواند بر اساس شرايط اوليـ ة مشـتري و بـدون سـرمايه گـذاري ، سـطحمشتري ويژه و ميزان تمايل وي به ريسك را معين كند، سياست گذاري و تصميم گيـري تعـامليبانك به سمت مشتريان ويژه با دقت بسيار زيادي امكان پذير مي شود كـه در طـولاني مـدت، بـهبهبود سطح عملكرد



قیمت: تومان


پاسخ دهید