مدیریت استراتژیک هوشمند

مدیریت استراتژیک هوشمند

طراحی مدل هوشمند بخش‌بندی مشتریان حقوقی در مؤسسات مالی و بانکی با بهره‌گیری از معماری‌های چندلایۀ شبکه‌های عصبی توزیعی مبتنی بر پردازش هوشمند داده‌های کلان

نوع مقاله : مقاله پژوهشی

نویسندگان
سیده معصومه غمخواری 1
سیدمهدی الموتی فرد 2
شمس الدین نیک منش 3
حانیه شاه بختی 4
1 استادیار، گروه مدیریت بازرگانی، دانشگاه پیام نور، تهران، ایران.
2 دکتری مدیریت علوم بانکی،موسسه عالی آموزش بانکداری ایران، بانک مرکزی، تهران، ایران
3 استادیار، دانشگاه پیام نور، تهران، ایران.
4 گروه مدیریت، دانشگاه پیام نور، تهران، ایران.
bumara.3.2.11235564.35886321
چکیده
این تحقیق به ارائه رویکردی مبتنی بر ارزش طول عمر مشتری (CLV) و شبکه‌های عصبی مصنوعی (ANN) برای دسته‌بندی مشتریان حقوقی بانک می‌پردازد. CLV در بانک به این معناست که هر مشتری برای بانک چقدر ارزش مالی ایجاد می‌کند. تحقیق از نوع کاربردی و شبه‌تجربی و جامعه آماری شامل 127.672 شناسه حقوقی در سامانه مشتریان حقوقی بانک تجارت است. داده‌ها از طریق فیش‌برداری از پرونده‌های مشتریان در یک دوره شش ماهه جمع‌آوری می‌شوند. نمونه‌گیری به صورت تمام‌شماری است. از الگوریتم‌های کا-میانگین و شبکه‌های عصبی مصنوعی برای خوشه‌بندی مشتریان استفاده می‌شود. شبیه‌سازی‌ها نشان داد که الگوریتم شبکه‌های عصبی مصنوعی نتایج دقیق‌تری را نسبت به الگوریتم کا-میانگین ارائه می‌دهند. این رویکرد می‌تواند به طور مؤثری مشتریان را به سه خوشه دسته‌بندی کند. خوشه‌ها بر اساس نظرات خبرگان بانکی بررسی شدند؛ تا تحلیل عمیق‌تری انجام شود. با توجه به اطلاعات مشتریان حقوقی بانک تجارت، این دسته‌ها از نظر CLV مورد بررسی قرار گرفتند. استراتژی‌های بازاریابی و فروش متناسب با هر خوشه مشتری تدوین شد. رویکرد پیشنهادی در این تحقیق می‌تواند به بانک‌ها در بهبود فرآیند دسته‌بندی مشتریان خود و در نهایت افزایش سودآوری و حفظ مشتریان کمک کند.
کلیدواژه‌ها
CLV
شبکه‌های عصبی مصنوعی
خوشه‌بندی مشتری
بانکداری

عنوان مقاله English

Designing an Intelligent Model for Segmenting Corporate Customers in Financial and Banking Institutions Using Multi-Layer Distributed Neural Network Architectures Based on Big Data Intelligent Processing

نویسندگان English

Seyedeh Masoumeh Ghamkhavari 1
Seyed Mahdi AlamoutiFard 2
Shamsodin Nikmanesh 3
Hanieh Shahbakhti 4
1 Assistant Professor, Department of Business Administration, Payam Noor University, Tehran, Iran.
2 PhD in Banking Management, Higher Institute of Banking Education of Iran, Central Bank, Tehran, Iran
3 Assistant Professor, Payam Noor University, Tehran, Iran.
4 Department of Management, Payam Noor University, Tehran, Iran.
چکیده English

This research presents an approach based on customer lifetime value (CLV) and artificial neural networks (ANN) to classify bank corporate customers. CLV in banking means how much financial value each customer creates for the bank. The research is of an applied and quasi-experimental type and the statistical population includes 127,672 corporate IDs in the Tejarat Bank Corporate Customer System. Data are collected by scanning customer files over a six-month period. Sampling is by enumeration. K-means algorithms and artificial neural networks are used to cluster customers. Simulations showed that the artificial neural network algorithm provides more accurate results than the K-means algorithm. This approach can effectively classify customers into three clusters. The clusters were reviewed based on the opinions of banking experts; in order to conduct a deeper analysis. Based on the data of Tejarat Bank's corporate customers, these categories were analyzed in terms of CLV. Marketing and sales strategies were developed for each customer cluster. The approach proposed in this research can help banks improve their customer segmentation process and ultimately increase profitability and customer retention.

کلیدواژه‌ها English

CLV
Artificial Neural Networks
Customer Clustering
Banking
باغستانی، م. (1392). بررسی قدرت پیش‌بینی مدل‌های اقتصادسنجی، شبکه عصبی مصنوعی و ماشین بردار پشتیبان در ریسک اعتباری مشتریان حقیقی بانک‌های ایرانی: مطالعه موردی بانک کشاورزی دانشگاه امام صادق علیه السلام.
سرخابی، ف. ف. (1395). بررسی تأثیر شاخص‌های اعتبارسنجی بر عملکرد اعتباری مشتریان حقوقی بانک اقتصاد نوین دانشگاه تبریز، پردیس بین‌المللی ارس.
عراقی، م. آ. (1400). تأثیر اعتبارسنجی مشتریان حقوقی بر کفایت سرمایه بانک دانشگاه ‌آزاد اسلامی واحد تهران شرق-قیام دشت.
علیزاده، ر. (1390). اندازه‌گیری ریسک اعتباری مشتریان حقیقی در یک بانک تجاری با استفاده از الگوی شبکه عصبی مصنوعی (مطالعه موردی بانک ملت خراسان شمالی) دانشگاه مازندران.
کاشی، م. (1399). مقایسه رویکردهای لاجیت و تحلیل پوششی داده در اعتبارسنجی مشتریان حقوقی بانک‌ها (مطالعه موردی: شعب بانک صادرات استان اصفهان) دانشگاه پیام نور استان اصفهان، مرکز پیام نور اصفهان.
کریمی‌خانقاه، م. (1397). تدوین مدل پیش‌بینی ریزش مشتریان از طریق شبکه‌های عصبی مصنوعی: مطالعه موردی در بانک مسکن مؤسسه آموزش عالی رجاء.
موسویان، س.، و صادقی، م. (1401). بررسی عوامل تعیین‌کننده تسهیلات اعطایی مرتبط با سرمایه در گردش مشتریان حقوقی بانک سپه پنجمین همایش ملی توسعه علوم فناوری‌های نوین در مدیریت، حسابداری و کامپیوتر.
یاری‌فرد، ر.، و اصل‌یزدی، ط. (1402). تبیین الگوی پیش‌بینی ریسک نکول تسهیلات شبکه بانکی ایران با استفاده از شبکه عصبی مصنوعی در میان بانک‌های پذیرفته‌شده در بورس اوراق بهادار تهران اولین همایش بین‌المللی مدیریت، حسابداری و اقتصاد با رویکرد نگاهی به آینده
AboElHamd, E., Shamma, H. M., & Saleh, M. (2020). Maximizing customer lifetime value using dynamic programming: Theoretical and practical implications. Academy of Marketing Studies Journal, 24(1), 1-25.
Alves Gomes, M., & Meisen, T. (2023). A review on customer segmentation methods for personalized customer targeting in e-commerce use cases. Information Systems and e-Business Management, 21(3), 527-570.
Amendah, E. R., Kohli, A., Kumthekar, N., & Singh, G. (2023). Impact of Financial and Nonfinancial Constructs on Customer Lifetime Value (CLV): US Retailer’s Perspective. Journal of Relationship Marketing, 22(3), 202-237.
Azar, A., Khodadad Hosseini, S. H., & Safari Kahreh, M. (2021). Customer Lifetime Value (CLV) analysis for customer segmentation and profitability management: A case study of an Iranian Bank. Management Research in Iran, 18(4), 87-110.
Ben Ncir, C.-E., Ben Mzoughia, M., Qaffas, A., & Bouaguel, W. (2023). Evolutionary multi-objective customer segmentation approach based on descriptive and predictive behaviour of customers: application to the banking sector. Journal of Experimental & Theoretical Artificial Intelligence, 35(8), 1201-1223.
Chan, M. M. W., & Chiu, D. K. (2022). Alert-Driven Customer Relationship Management in Online Travel Agencies: Event-Condition-Actions Rules and Key Performance Indicators. In Building a brand image through electronic customer relationship management (pp. 286-303). IGI Global.
Dandis, A. O., Al Haj Eid, M. B., Robin, R., & Wierdak, N. (2022). An empirical investigation of the factors affecting customer lifetime value. International journal of quality & reliability management, 39(4), 910-935.
Das, P., & Singh, V. (2022). Knowing your customers using customer segmentation. In Computational Methods and Data Engineering: Proceedings of ICCMDE 2021 (pp. 437-451). Springer.
De Marco, M., Fantozzi, P., Fornaro, C., Laura, L., & Miloso, A. (2021). Cognitive analytics management of the customer lifetime value: an artificial neural network approach. Journal of Enterprise Information Management, 34(2), 679-696.
Giordani, P., Ferraro, M. B., Martella, F., Giordani, P., Ferraro, M. B., & Martella, F. (2020). Introduction to clustering. Springer.
Hamilton, S. (2022). Deep learning computer vision algorithms, customer engagement tools, and virtual marketplace dynamics data in the metaverse economy. Journal of Self-Governance and Management Economics, 10(2), 37-51.
Msibi, B. C. (2021). Customer Lifetime Value Drivers of Independent Retailers Wits Business School].
Peker, S., & Kart, Ö. (2022). A machine learning framework for data-driven CRM. In The Impact of Artificial Intelligence on Governance, Economics and Finance, Volume 2 (pp. 87-103). Springer.