داده کاوی در صنعت بانکداری

عنوان پایان نامه: داده ­کاوی در صنعت بانکداری

پروژه کارشناسی-رشته مهندسی فناوری اطلاعات و کامپیوتر

فرمت فایل: word

تعداد صفحات: 138

شرح مختصر:

امروزه با گسترش روزافزون اطلاعاتی که بشر با آن­ها سر و کار دارد، بهره ­گیری از روش­هایی هم­چون داده­ کاوی برای استخراج دانش و اطلاعات نهفته در داده ­ها امری غیر قابل اجتناب است. سازمان­ها با استفاده از داده­ کاوی می­توانندفرآیندهای تصمیم­ گیری را بهبود بخشند. داده ­کاوی سبب می­شود که سازمان­ها ازسطح داده به سطوح بالاتر دانش و الگوهای ناشناخته برسند.

در این میان بانک­ها اساساً از پایگاه­های داده متعدد و گسترده­ای برخوردار هستند که حاوی اطلاعات مربوط به مبادلات و جزئیات دیگر مربوط به مشتریانشان است. داده ­کاوی به نوبه­ی خود در راستای حل مسائل موجود در کسب و کار در صنعت بانکداری و مالی آن هم به واسطه ­ی یافتن الگوها، روابط علی و معلولی و روابط حاکم در قیمت­های بازار و اطلاعات کسب و کار مشتریان به کار می­رود. 

فهرست مطالب

عنوان صفحه

فصل 1 دانش نوین داده­کاوی

1-1. مقدمه ......................................... 1

1-2. تاریخچه داده­ کاوی .................................................................. 2

1-3. چرا داده ­کاوی لازم است؟ ...................................................................... 2

1-4. فرآیند کشف دانش و داده ­کاوی .................................... 3

1-5. معرفی برخی از روش­های داده­ کاوی .............................. 7

1-5-1. تحلیل انحراف .................................................. 8

1-5-2. نمایه ­سازی ............................................ 9

1-5-3. قوانین وابستگی .............................................. 10

1-5-4. تحلیل توالی ......................................... 13

1-5-5. خوشه ­بندی .............................................. 14

1-5-6. دسته­ بندی ......................................... 19

1-5-7. پیش ­بینی ......................................................... 21

فصل 2 کاربرد­های داده­ کاوی در صنعت بانکداری

2-1. مقدمه ..................................................................... 23

2-2. داده ­کاوی در بازاریابی مدیریت ارتباط با مشتریان بانک ................................. 25

2-2-1. مدیریت ارتباط با مشتری و پروفایل ­سازی از آن­ها ........................ 27

2-2-2. مراقبت از مشتری ...................................................................... 32

2-2-3. داده ­کاوی و تحلیل رویگردانی مشتریان ........................................ 34

2-3. کاربرد داده­ کاوی در کشف تقلب و سوء استفاده­ های مالی ................................ 42

2-4. داده ­کاوی و پیش­ بینی عملکرد بانک ................................. 55

2-5. داده ­کاوی در ارزیابی اعتبار مشتریان بانک .............................. 60

2-6. کاربرد داده ­کاوی در ارزیابی عملکرد بانک ............................ 68

 فصل 3 مثال­های عملی از کاربرد داده­ کاوی در صنعت بانکداری

3-1. کاربرد داده­ کاوی در بخش­بندی مشتریان ........................... 74

3-1-1. مقدمه ................................................ 74

3-1-2. ارزش چرخه عمر مشتری، مفهوم تعاریف ................................. 76

3-1-3. استفاده از مدل­های خوشه ­بندی و CLV جهت بخش­بندی مشتریان بانک ....................... 77

3-1-4. ارائه سرویس مناسب به مشتریان بالقوه ......................................... 81

3-2. رتبه­ بندی اعتبار متقاضیان دریافت وام با استفاده از تکنیک­های داده­ کاوی ................ 84

3-3. رتبه ­بندی اعتبار با استفاده از نسبت­های مالی ............................................ 88

3-4. بخش­بندی دارندگان کارت­های اعتباری با استفاده از داده ­کاوی ............................. 90

3-4-1. پروژه طراحی بخش­بندی رفتاری ............................................... 91

3-4-2. آماده ­سازی داده ­های مورد نیاز برای ساخت مدل ................................ 92

3-4-3. انتخاب جمعیت بخش­بندی .................................. 93

3-4-4. شاخص­های کلیدی عملکرد درباره استفاده از کارت­های اعتباری .................. 93

3-5. سه گام اصلی فرآیند تحلیل ........................................... 97

3-6. گزارش، گام نهایی فرآیند داده ­کاوی .................................. 116

3-7. مزایا و معایب داده­ کاوی ........................................ 116

3-8. نتیجه­ گیری .................................. 118

 فهرست اشکال

شکل ­1-1. فرآیند کشف دانش ................................................ 6

شکل 1-2. عملکردهای داده­ کاوی .................................................... 8

شکل 1-3. تحلیل انحراف در یک پایگاه داده ................................... 9

شکل 1-4. نمونه­ای از توالی بازدید­های وب ..................................... 14

شکل 1-5. نمونه­ای ساده از خوشه­ بندی مشتریان .................... 16

شکل 1-6. خوشه­ بندی با استفاده از K-means ................18

شکل 1-7. درخت تصمیم­گیری برای دسته­بندی مشتریان ................... 21

شکل 1-8. رگرسیون خطی ساده ..................................... 22

 شکل 2-1. مدیریت ارتباط با مشتری و داده­ کاوی ......................... 29

شکل 2-2. دوره ­های زمانی مختلف در مسأله رویگردانی مشتریان بانک ................. 36

شکل 2-3. دسته­ بندی انواع تقلب ............................................. 43

شکل 2-4. فراوانی مدل­های استفاده شده در کشف سوء استفاده­ های مالی ................. 46

شکل2-5. رتبه­ بندی اعتبار در صنعت بانکداری ............................ 61

شکل 2-6. DMU در فرآیند تحلیل پوششی داده ­ها ................. 71

شکل 2-7. شاخص­های خروجی مورد استفاده در تحلیل پوششی داده ­ها ............... 72

شکل 3-1. مدل­سازی خوشه­ بندی مشتریان بانک­ها در Clementine ................................... 79

شکل 3-2. نتایج خوشه ­بندی مشتریان بر اساس روش SOM ............................. 79

شکل 3-3. توزیع شغلی مشتریان هر خوشه ................. 79

شکل 3-4. استفاه از الگوریتم Aprioriدر نرم ­افزار Clementine ........................... 82

شکل 3-5. فرآیند مدل­سازی رتبه ­بندی اعتبار مشتریان بانکی در Clementine............... 86

شکل 3-6. مقایسه مدل­های رتبه­ بندی اعتبار با استفاده از منحنی Gain ................ 86

شکل 3-7. قواعد رفتاری حاصل از مدل­ رتبه ­بندی اعتبار ............................. 87

شکل 3-8. فرآیند مدل­سازی Clementine ............................. 98

شکل 3-9. نمودار نمایه خوشه 1 ............................ 108

شکل 3-10. نمودار نمایه خوشه 2 ........................ 109

شکل 3-11. نمودار نمایه خوشه 3 .......................... 110

شکل 3-12. نمودار نمایه خوشه 4 ......................... 111

شکل 3-13. نمودار نمایه خوشه 5 ........................ 112

شکل 3-14. نمودار نمایه خوشه 6 ......................... 113

شکل3-15. نمودار نمایه خوشه 7 ....................... 114

شکل 3-16. نمودار نمایه خوشه 8 ............... 115

 فهرست جداول

جدول 1-1. لیستی از محصولات و خدمات قابل ارائه در بانک..... 11

جدول 1-2. نمونه داده­ های مورد نیاز در مدل­سازی مسأله دسته­ بندی .................... 20

 جدول 2-1. پژوهش­های انجام شده در در زمینه کاربرد داده­ کاوی در تحلیل رویگردانی مشتریان ....... 42

جدول 2-2. پژوهش­های انجام شده در زمینه کاربرد داده­ کاوی در زمینه کشف تقلب ............. 55

جدول 2-3. پژوهش­های انجام شده در زمینه کاربرد داده­ کاوی در ارزیابی عملکرد بانک ......... 60

جدول 2-4. پژوهش­های انجام شده در زمینه کاربرد داده ­کاوی در ارزیابی اعتبار مشتریان ......... 68

 جدول 3-1. پروفایل­های حاصل با استفاده از خوشه ­بندی .......................... 80

جدول 3-2. نمونه ­ای از قوانین وابستگی تولید شده در یک خوشه ............... 83

جدول 3-3. متغیرهای مورد استفاده در رتبه­ بندی اعتبار .................................. 85

جدول 3-4. بخش­بندی کارت­­های اعتباری، خلاصه روش اجرا ................................... 94

جدول 3-5. فیلدهای استفاده شده برای بخش­بندی دارندگان کارت­های اعتباری ....................... 97

جدول 3-6. تصمیم ­گیری برای تعداد اجزای استخراجی با آزمودن جدول"واریانس" در PCA ........... 99

جدول 3-7. فهم و طبقه­ بندی اجزا با استفاده از ماتریس محوری اجزاء ......................... 100

جدول 3-8. تفسیر قوانین استخراج شده اجزاء ........................ 101

جدول 3-9. مراکز خوشه­ ها....................................... 102

جدول 3-10. میانگین درصد خریدها بر مبنای نوع کالا در خوشه­ ها ................. 103

جدول 3-11. میانگین تعداد خرید بر مبنای نوع کالا در خوشه ­ها ......................... 104

جدول 3-12. نمایه­ سازی خوشه­­ ها بر مبنای شاخص­های عملکرد ............... 106

جدول 3-13. نمایه­ سازی خوشه­ ها بر مبنای مشخصه ­های جمعیت شناختی .............. 107

داده کاوی و مدیریت ارتباط با مشتری در بانکداری

عنوان پایان نامه: داده کاوی و مدیریت ارتباط با مشتری در بانکداری

فرمت فایل: word

تعداد صفحات: 138

شرح مختصر:

رقابت­های جهانی، بازارهای پویا و چرخه­های نوآوری و فناوری که به سرعت در حال کوتاه شدن هستند همگی چالش­های مهمی را برای صنعت مالی و بانکداری ایجاد کرده­ اند و نیاز به استفاده از سیستم­های پشتیبان از تصمیم جهت بهبود فرآیندهای تصمیم­گیری در این سازمان­ها بیش از پیش اهمیت پیدا کرده است. در این میان داده­ هایی که در پایگاه­های اطلاعاتی این سازمان­ها نگهداری می­شوند به عنوان منابع ارزشمند اطلاعات و دانش موردنیاز جهت تصمیم­گیری­های سازمانی مطرح می­باشند.

امروزه بانک­ها از پایگاه­های اطلاعاتی متعدد و گسترده­ای برخوردار هستند که حاوی اطلاعات مربوط به مبادلات و جزئیات دیگر مربوط به مشتریانشان است. اطلاعات ارزشمند تجاری از درون همین ذخایر داده­ای قابل بازیابی هستند. اما پشتیبانی از این دست تحلیل­ها و تصمیم­ گیری با استفاده از زبان­های گزارش­گیری سنتی امکان­پذیر نخواهد بود. روش­های سنتی آماری نیز از ظرفیت کافی در تحلیل این داده ­ها برخوردار نیستند و لذا متدولوژی­های مدرن داده­ کاوی و ابزارهای مربوط به آن در فرآیندهای تصمیم­گیری نه فقط در بانک­ها و نهادهای مالی بلکه در دیگر صنایع نیز بیش از پیش بکار گرفته می­شوند.

داده ­کاوی به نوبه خود در راستای حل مسائل موجود در کسب و کار در صنعت بانکداری و مالی آن هم به واسطه یافتن الگوها، روابط علی و معلولی و روابط حاکم در قیمت­های بازار و اطلاعات کسب و کار و مشتریان به کار می­رود. از موارد کاربرد داده­کاوی در صنعت بانکداری می­توان به موارد زیر اشاره کرد:

1. طراحی مکانیزم­هایی برای مدیریت ارتباط با مشتری از طریق بخش­بندی مشتریان و استخراج قواعد رفتاری آنها جهت هدایت فعالیت­های بازاریابی بانک.

2. مدل­سازی پاسخ بازار به تصمیمات کلان بانک و شناسایی اثر هریک از سیاست­های بازاریابی بر تقاضا و امکان شبیه­سازی تعاملی سیاست­ها و تصمیمات بازاریابی قبل از اجرا.

3. ارزیابی ریسک اعتبار مشتریان متقاضی وام.

4. محاسبه کارایی شعب با ترکیب مدل­های تحلیل پوششی داده ها و داده­ کاوی.

5. پیش­بینی سری­های زمانی مالی و کشف تقلب و سوء استفاده­ های مالی.

بکارگیری داده­ کاوی می­تواند ارزش افزوده فراوانی را برای بانک­ها حاصل نماید. تحقیقات گسترده­ای که در این حوزه در کشورهای مختلف صورت گرفته به توسعه سیستم­های پشتیبان از تصمیم سودمندی انجامیده است که منافع فراوانی را عاید بانک­ها نموده است.

علی­رغم حجم انبوه تحقیقات و پژوهش­هایی که در کشورهای پیشرفته در زمینه توسعه و بکارگیری تکنیک­های داده­کاوی در صنعت بانکداری به عمل آمده و نتیجه آن بهبود فرایندهای بانکی بوده است، زمینه­ های بالقوه بسیاری در بکارگیری این دانش در بانک­ها و موسسات مالی کشورمان وجود دارد. بنابراین زمینه­سازی جهت آشنایی کارشناسان و متخصصین امور بانکی با تکنیک­های داده ­کاوی و کاربردهای آن و همچنین برگزاری دوره­های آموزشی در این زمینه و بکارگیری عملی این علم در بانک­ها و سایر مؤسسات مالی کشور از اهمیت بسزایی برخوردار است.

فهرست مطالب

مقدمه		1
فصل اول		3
	مقدمه	4
	فرایند کشف دانش و داده کاوی	9
	معرفی برخی از روش های داده کاوی	14
	تحلیل انحراف	15
	نمایه سازی	17
	قوانین وابستگی	18
	تحلیل توالی	22
	خوشه بندی	24
	دسته بندی	29
	پیش بینی	32
فصل دوم		34
	مقدمه	35
	داده کاوی در بازاریابی	37
	مدیریت ارتباط با مشتری	40
	مراقبت از مشتری	47
	داده کاوی و تحلیل رویگردانی مشتریان	49
	داده کاوی و پیش بینی عملکرد بانک	70
	داده کاوی در ارزیابی اعتبار مشتریان بانک	74
	کاربرد داده کاوی در ارزیابی عملکرد بانک	81
فصل سوم		86
	کاربرد داده کاوی در بخش بندی مشتریان	87
	ارزش چرخه عمر مشتری	90
	استفاده از مدلهای خوشه بندی	92
	ارائه سرویس مناسب به مشتریان	98
	رتبه بندی اعتبار متقاضیان دریافت وام	101
	رتبه بندی اعتبار با استفاده از نسبت های مالی	104
	بخش بندی دارندگان کارت های اعتباری	107
	پروژه طراحی بخش بندی رفتاری	109
	آماده سازی داده ها	111
	انتخاب جمعیت بخش بندی	112
	شاخص های کلیدی عملکرد	113
	سه گام اصلی فرایند تحلیل	116
منابع		133

مقدمه ای بر داده کاوی

عنوان تحقیق: مقدمه ­ای بر داده ­کاوی

فرمت فایل: word

تعداد صفحات: 31

شرح مختصر:

در دو دهه قبل توانایی های فنی بشر در برای تولید و جمع آوری داده‌ها به سرعت افزایش یافته است. عواملی نظیر استفاده گسترده از بارکد برای تولیدات تجاری، به خدمت گرفتن کامپیوتر در کسب و کار، علوم، خدمات دولتی و پیشرفت در وسائل جمع آوری داده، از اسکن کردن متون و تصاویر تا سیستمهای سنجش از دور ماهواره ای، در این تغییرات نقش مهمی دارند[‎1].

بطور کلی استفاده همگانی از وب و اینترنت به عنوان یک سیستم اطلاع رسانی جهانی ما را مواجه با حجم زیادی از داده و اطلاعات می‌کند. این رشد انفجاری در داده‌های ذخیره شده، نیاز مبرم وجود تکنولوژی های جدید و ابزارهای خودکاری را ایجاد کرده که به صورت هوشمند به انسان یاری رسانند تا این حجم زیاد داده را به اطلاعات و دانش تبدیل کند: داده کاوی به عنوان یک راه حل برای این مسائل مطرح می باشد. در یک تعریف غیر رسمی داده کاوی فرآیندی است، خودکار برای استخراج الگوهایی که دانش را بازنمایی می کنند، که این دانش به صورت ضمنی در پایگاه داده های عظیم، انباره داده[1] و دیگر مخازن بزرگ اطلاعات، ذخیره شده است. داده کاوی بطور همزمان از چندین رشته علمی بهره می برد نظیر: تکنولوژی پایگاه داده، هوش مصنوعی، یادگیری ماشین، شبکه های عصبی، آمار، شناسایی الگو، سیستم های مبتنی بر دانش[2]، حصول دانش[3]، بازیابی اطلاعات[4]،محاسبات سرعت بالا^[5] و بازنمایی بصری داده^[6] . داده کاوی در اواخر دهه 1980 پدیدار گشته، در دهه 1990 گامهای بلندی در این شاخه از علم برداشته شده و انتظار می رود در این قرن به رشد و پیشرفت خود ادامه دهد [‎2].

واژه های «داده کاوی» و «کشف دانش در پایگاه داده»^[7] اغلب به صورت مترادف یکدیگر مورد استفاده قرار می گیرند. کشف دانش به عنوان یک فرآیند در شکل1-1 نشان داده شده است.

فهرست مطالب

1 مقدمه ای بر داده‌کاوی... 3

1-1 چه چیزی سبب پیدایش داده کاوی شده است؟. 4

1-2 مراحل کشف دانش.... 6

1-3 جایگاه داده کاوی در میان علوم مختلف... 11

1-4 داده کاوی چه کارهایی نمی تواند انجام دهد؟. 12

1-5 داده کاوی و انبار داده ها 13

1-6 داده کاوی و OLAP. 14

1-7 کاربرد یادگیری ماشین و آمار در داده کاوی... 15

2- توصیف داده ها در داده کاوی... 15

2-1 خلاصه سازی و به تصویر در آوردن داده ها15

2-2 خوشه بندی 16

2-3 تحلیل لینک... 16

3- مدل های پیش بینی داده ها17

3-1 Classification. 17

3-2 Regression. 17

3-3 Time series. 18

4 مدل ها و الگوریتم های داده کاوی... 18

4-1 شبکه های عصبی 18

4-2 Decision trees. 22

4-3 Multivariate Adaptive Regression Splines(MARS). 24

4-4 Rule induction. 25

4-5 K-nearest neibour and memory-based reansoning(MBR). 26

4-6 رگرسیون منطقی... 27

4-7 تحلیل تفکیکی 27

4-8 مدل افزودنی کلی (GAM). 28

4-9 Boosting. 28

5 سلسله مراتب انتخابها29

منابع

مقدمه ای بر داده کاوی

عنوان مقاله: مقدمه ای بر داده کاوی

قالب بندی: PDF

تعداد صفحات: 25

قیمت: 2300 تومان

فهرست:

مقدمه ای بر داده کاوی
 چه چیزی سبب پیدایش داده کاوی شده است؟
 مراحل کشف دانش
 جایگاه داده کاوی در میان علوم مختلف
 داده کاوی چه کارهایی نمی تواند انجام دهد؟
 داده کاوی و انبار داده ها
OLAP  داده کاوی
 کاربرد یادگیری ماشین و آمار در داده کاوی
 توصیف داده ها در داده کاوی
 خلاصه سازی و به تصویر در آوردن داده ها
 خوشه بندی
 تحلیل لینک
 مدل های پیش بینی داده ها
 Classification
 Regression
Time series
 مدل ها و الگوریتم های داده کاوی
 شبکه های عصبی 

Decision trees

 Multivariate Adaptive Regression Splines
 Rule induction
 K-nearest neibour and memory-based reansoning
 رگرسیون منطقی
 تحلیل تفکیکی
 مدل افزودنی کلی
Boosting
سلسله مراتب انتخابها

کاربرد داده کاوی در بهبود مدیریت ارتباط با مشتری

عنوان مقاله: کاربرد داده کاوی در بهبود مدیریت ارتباط با مشتری

قالب بندی: pdf

شرح مختصر: امروزه مدیریت ارتباط با مشتری فقط یک مزیت رقابتی نیست بلکه شناسایی و جذب مشتریان وفادار و نگهداشتن آنها برای ادامه حیات در بازار رقابت، امری ضروری است. بانک ها و موسسات اعتباری در گذشته به علت محدودیت تنوع خدمات و عدم دسترسی به اطلاعات مشتریان، از روش های ساده کیفی جهت سنجش اعتبار مشتریان خود استفاده می کردند ولی امروزه به دلیل وجود بانکداری الکترونیکی ثبت اطلاعات تراکنشی مشتریان راحت تر صورت م یگیرد و همین امر موجب شده است روش های کمی جایگزین روش های کیفی شود.
در بررسی های انجام شده یکی از مشکلات بانک ملت عدم شناسایی مشتریان و عدم اتخاذ تصمیمات مناسب مدیریت و سلیق های بودن تصمیمات در برخورد با مشتریان می باشد. بنابراین در این تحقیق به منظور شناسایی مشتریان بانک ملت و تدوین استراتژ یهای مناسب برای برخورد با آنها از داده کاوی و ابزار آن مانند
استفاده شد. بدین منظور ابتدا بانک ملت و k الگوریتم ژنتیک و الگوریتم میانگین بانک اطلاعاتی آن در بخش های مختلف بررسی شد، پس از استخراج داده از بانک اطلاعاتی و پاک سازی آن، مشتریان در گروه های مختلف، با استفاده از به دو روش فازی و غیر فازی گره بندی شدند. برای تعیین تعداد k الگوریتم میانگین بهینه خوشه ها ابتدا مجددا با استفاده از الگوریتم ژنتیک مشتریان در گروه های مختلف تقسیم بندی شده با استفاده از روابط خاص تعریف شده تعداد بهینه خوشه ها تعیین شد. برای ارزیابی کیفیت خوشه های بدست آمده از معیار سنجش تراکم خوشه ها استفاده شد. سپس با استفاده از معیارهای تازگی مراجعه هر مشتری، تکرار مراجعات آنها و ارزش پولی هر مشتری ارزش خوشه ها تعیین شدو در انتها برای تحلیل خوشه ها و تبیین استراتژی مناسب هر خوشه از هرم ارزش مشتری استفاده می شود. در انتها نیز با استفاده از درخت تصمی مگیری قوانین شناسایی مشتریان جدید استخراج شد.