مزیت رقابتی داده کاوی در بانکداری الکترونیکی در برابر نااطمینانی‌های اقتصادی

نوع مقاله: علمی پژوهشی

نویسندگان

1 استادیار گروه اقتصاد، دانشکده اقتصاد و حسابداری دانشگاه آزاد اسلامی، واحد تهران مرکزی، تهران، ایران

2 کارشناسی ارشد، مربی، دانشگاه آزاد اسلامی واحد نجف آباد، اصفهان، ایران

3 دانشجوی دکتری اقتصاد مالی، دانشگاه آزاد اسلامی واحد زنجان، زنجان، ایران

چکیده

در بانکداری سنتی و کاغذی ، افراد چون کاغذی را می دیدند و لمس می کردند، اعتماد ایجاد می شد. اما امروزه با حضور بانکداری الکترونیکی، از یک سو هنوز جامعه ایران با آن خو نگرفته و از سویی دیگر ، نااطمینانی ها از عوامل اقتصادی موجب شده تا مشتریان بانک ها نسبت به سرمایه گذاری احساس تردید کنند. نااطمینانی در اقتصاد از مهمترین عوامل خروج سرمایه از بانک ها و از بین رفتن اعتماد مشتری است. مزایای بانکداری الکترونیک را می‌توان از دو جنبه مشتریان و موسسات مالی مورد توجه قرار داد. از دید مشتریان می‌توان به صرفه‌جویی در هزینه ها، صرفه جویی در زمان و دسترسی به کانالهای متعدد برای انجام عملیات بانکی نام برد. از دید موسسات مالی می‌توان به ویژگیهایی چون ایجاد و افزایش شهرت بانکها در ارائه نوآوری، حفظ مشتریان علی‌رغم تغییرات مکانی بانکها، ایجاد فرصت برای جست‌جوی مشتریان جدید در بازارهای هدف، گسترش محدوده جغرافیایی فعالیت و برقراری شرایط رقابت کامل را نام برد.
برای رقابت مؤثرتر در بازارهای رقابتی دنیا بانک ها بایستی درک بهتری از مشتریان و بازار داشته باشند. صنعت بانکداری در دنیا تغییرات زیادی را در نحوه انجام فعالیت­های خود متحمل شده است. بانک‌های پیشرو از ابزارهای داده­کاوی1 برای تقسیم­بندی مشتریان، اعتبارسنجی مشتریان جهت اعطای تسهیلات و تایید آنها، پیش­بینی عدم پرداخت بدهی ها، بازاریابی و شناسایی الگوهای کلاهبرداری استفاده می­کنند. در این مقاله ضمن اشاره ای به بحث نااطمینانی و تأثیر آن بر مشتریان، تکینیک های داده کاوی به عنوان مزیت رقابتی در رضایت مشتریان از بانکداری الکترونیکی و خدمات بانکی  بیان می گردد..
 



1 Data Mining
Trust was created in traditional banking, where everything was paper-based, people like to see and touch paper. But today, with the presence of e-banking, on the one hand, the Iranian society has not yet adopted it and on the other hand, uncertainties of economic agents are hand in hand to make bank customers feel uncertain about investing. Economic uncertainty is one of the most important factors in the withdrawal of capital from banks and the loss of customer confidence. Advantages of electronic banking can be considered from two aspects of customers and financial institutions. From customers' point of view, cost savings, time savings and access to multiple channels for banking operations can be mentioned.  From the point of view of financial institutions, it is possible to identify such features as creating and increasing the reputation of banks in providing innovation, maintaining customers despite the spatial variations of banks, creating opportunities for searching new customers in target markets, expanding the geographical scope of activities, and establishing the conditions for full competition.
Banks must have a better understanding of customers and the market in order to compete more effectively in competitive markets around the world. The banking industry in the world has undergone many changes in its operations. The leading banks use from data mining tools to segment customers, validate clients for facility approvals, anticipate non-payment of debts, marketing, and identify fraudulent patterns. In this paper, while referring to the uncertainty and its impact on customers, data mining as a competitive advantage is expressed in customer satisfaction from e-banking and banking services.
 

کلیدواژه‌ها


مزیت رقابتی داده کاوی در بانکداری الکترونیکی

در برابر نااطمینانی‌های اقتصادی

 

 

محمدعلی خطیب سمنانی

تاریخ دریافت: 28/01/1396           تاریخ پذیرش: 31/03/1396

[1]

سمیه ایزدی[2]

سیدرضا خادمی[3]

 

 

چکیده

در بانکداری سنتی و کاغذی ، افراد چون کاغذی را می دیدند و لمس می کردند، اعتماد ایجاد می شد. اما امروزه با حضور بانکداری الکترونیکی، از یک سو هنوز جامعه ایران با آن خو نگرفته و از سویی دیگر ، نااطمینانی ها از عوامل اقتصادی موجب شده تا مشتریان بانک ها نسبت به سرمایه گذاری احساس تردید کنند. نااطمینانی در اقتصاد از مهمترین عوامل خروج سرمایه از بانک ها و از بین رفتن اعتماد مشتری است. مزایای بانکداری الکترونیک را می‌توان از دو جنبه مشتریان و موسسات مالی مورد توجه قرار داد. از دید مشتریان می‌توان به صرفه‌جویی در هزینه ها، صرفه جویی در زمان و دسترسی به کانالهای متعدد برای انجام عملیات بانکی نام برد. از دید موسسات مالی می‌توان به ویژگیهایی چون ایجاد و افزایش شهرت بانکها در ارائه نوآوری، حفظ مشتریان علی‌رغم تغییرات مکانی بانکها، ایجاد فرصت برای جست‌جوی مشتریان جدید در بازارهای هدف، گسترش محدوده جغرافیایی فعالیت و برقراری شرایط رقابت کامل را نام برد.

برای رقابت مؤثرتر در بازارهای رقابتی دنیا بانک ها بایستی درک بهتری از مشتریان و بازار داشته باشند. صنعت بانکداری در دنیا تغییرات زیادی را در نحوه انجام فعالیت­های خود متحمل شده است. بانک‌های پیشرو از ابزارهای داده­کاوی1 برای تقسیم­بندی مشتریان، اعتبارسنجی مشتریان جهت اعطای تسهیلات و تایید آنها، پیش­بینی عدم پرداخت بدهی ها، بازاریابی و شناسایی الگوهای کلاهبرداری استفاده می­کنند. در این مقاله ضمن اشاره ای به بحث نااطمینانی و تأثیر آن بر مشتریان، تکینیک های داده کاوی به عنوان مزیت رقابتی در رضایت مشتریان از بانکداری الکترونیکی و خدمات بانکی  بیان می گردد..

 

واژه‌های کلیدی: بانکداری الکترونیکی، نااطمینانی، داده کاوی، مدیریت ریسک، بازاریابی.

طبقه بندی JEL: OC80,D72,G21

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

1- مقدمه

امروزه در اکثر اقتصادها دانش در حال تبدیل شدن به عاملی برای خلق ثروت می باشد. دانش به عنوان یک استراتژی برای رقابت در بازار شناخته شده و در زمینه کسب و کار اهمیت ویژه ای دارد.  سازمان و افراد با دسترسی به اطلاعات صحیح در زمان مناسب شانس موفقیت بیشتری در عصر جهانی شدن تکنولوژی ها و اطلاعات دارند. اخیراً بانک‌ها و سایر موسسات مالی در سرتاسر جهان انبار های بزرگی از اطلاعات الکترونیکی را ساخته اند که داده ها و اطلاعات با ارزش را ذخیره می کنند. برای یک تحلیل‌گر غیر ممکن است که بخواهد حجم زیادی از این داده ها را تحلیل و ارزیابی کند و باید اطلاعات مفیدی از این داده ها که برای تصمیم گیری مورد نیاز است را برداشت کرد. تعدادی از شرکتهای تجاری این مفهوم را درک نموده و به رسمیت شناختند و در بازار نرم افزار خود برای داده کاوی بیش از 10 میلیارد دلار هزینه کردند.

اطلاعات کسب و کار بر کشف دانش از انبارداده های الکترونیکی مختلف هم داخلی و هم خارجی برای تصمیم گیری بهتر متمرکز است. تکنیک های داده کاوی برای این کشف دانش از پایگاه های داده از اهمیت بالایی برخوردار است. در سالهای اخیر سیستم های اطلاعاتی تجاری نقش محوری را در کمک به سازمان ها برای تنظیم اهداف کسب و کار مانند بهبود حفظ مشتری، نفوذ در بازار، سودآوری و بهره وری داشتند. در اکثر موارد این دیدگاه ها به وسیله تحلیل داده های قدیمی هدایت می شوند. رقابت های جهانی و بازار های پویا و کاهش سریع چرخه نوآوری فنی، چالش‌های مهمی برای صنعت بانکداری و اقتصاد و امور مالی بوجود آوده است. هم چنین در دسترس بودن به موقع اطلاعات در سرتاسر جهان باعث افزایش انعطاف پذیری موسسات اقتصادی شده است. در موسسات مالی، تجزیه و تحلیل مستمر اطلاعات منجر به تحولات قابل توجهی در فناوری اطلاعات شده است. داده کاوی با پیدا کردن نمونه ها، علت و معلول ها و همبستگی در اطلاعات مربوط به تجارت و قیمت های بازار که برای مدیران آشکار نیستند، می تواند به حل مشکلات بانکداری و امور مالی کمک کند.

 

2- پیشینه تحقیق

در سال 1989 و 1991 کارگاه های کشف دانش از پایگاه داده ها توسط پیاتتسکی و همکارانش  و در فاصله سال های 1991 تا 1994 کارگاه های فوق ، توسط فایاد و پیا تتسکی و دیگران برگزار شد . به طور رسمی اصطلاح داده کاوی برای اولین بار توسط « فیاض »  در اولیـن کنفرانس بین المللی « کشف دانش و داده کاوی »  در سال 1995 مطرح شد . از سال 1995 داده کاوی به صورت جدی وارد مباحث آمار شد.و در سال 1996 ، اولین شماره مجله کشف دانش از پایگاه داده ها منتشر شد .

امروزه کنفرانس های مختلفی دراین زمینه در سراسر دنیا برگزار می شود . داده کاوی حاصل تحول تدریجی در طول تاریخ بوده و از اوایل دهه 90 همزمان با همه گیر شدن استفاده از پایگاه های داده ای به عنوان یک علم مطرح شده است.  عبارت « داده کاوی » توسط آمار شناسان ، محققان پایگاه های داده ها و سیستم های اطلاعات مدیریتی و جوامع بازرگانی به کار برده می شود . عبارت کشف دانش در پایگاه داده ها عموما برای اشاره به فرایند کلی کشف دانش مفید از داده هایی که داده کاوی گام مهمی دراین فرایند است ، مورد استفاده قرار می گیرد  گام های دیگری در فرایند کشف دانش در پایگاه داده ها نظیر آماده  کردن داده ها ، انتخاب داده ها ، تمیز کردن داده ها و درک درست از فرایند داده کاوی مــــوجب می شود تا اطلاعاتی که برای ما مفید هستند از داده ها استخراج شوند . داده کاوی از تحلیل های سنتی داده ها و رویکردهای آماری نشات  گرفته است به طوری که شامل فنون تحلیلی ای است که از شاخه های دیگری تشکیل شده است. از عمده ترین روشهای داده کاوی میتوان به موارد زیر اشاره نمود.

  • تحلیل های عددی
  • الگوهای سازگار و سطوحی از هوش مصنوعی مانند یادگیری ماشین
  • شبکه های عصبی و الگوریتم های ژنتیک

کوکس، اینگرسول و روس(1985) عنوان می‌کنند که نرخ‌های بهره با تعامل تقاضای نقدینگی توسط سرمایه‌گذاران و عرضه نقدینگی توسط خانوارهایی که می‌خواهند برای آینده پس‌انداز کنند تعیین می‌شود. هر دو تصمیمات سرمایه‌گذاری و تصمیمات پس‌انداز کردن تحت تاثیر پیش‌بینی‌های حوادث آینده قرار دارند. برای مثال وقتی که مصرف‌کنندگان افزایش در درآمدهای آینده‌شان را انتظار دارند، می‌خواهند این منفعت را فوراً با کاهش پس‌اندازشان به نقد تبدیل کنند این امر نرخ بهره تعادل را بالا می‌برد. این اثر ثروت بر این فرضیه استاندارد قرار دارد که مصرف‌کنندگان می‌خواهند مصرفشان در طول زمان آسان شود. (گولیر،2007)

لیولد (1968) می‌گوید تردید درباره درآمدهای آینده تمایل به پس‌انداز مصرف کنندگان محتاط را بالا می‌برد. این اثر احتیاط‌آمیز متمایل به کاهش نرخ بهره است.

 

3- نااطمینانی

مفهوم نااطمینانی از انتظارات و پیش‌بینی شکل می‌گیرد.  اگر عوامل اقتصادی نتوانند یک متغیر کلان مانند تولید یا تورم را بطور کامل پیش‌بینی کنند نااطمینانی آن متغیر به­وجود می‌آید. از این تعریف مشخص می‌شود که نااطمینانی برعکس تغییرپذیری که صریحاً قابل مشاهده و محاسبه است یک مفهوم ذهنی و بطور کامل قابل مشاهده نیست و تنها می‌توان تخمین‌ها و نماینده‌هایی [i]برای آن در نظر گرفت. در بسیاری موارد تلویحاً تغییرپذیری با نااطمینانی معادل گرفته می‌شود یعنی وقتی نوسانات تورم یا تولید چنان است که تغییرپذیری افزایش می‌یابد، چنین فرض می‌شود که نااطمینانی تورم یا تولید افزایش یافته است و در واقع وقتی معیار بهتری برای نااطمینانی وجود ندارد از تغییرپذیری به عنوان معیار نااطمینانی استفاده می‌شود. اما این دو معادل نیستند، ممکن است تغییرات تورم یا تولید طوری باشد که انتظارات دقیقی از تغییر تورم یا تولید ایجاد کند در این حالت نااطمینانی وجود ندارد اما تغییر وجود داشته و حذف نمی‌شود.

نوسانات، به معنی تغییرپذیری و نااطمینانی هر دو است. مفهوم آماری تغییرپذیری تورم شاخصی برای نوسان تورم است و نااطمینانی بیانگر تاثیر این نوسان بر ذهنیت عوامل اقتصادی و در پس آن رفتار اقتصادی است.

 

3-1- اثر نااطمینانی بر رفتار سرمایه‌گذاران و پس‌انداز‌کنندگان

نااطمینانی تورم یا تولید با ریسک در ارتباط بوده و افزایش آن باعث افزایش ریسک می‌گردد. در مورد اثر افزایش ریسک روی پس‌انداز باید خاطر نشان سازیم که اثر یک ریسک بیشتر بر جریان پس انداز از قبل مشخص نیست. ریسک بیشتر، پس‌اندازهای اشخاص ریسک گریز را کاهش داده و در نتیجه مدار واقعی سرمایه‌گذاری را کاهش می‌دهد و اگر هدف شخص از پس‌انداز اطمینان از سطح بخصوصی از ثروت حقیقی در آینده باشد در آن صورت ریسک بیشتر می‌تواند باعث افزایش پس‌انداز گردد.

در مطالعه‌ای که توسط واچتل(1975) انجام گرفته او معتقد است که چون خانوارها نسبت به قیمت‌های آتی و درآمد واقعی نامطمئن هستند در نتیجه بیشتر پس‌انداز می‌کنند. و او با داده‌های دوره 1955 تا 1974 پی برد که نااطمینانی واقعی بر روی پس انداز اثرات مثبت و معنی‌داری دارد.

براساس تحلیل نئوکلاسیک‌ها، بنگاه‌ها برنامه سرمایه‌گذاری خود را به‌گونه‌ای تنظیم می‌کنند که مجموع ارزش تنزیل شده درآمدهای خالص انتظاری در طول عمر آن طرح، به حداکثر برسد. براساس این دیدگاه افزایش نرخ بهره، موجب کاهش ارزش حال خالص فعلی‌سرمایه‌گذاری [ii] و در نتیجه سطح ‌تعادلی‌ سرمایه‌گذاری خواهد شد (والی­زاده و رجبی،1381)

گلوب (1994)در مقاله خود، در بیان نحوه تاثیرگذاری نااطمینانی بر اقتصاد اشاره می‌کند که نااطمینانی دو اثر اقتصادی دارد. اولین اثر آن این است که نااطمینانی منجر به تغییر جهت تصمیم‌گیری سرمایه‌گذاران و مصرف‌کنندگان از آنچه که مایل به انجام آن هستند، می‌شود و این به معنی آن است که، تصمیم‌گیری‌های آینده بخاطر نااطمینانی در پیش‌بینی تورم یا تولید تحت تاثیر قرار می‌گیرند و دومین اثر، پس از تصمیمات اتخاذ شده، صورت می‌گیرد که از آن تحت عنوان اثرات معطوف به گذشته یاد می‌شود.

نااطمینانی تولید یا تورم می‌توانند از طریق افزایش نرخ‌های بهره بلندمدت بر بازارهای مالی تاثیر بگذارند یا بر دیگر متغیرهای اقتصادی که در تصمیم‌گیری‌ها بسیار مهم هستند اثر گذاشته و آنها را نیز نااطمینان می‌کند.

بنابراین نااطمینانی می تواند سرمایه‌گذاران را تشویق کند تا منابع خود را در راههای که از ریسک پرهیز می‌شود بکار گیرند. به عنوان مثال، نااطمینانی تورم یا تولید می‌تواند منجر به این شود که کارفرمایان و کارمندان نسبت به دستمزدهای آینده نااطمینان باشند و نتوانند بطور دقیق در مورد آینده تصمیم بگیرند. و یا در مثالی دیگر، فرض کنید اجاره‌نشینان و صاحب‌خانه‌ها نسبت به اجاره‌های آینده نااطمینان باشند و این مساله باعث کاهش سود مدیران و درآمد کارکنان خواهد شد و هنگامی که عوامل اقتصادی نسبت به نرخ‌های بهره، دستمزدها، نرخ‌های مالیاتی و سود نااطمینان هستند، امکان دارد که تصمیمات سرمایه‌گذاریشان یا همان تولید را به تعویق بیندازند. و این تا زمانی که نااطمینانی از بین برود یا کاهش یابد، وجود خواهد داشت.

همچنین نااطمینانی تورم یا تولید سرمایه‌گذاران و مصرف‌کنندگان را تشویق می‌کند تا تامین مالی سرمایه‌گذاری را با نرخ‌های وام بلندمدت ثابت انجام دهند تا بدین ترتیب از ریسک افزایش نرخ‍های بهره در کوتاه مدت بپرهیزند. برخی از دانشمندان روس و اینگرسول (1992) و دیکسیت (1994) عنوان می‌کنند که نرخ بهره واقعی و نااطمینانی تورم منجر به ایجاد هراس برای سرمایه‌گذاران می‌شود و نهایتا سبب به تاخیر انداختن تصمیمات آنها می‌شود. برخی دیگر عنوان می‌کنند، نااطمینانی تولید در برخی موارد منجر به نوسانات سود شده و گاهی منجر به افزایش سرمایه‌گذاری خواهد شد.

 

4- داده‌کاوی

ü    داده کاوی استخراج نیمه اتوماتیک الگوها، تغییرات، وابستگی ها، نابهنجاری ها و دیگر ساختارهای معنی دار آماری از پایگاه های بزرگ داده می باشد.

ü    داده کاوی علم استخراج اطلاعات مفید از پایگاه های داده یا مجموعه داده ای می باشد

ü    داده کاوی عبارت است از فرایند استخراج اطلاعات معتبر ، از پیش ناشناخته ، قابل فهم و قابل اعتماد از پایگاه داده های بزرگ و استفاده از آن در تصمیم گیری در فعالیت های تجاری مهم.

ü    اصطلاح داده کاوی به فرایند نیم خودکار تجزیه و تحلیل پایگاه داده های بزرگ به منظور یافتن الگوهای مفید اطلاق می شود

ü    داده کاوی یعنی جستجو در یک پایگاه داده ها برای یافتن الگوهایی میان داده ها

ü    داده کاوی استخراج اطلاعات مفهومی، ناشناخته و به صورت بالقوه مفید از پایگاه داده می باشد. (هان، کمبر و پی، اسماعیلی 1393)

 

4-1- رویکردهای داده کاوی

بسیاری از داد ه کاوی ها بر روش های سنتی و رویکردهای تحلیل داده های مبتنی بر فرضیه تکیه دارد . اساسا دو رویکرد برای داده کاوی وجود دارد که از  لحاظ ایجاد و طراحی مدل و یافتن الگوها  با هم فرق دارند(شهرابی و شجاعی 1390).

1)   اولین رویکرد که مربوط به ساخت مدل است ( جدا از مشکلاتی که ذاتا در مجموعه داده های بزرگ وجود دارد ) مشابه روش های کاوشگرانه آماری مرسوم است. دراین حالت هدف ایناست تا خلاصه های کلی ازمجموعه ای ازداده هـــا برای شناخت وتــوضیح خصوصیت های اصلی شکل توزیع به دست آوریم . مثال هایی از این قبیل مدل ها شامل تحلیل خوش های بخشی از مجموعه داده ها  مدل رگرسیونی برای پیشگویی و قاعده رده بندی با ساختار درختی است .

2)   نوع دوم رویکرد داده کاوی ، رویکرد تشخیص الگو است . این رویکرد سعی بر آن  دارد . تا انحراف هایی هرچند کوچک را تشخیص دهد تا الگوها و روند های غیر معمول نایان شود . مثال هایی نظیر الگو های نامعول ( برای تشخیص کلاهبرداری)  در استفاده از کارت های اعتباری و موضوع هایی  که  الگوهایی با ویژگی های نا مشابه با سایر الگو ها دارند از این نوع کاربد است . این دسته از راهبردها ست که موجب می شود تا داده کاوی به عنوان علم جستجوی اطلاعات با ارزش از بین توده عظیمی از داده ها به حساب آید . به طور کلی در پایگاه های داده ای کسب و کار ضعف درک الگو ها به خاطر پیچیدگی زیاد آن هاست . این پیچیدگی ها در اثر ناپیوسته بودن ، نامفهوم بودن و کامل نبودن به وجود می آیند. هر چند اکثر الگوریتم های داده کاوی می توانند اثر این گونه خصوصیت های نامربوط برا در تشخیص الگوی اصلی تمییز دهند ، ولی قدرت پیش گویی الگوریتم های داده کاوی با افزایش این انحراف ها کاهش می یابد .

 

 

 

4-2- داده کاوی در صنعت بانکداری

صنعت بانکداری درجهان بیشترین تغییرات را در نحوه کسب و کار خود تجربه کرده است. با پیاده­سازی­های اخیر، مقبولیت و استفاده گسترده از بانکداری الکترونیکی، بدست آوردن داده­ تراکنشی راحت شده و حجم این چنین داده­ها بطور قابل ملاحظه­ای افزایش یافته­اند. آنالیز این حجم از داده­های خام برای تبدیل داده به دانش برای سازمان خارج از توان انسان می­باشد. مقدار زیادی از داده­ها که بانک طی سالها آنها را جمع­آوری کرده می­تواند در موفقیت تلاشهای داده­کاوی تاثیر زیادی بگذارد. با استفاده از داده­کاوی برای آنالیز الگوها و خواسته­ها، مدیران می­توانند با دقت بیشتر، واکنش مشتریان به تغییرات نرخ بهره، تمایل مشتریان به قبول خدمات و محصولات ارائه شده، اطلاع از اینکه کدام یک از مشتریان در پرداخت بدهی وام از ریسک بالائی برخوردار هستند و چگونگی ایجاد ارتباط مناسب تر با مشتریان را پیش­بینی کنند. صنعت بانکداری در بسیاری از موارد در حال شناسائی اطلاعات مهم درباره مشتریان خود می­باشد. نظر به اینکه صنعت بانکداری جزء صنعت خدمات می­باشد، کار نگهداری موثر CRMبحث بسیار مهمی می­باشد. برای این منظور، بانک نیاز به سرمایه­گذاری برای درک بهتر از مشتریان حال و آینده خود دارد. با استفاده از ابزارهای مناسب داده­کاوی، بانک به دنبال آن می­تواند محصولات و خدمات سفارشی به مشتریان خود ارائه دهد. بیشترین کاربرد داده کاوی در بانکداری شامل موارد ذیل است(کابانیلاس، نوگراس، هرا و گیلن 2013).

  • پیش بینی الگوهای کلاهبرداری از طریق کارتهای اعتباری
  • تشخیص مشتریان ثابت
  • تعیین میزان استفاده از کارتهای اعتباری بر اساس گروههای اجتماعی
  • بازاریابی

چندین حوزه که در آنها داده­کاوی می­تواند در صنعت بانکداری مورد استفاده قرار گیرد عبارتند از: تقسیم­بندی مشتریان از لحاظ سودمندی آنها، رتبه­بندی اعتبار مشتریان، پیش­بینی پرداخت بدهی، بازاریابی، تشخیص معاملات کلاهبرداری، مدیریت صندوق و عملیات پیش­بینی، بهینه­سازی دارائی خزانه و رتبه­بندی سرمایه گذاری. در کل، بانکها ممکن است از داده­کاوی برای شناسائی مشتریان سودمند کارت­های اعتباری و درخواست کننده­های وام با ریسک بالا استفاده کنند. بنابراین نیاز به ایجاد توانایهای تحلیلی برای رسیدن به بحث­های بالا می­باشد و تلاشهای داده­کاوی به آنها پاسخ می­دهد. مدیران با این اطلاعات می توانند یک قدم جلوتر باشند. به طوری که با پیدا کردن ترتیب ها و بخش ها و سابقه رفتار مشتریان شان قادرند در بخش بندی و تمرکز کردن روی کسب و کار، حفظ و نگهداری مشتریان سودآور عملکرد بهتری داشته باشند. مدیران با اطلاعات تجاری و تکنیک های داده کاوی نیز می توانند مشتری هایشان را شناسایی کرده و برای درآمد بهتر به روش های مختلف، در دسته های متفاوت طبقه بندی کنند. (احمدلو 1387)

 

4-3- بازاریابی

یکی از گسترده­ترین حوزه­­های مورد استفاده داده­کاوی در صنعت بانکداری بازاریابی می­باشد. بخش بازاریابی بانک می­تواند از داده­کاوی برای آنالیز بانک اطلاعاتی مشتریان و تحلیل تک تک مشتریان و اولویت بندی آنها برای خدمات استفاده نماید. با ارائه خدماتی که مشتری واقعا آن را می­خواهد، بانک می­تواند از صرف هزینه­های نامناسب صرفه­جوئی کند. بازاریاب­های بانک نیاز به تمرکز روی مشتریان با شناخت بیشتر در مورد آنها هستند. برای نمونه بانک اقتصاد نوین، از بازاریابی برای بهبود خدمات مشتریان و افزایش سود استفاده می­کند. با یکی کردن رکوردهای 5 ساله مشتری، بانک قادر به بازاریابی و فروش خدمات مورد نظر به مشتریان خود می باشد.

فروش مکمل [iii] از دیگر حوزه­هایی است که داده­کاوی می­تواند بطور گسترده مورد استفاده قرار گیرد. در اینجا ارائه کننده خدمات جذابیتی برای مشتری ایجاد می­کند تا مشتری از خدمات اضافی با کسب و کار یکسان خرید نماید. با ارائه خدمات و محصولات بیشتر به مشتریان، بانک بهتر می­تواند از مشتریان خود حفظ کند. برای مثال، چندین بانک خصوصی و خارجی در هند (ICICI, HSBC و غیره) از داده­کاوی برای پیدا کردن مشتریان با حسابهای سپرده­گذاری دیداری که مایل به دریافت وام ارزش مسکن [iv]هستند استفاده می­کنند(کایا و اویار 2015)

 

4-4- تشخیص تقلب و کلاهبرداری

حوزۀ دیگری که در آن داده­کاوی می­تواند در صنعت بانکداری مورد استفاده قرار گیرد تشخیص کلاهبرداری می­باشد. توانایی تشخیص فعالیتهای کلاهبرداری از نگرانیهای رو به افزایش بیشتر سازمانها و بنگاههای مالی می­باشد؛ و بیشتر فعالیتهای کلاهبرداری با استفاده از داده­کاوی تشخیص و گزارش شده­اند. دو روش مختلف برای تشخیص الگوهای کلاهبرداری توسط سازمانهای مالی تهیه شده است. در روش اول، بانک انباره داده شخص ثالث را بدست آورده ( معمولا شامل اطلاعات معاملات از بسیاری شرکتهاست) و از برنامه­های کاربردی داده­کاوی برای شناسائی الگوهای کلاهبرداری استفاده می­کند. در روش دوم، تشخیص الگوی کلاهبرداری عمدتا بر پایه اطلاعات داخلی بانک می­باشد. برخی از بانکها از روش ترکیبی استفاده می­کنند. در جدول 1 میزان استفاده از کارتهای اعتباری قریب 60 درصد می باشد و این موضوع بیانگر اهیمت مسأله تشخیص تقلب است. (رجب پور 1390)

جدول 1- درصد استفاده از انواع روش های پرداخت الکترونیک در سالهای 2000، 2005 و 2010

روشهای پرداخت

2000(درصد%)

2005(درصد%)

2010(درصد%)

الکترونیک

4.2

11.1

15.4

کارتهای اعتباری

24.6

26.9

32.1

کارتهای بدهی

6.0

10.8

14.2

وجه نقد

19.5

18.5

16.7

چک بانکی

45.7

32.8

21.6

منبع: رجب پور1390

 

یکی از موفق­ترین سیستم­های تشخیص کلاهبرداری سیستم ارزیابی کلاهبرداری فالکن می­باشد. این سیستم توسط 9 بانک برتر ارائه­کننده کارت اعتباری استفاده می­شود، جائی که 80 درصد معاملات کارت که در آمریکا نگهداری می­شود را مورد ارزیابی قرار می­دهد. همچنین بانک ملون از داده­کاوی برای شناسائی کلاهبرداری استفاده می­کند و قادر به حفظ وجوه خود و مشتریانش از کلاهبرداری بالقوه کارت اعتباری می­باشد. در شکل 1  دیاگرام شناسایی تقلب به روش کوپن نشان داده شده است.

 

شناسایی و جلوگیری از تقلب

پرداخت مبلغ توسط کارت اعتباری و کوپن مشتری

بررسی با استفاده از قوانین منطقی

درخواست بررسی کارت در لیست سیاه هوشمند، دامنه ها و IP های مسدود، کارتهای مضنون

تائید صحت معامله

اضافه کردن کاربر مضنون به لیست سیاه

تائید کاربر و ادامه روند معامله

درخواست بررسی مشخصات کاربر از لیست اصلی کاربران

واریز وجه به حساب تاجر

شکل 1- دیاگرام پرداخت و شناسایی تقلب

منبع: (اسپتیس و منونولوپاگ 2007)

4-5- جذب و نگهداری مشتری

 نه تنها داده­کاوی به جذب مشتریان جدید کمک می­کند بلکه می­تواند به نگهداری مشتریان موجود نیز کمک کند. حفظ و نگهداری مشتری از مهمترین موضوعات برای بنگاههای مالی و صنایع درجه یک برای مشتری و بخصوص بانک می باشد. امروزه گزینه های زیادی برای مشتریان برای انجام کسب و کارشان وجود دارد. مدیران در صنعت بانکداری باید به این موضوع اگاه باشند که اگر آنها تمام سعی­شان را در مورد مشتریان به کار نبندند مشتریان می توانند به راحتی در آینده بانک دیگری را انتخاب نمایند. داده­کاوی می­تواند در هدف­گیری مشتریان جدید برای محصولات و خدمات و استخراج الگوهای خرید قبلی مشتریان کمک کند. بنابراین بانک قادر خواهد بود تا مشتریان موجود را با انگیزه­هایی که به طور سفارشی برای نیاز مشتریان ارائه می شوند حفظ کند. زمانی که بانک منهتن در نیویورک شروع به از دست دادن مشتریان کرد اقدام به استفاده از داده­کاوی برای آنالیز حساب­های مشتریان و ایجاد تغییرات در نیازمندی­های حساب نمود و در نتیجه ان بانک مشتریان سود ده خود را حفظ کردمنبع داده گسترده می تواند از طریق داده کاوی برای کسب و کار مناطق مختلف جهان استفاده شود. یک طبقه بندی گسترده از کاربرد تکنیک های داده کاوی و اطلاعات کسب و کار در صنعت بانکداری و مالی می تواند به صورت زیر باشد:

 

4-6- مدیریت ریسک

مدیریت و ارزیابی ریسک در هسته اصلی هر موسسه مالی قرار دارد و امروزه چالش عمده در بیمه و بانکداری جهانی است. بنابراین پیاده سازی سیستم های مدیریت ریسک به منظور شناسایی، اندازه گیری و کنترل در سیستم کسب و کار نیاز است. در حال حاضر اعتبار و ریسک بازار یک معضل اصلی می باشد که می توان با ظهور تکنیک های داده کاوی و استفاده از پایگاه داده ی پیشرفته یک تغییر بزرگ در این زمینه بوجود آورد. همانطور که در شکل 2 نیز دیده می شود در حال حاضر ارزیابی جامع از انواع ریسک (مانند ریسک شهرت یا بازار) مورد توجه است. اینها همه بر اساس مدل ها به نمایندگی از اسناد واحد مالی یا فاکتورهای ریسک، رفتار و عکس العمل آنها با کل بازار هستند و ساختن این زمینه موضوع بسیار مهم تحقیق است.(مرکز باسل 1993)

 

شکل 2-  استفاده از تکنیک های داده کاوی چالشی جهانی برای کسب و کار مالی

منبع: مرکز یاسل،1993

 

4-7- ریسک بازار مالی

ریسک بازار مالی برای اسناد واحد مالی، شاخص سهام، نرخ سود یا واحد پولی که ارزیابی ریسک بازار بر اساس مدلهای وابسته به مجموعه ای از فاکتور های ریز مثل نرخ، شاخص سهام و یا توسعه اقتصادی می باشد. عاملی که در تابع قیمت بازار و یا ریسک و یا مجموعه فاکتور های ریسک مورد توجه است؛ همان وابستگی تابعی به فاکتورهای ریسک خودش است. در بازارهای مختلف روشهای ارزیابی ریسک متفاوت است همه آنها متاثر از سند واحد، رفتار و تعاملات کلی بازار هستند. از آنجایی که داده ها در دسترس عموم نیستند و نیازمند نظارت سازگار می باشند، لذا استفاده از تکنیک های متفاوت داده کاوی بر روی داده های مالی و اسناد اختصاصی مورد نیاز است.(سلیمانی 1388)

 

4-7-1- ریسک اعتبار

ارزیابی ریسک اعتبار جزء کلیدی در اعطای وام به مشتریان است. بدون این وام دهنده از شرایط وام گیرنده هیچ اطلاعی ندارد و یا حتی برای مقدار وام هم نیاز به ارزیابی اعتبار مشتری است. مدیریت ریسک اعتباری را می توان به دو گروه اصلی تقسیم کرد. (رنجبر 1384)

ü    امتیاز دهی اعتبار/ درجه بندی اعتبار. تخصیص یک مشتری یا یک محصول به سطحی از ریسک.

ü    تحلیل تغییرات رفتاری در امتیاز دهی یا درجه بندی اعتبار عبارت است از: ارزیابی تغییر سطح ریسک یک مشتری یا یک محصول در مدت زمان داده شده.

در اعطای وام تجاری، ارزیابی ریسک معمولاً تلاشی است برای تعیین کمیت ریسک از دست دادن وام، در زمانی که برای یک وام دهی خاص تصمیم گیری می شود. ریسک اعتبار می تواند با تغییرات ارزش اعتبار یک محصول یا از کل اعتبار سودی که از مشتری بدست آمده، تعیین گردد. سه دیدگاه عمده برای مدل ریسک اعتبار در سطح تراکنش وجود دارد:

  • رویکرد های تحلیلی حسابداری
  • پیش بینی آماری
  • دیدگاه های اختیاری علمی و نظری.

از آنجایی که اطلاعات زیادی مربوط به مشتری در کسب و کار مالی وجود دارد، یک راه مناسب برای ساخت چنین مدلهایی، مطابق شکل 3 استفاده از پایگاه داده خودشان و تکنیک های داده کاوی، مدلهای مناسب برای نیازهای کسب و کار و سند اعتباری فعلی تجارت می باشد.

 

 

شکل 3- کاربرد تکنیک های داده کاوی برای مشتریان ، ابزارهای مالی، ریسک نمونه ها در بازار و ریسک اعتبار

منبع: رنجبر، 1384

 

4-7-2- مدیریت اسناد

دیدگاه های ارزیابی ریسک در سطح مستندات جمع آوری شده، یک مجموعه از ابزار یا مشتریانی هستند که اثرات متنوعی را تعیین می کنند. از طرف دیگر پیش بینی مدل ها یک نتیجه از بازدهی مورد انتظار یا قیمت یک ابزار مالی را می دهد که هر دوی آنها این امکان میدهد که اسناد گسترده شرکت در مقابله با ریسک و یا وضعیت بازدهی، قابل مدیریت باشند.

بنابراین کاربرد نظری ریسک مدرن در تئوری اسناد بخش مهمی از مدیریت اسناد به شمار می آید. سرمایه گذاران با تکنیک های داده کاوی و بهینه سازی می توانند تخصیص سرمایه در فعالیت های تجاری را مدیریت کنند به طوری که سود را به حداکثر و ریسک را به حداقل برسانند. این ویژگی این قابلیت را دارد که از توانایی برای ایجاد پیشنهادات تجاری و ساختار بندی اسناد از طرف کاربر برای اسناد و مدیریت ریسک پشتیبانی کند.

تکنیک های داده کاوی امکان ارائه سناریو تجزیه و تحلیل قابلیت های مرتبط با ارزش دارایی یا بازدهی و ریسک مرتبط با آن را به تحلیلگر می دهد. نتایج سناریوهای مختلف می تواند با توجه به شرایط بازار واقعی در نظر گرفته شود.

تجزیه و تحلیل سود و ضرر به کاربران اجازه ی دسترسی به کلاس مالی، منطقه، اثرات متقابل و یا زیراسناد دلخواه می دهد که می تواند یک معیار در برابر معیار های مشترک بین المللی باشد(سینک و کار 2015).

 

4-8- تجارت

در چند سال گذشته، موضوع اصلی تحقیقات ساختار ابزارهای تجاری کمی، با استفاده از روش های داده کاوی بوده است که این روشها از داده های گذشته به عنوان یک ورودی برای پیش بینی تغییرات کوتاه مدت ارزهای مهم، نرخ سود یا سهام استفاده می کند. هدف از این تکنیک برای تعیین زمان توقف است که وقتی بازارها به واسطه شناسایی فاکتورهای موثر در تعیین بازدهی بازار، متنوع هستند.

در شکل 5 سیستم تجاری و رابطه بین اطلاعات مرتبط و بخشهایی از دارایی های مالی را نشان می دهد و زمانی که ارزش گذاری آنها نوسان دارد و یا مشکوک است به شما پیشنهاد خرید یا فروش می دهد. بنابراین حتی اگر تعدادی از تاجران، روش های خیلی فنی و خیلی مخاطره آمیز داده کاوی را به صورت سیستماتیک پیدا کنند، آنها ممکن است بخواهند آن را به صورت انتخابی با توجه به نظرات و تمایلات خود استفاده کنند.

تجارت بر اساس ایده پیش بینی تغییرات کوتاه مدت در قیمت و یا ارزش یک محصول است. با یک حدس معقولانه در یک موقعیت خاص، ممکن است یک محصول به شرطی که فرد یا تاجر بیندیشد که قیمت آن در آینده کمتر یا بیشتر میشود، آن محصول را معامله می کند.

تجارت سنتی بر اساس حس غریزه تاجران انجام می شد. اگر تاجر فکر میکرد قیمت واقعی محصول با قیمت فعلی آن متفاوت است، آن محصول را خرید و فروش می کرد. این حس غریزه معمولاً بر اساس تجربیات گذشته و کمی تحلیل شرایط بازار بود. اگرچه ماهرترین تاجران با تعداد زیادی فاکتور می توانستند بازار را ارزیابی کنند، باز هم محدودیت هایی داشتند. از این رو اغلب این پیش بینی ها منجر به شکست می شد. قیمت یک کالا تحت تاثیر فاکتورهای مختلف مثل عوامل اقتصادی ،سیاسی و بازار قرار می گیرد. در یک بازار این تاجر است که ارتباط بین این فاکتورها و ارزش یک دارایی را درک می کند و ارزش فعلی این عوامل را محاسبه کرده و قیمت نهایی که محصول خواهد داشت را پیش بینی می کند و با یک ارزیابی، خرید و فروش را انجام میدهد.

اغلب در طول زمان به صورت تجربی فاکتورهای مورد علاقه کشف می شوند و برخی هم به عنوان فرصت بدست می آیند و در غیر این صورت ممکن است کاهش درآمد مالی اتفاق بیفتد. بنابراین این فاکتورها هرکدام به نوبه ی خود ممکن است وابسته به چندین فاکتور دیگر باشند که پیش بینی را سخت می کند.

تکنیک های داده کاوی برای کشف دانش پنهان، الگوهای ناشناخته و قوانین جدید از مجموعه داده های بزرگ مورد استفاده قرار می گیرند که شاید برای انواع تصمیم گیری مفید باشد. با جهانی شدن اقتصاد در همه ی ابعاد و پیشرفت در فناوری اطلاعات، حجم عظیمی از اطلاعات مالی تولید و ذخیره می شوند. اینها می توانند تکنیک های داده کاوی برای کشف الگوهای پنهان و پیش بینی روند تغییرات آینده و رفتار بازارهای تجاری باشند. فوریت ارایه شده توسط داده کاوی می تواند اطلاعات حیاتی را از آخرین داده ها در اولین فرصت استخراج کند. این پاسخگویی سبب بهبود بازار و آگاهی که منجر به کاهش هزینه و افزایش درآمد میگردد، خواهد شد.

پیشرفت های بوجود آمده در تکنولوژی ما را قادر به ساخت سیستم های سریعتر و پیش بینی های بهتر کرده است. این سیستم ها ترکیبی از تکنیک های داده کاوی و روشهای هوش مصنوعی مانند استدلال مبتنی بر مورد ([v]CBR) و شبکه های عصبی   (ANN) [vi]می باشند.

یک ترکیب از یک سیستم پییش بینی گر با یک استراتژی تجاری خوب، فرصت های فوق العاده ای برای بازدهی گسترده ارائه می دهد.  ارزش کالا به هر دو متغیر اقتصاد خرد و اقتصاد کلان وابسته است و این داده ها در فرمت های متفاوت در دسترس هستند. در اینجا داده کاوی با کشف اطلاعات و الگوهای پنهان از چندین انبار داده بزرگ و منابع داده حجیم در فرمت های مختلف به ما کمک می کند. تکنیک های شبکه های عصبی و استدلال مبتنی بر مورد می تواند برای پیش بینی این متغیر های مالی اعمال شود.

شبکه های عصبی توسط قابلیت های یادگیری و توانایی های بهبود عملکرد، در طول زمان مشخص می شود. بنابراین شبکه های عصبی می تواند به منظور تشخیص یک شی جدید از شی مشابه قبلی تعمیم یابد در حالی که کاملاً یکسان نیستند. از توانایی های شبکه های عصبی می توان به استخراج مفهوم از داده های مبهم  و نیز پیدا کردن الگوهای پیچیده ای که کشف آن برای انسان مشکل است، اشاره کرد.

شبکه های عصبی به عنوان یک متخصص در حوزه ای که آنها آموزش دیده اند مشکلات را حل می کند آنها می توانند برای ارایه پیش بینی ها در موقعیت های جدید و کارهای بلادرنگ مورد استفاده قرار گیرند. بنابراین داده های قدیمی در دسترس در مورد بازار های مالی و متغیر های مختلف می توانند برای استفاده شبکه های عصبی در بحث شبیه سازی بازار مورد استفاده باشند. شبکه های عصبی می توانند براساس اطلاعات ورودی از ارزش های اخیر متغیر های بازار وضعیت، روز های آینده را پیش بینی کنند. ممکن است پیشنهاد خرید و فروش هم بدهند.

روش CBR بر اساس سوابق و عملکرد گذشته مشتریان است که با استفاده از داده های ذخیره شده در یک انبار داده بزرگ بعنوان مورد ها که همان متغیر های بازار هستند عمل می کند. وقتی یک مورد جدید پیدا می شود الگورتم CBR کارایی و نتیجه این مورد را بر اساس مورد های موجود در انبار داده خود پیش بینی می کند. تکنیک های داده کاوی می توانند برای کشف الگوهای پنهان جهت تصمیم گیری های بهتر استفاده گردد. روش CBR می تواند برای زمانهای بلادرنگی که تحلیل واقعی و سریع مورد نیاز است، استفاده شود و در کسب سود فوری حاصل از نتایج بلادرنگ کمک کند. بنابراین تکنیک های داده کاوی و اطلاعات کسب وکار( شبکه های عصبی و استدلال مبتنی بر مورد) می توانند در ترکیب بازارهای مالی برای پیش بینی رفتار بازار و بدست آوردن رفتار مدل شده جهت تاثیر پذیری در تصمیم گیری ها بکار گرفته شود( ابزری، صمدی و تیموری 1386).

 

4-9- ابعاد رضایت مشتریان از کیفیت خدمات بانکداری الکترونیکی

در یک دسته بندی معتبر خواسته‏های مشتری در قالب کیفیت مورد انتظار از سه طبقه یا لایه تشکیل شده‏اند و تحقق هر یک از این لایه های کیفی به شرط تحقق لایه کیفی پیشین در افزایش رضایت مستمر مشتری موثر است. این لایه ها عبارتند از:

  • کیفیت پایه[vii]: اینها مقادیر کمینه ای هستند که از عدم رضایت جلوگیری ‏می‏کنند. برخی از این موارد از گونه ایمنی، پایایی و دوام محصول هستند. این خواسته‏ها تلویحی است و مشتری فرض می کند که این خصوصیات در محصول لحاظ شده‏اند.
  • کیفیت کارائی[viii]: مبیّن گروهی از خواسته‏های مشتریان هستند که الزامات عملکردی محصول را تشکیل می‏دهند و برآورده نساختن آنها موجب نارضایتی مشتریان می شود.
  • کیفیت انگیزشی[ix]: ویژگی هایی است که تا قبل از ارائه خدمت به صورت یک نیاز و یا خواسته از دید مشتری پنهان است. در نتیجه برآورده نشدن ‏آنها عدم رضایت مشتری را سبب نمی‏شود، لیکن برآورده ساختن آن توسط تولیدکننده محصول سبب رضایت محسوس مشتری می‏گردد. ویژگی این خواسته ها این است که هر چند از طرف مشتری بیان نمی‏شوند، ولی در صورت شناسائی، طراحی و ارائه آنها، واجد مزیت‏های رقابتی برای خدمت مورد نظر است.

سیر تحولات خواسته‏های مشتریان به گونه‏ای است که ارائه ویژگی‏های کیفی انگیزشی بعد از مدتی آنها را به ویژگی‏های عملکردی و حتی اساسی تبدیل می‏کند. بنابراین، سازمان بایستی در چرخه‏ی رضایت مشتری همواره پویائی داشته باشد و همگام با نوآوری‏ها، در برآورده ساختن نیازهای انگیزشی و همچنین تکوین خواسته‏های انگیزشی جدید بکوشد.

 

4-10- ایجاد پایگاه داده از پروفایل مشتری و مدیریت ارتباط با مشتری

بانک ها دارای تعداد زیادی بانک های اطلاعاتی عظیم برای تراکنش ها و سایر جزییات مرتبط با مشتریان خود می باشند. می توان از این داده های ذخیره شده اطلاعات کسب و کار با ارزشی را استخراج کرد. اما از این داده های خام برای پشتیبانی از تجزیه و تحلیل و تصمیم گیری با استفاده از زبان پرس و جوی سنتی استفاده نمی شود چراکه تجزیه و تحلیل انسان با این حجم و بعد گسترده منجر به شکست می شود. روشهای آماری سنتی ظرفیت و مقیاس برای تحلیل این حجم داده نداشتند و از این رو استفاده روش های مدرن داده کاوی و ابزار های آن به طور گسترده ای رو به افزایش است. این روشها نه تنها در بانک ها و موسسات مالی بلکه در کل صنایع نیز نفوذ پیدا کرده اند.

ایجاد پروفایل مشتری یک پروسه داده کاوی است که از اطلاعات مشتری از پایگاه داده های گروه ها و شرکت های مختلف ساخته می شود. اطلاعات بدست آمده از این فرآیند می تواند برای اهداف مختلفی از قبیل درک کارایی کسب و کار، ایجاد طرح های جدید بازاریابی، بخش بندی بازار و اصلاح سیاست های مرتبط با مشتری در شرکت استفاده شود. مزیت داده کاوی این است که می تواند حجم زیادی از اطلاعات را مدیریت کند و ساختارهای ذاتی الگو ها در داده را آموزش بدهد. داده کاوی می تواند قوانین و مدل هایی که در ساختار تصمیم گیری برای مورد های آینده استفاده می شود را تولید کند. مدلسازی رفتار با مشتری و یا پروفایل مشتری یک ابزار برای پیش بینی ارزش آینده از یک فرد خاص به گروه ریسک، بر اساس ویژگی های جمعیت شناختی خود، سبک زندگی و رفتار قبلی اش است که به حفظ مشتری کمک می کند. دو واقعیت مهم وجود دارد که بر انتخاب روشهای ایجاد پروفایل مشتری دلالت می کند. اول اینکه اطلاعات پروفایل می تواند از متغیر های زیادی تشکیل شود و دوم اینکه اکثریت آنها از متغیرهای قطعی هستند. ( یا متغیر های غیر عددی یا متغیر های اسمی)(سینگ و کار 2015)

پروفایل مشتری برای تعیین ویژگی های مشتری خاص ساخته شده است. بسیاری از تکنیک های جستجوی پروفایل های داده کاوی گروه های مشتری خاص به صورت سیستمی از تکنیک های هوش مصنوعی استفاده می کنند. آنها بر اساس روش های جستجو و تکنیک های یادگیری تدریجی پروفایل های دقیق تولید می کنند. هم چنین پروفایل مشتری از روشهای مدلسازی پیش بینی زیاد استفاده می کند. تکنیک های مدلسازی پیش بینی قابل اجرا را می توان به دو روش دسته بندی کرد. آنها به نوع اطلاعات پیش بینی شده و یا متغیر هایی که متغیر های هدف نامیده می شوند، وابسته اند. اگر نوع ارزش های پیش بینی شده، قطعی باشد، تکنیک های کلاسه بندی به منظور استفاده ترجیح داده می شود. از دیگر عوامل، تحلیل شرکت های متقاضی وام است که با مشتریان عادی کمی متفاوتند. برای تحلیل مالی یک شرکت بطوری که در نمودار 1 نشان داده شده، تحلیلگر باید ابتدا اطلاعاتی را از محیط اقتصادی که واحد در آن فعالیت می کند در دست داشته باشد و پس از آن اطلاعات مربوط به شرکت یا واحد مورد تحلیل را بدست آورد و نهایتاٌ اقدام به تحلیل کند( بری و لینف 1997).

 

 

 

 

 

 

 

 

 

 

 

اطلاعات لازم برای تحلیل مالی

اطلاعات مربوط به محیط پیرامونی

اطلاعات مربوط به شرکت

اوضاع و احوال سیاسی

کشور

منطقه

اوضاع و احوال اقتصادی

اطلاعات مربوط به فعالیت

اطلاعات مالی

متغیرهای کلان

متغیرهای صنعت

مدیریت

عملیات

صورتهای مالی

سایر

نمودار 1- اطلاعات مورد نیاز داده کاوی در تحلیل مالی

منبع: بری و لینف، 1997

 

5- نتیجه گیری

داده کاوی ابزاری است که برای استخراج اطلاعات مهم از داده موجود و قادر ساختن سازمان برای تصمیم گیری بهتر در صنعت بانکداری مورد استفاده قرار می گیرد. داده کاوی از انبار داده برای ترکیب چندین داده از بانک های اطلاعاتی در یک فرمت قابل قبول که داده ها قابل یاد اوری باشند استفاده می کند. سپس داد ها آنالیز شده و اطلاعاتی که از آن به دست آمده در سازمان برای پشتیبانی از تصمیم گیری مورد استفاده قرار می گیرد. از داده کاوی در بسیاری از صنایع از قبیل بانکداری، خرده فروشی و مخابرات به صورت عمومی و گسترده استفاده می شود. همچنین برنامه های کاربردی داده­کاوی در حوزه­های مختلف مانند آنالیز تحقیقات پزشکی، شناسایی الگوهای کلاه­برداری کارت اعتباری، پیش بینی رفتار خرید مشتریان، پیش­بینی علاقه شخصی کاربران وب، بهینه­سازی فرایند های تولید وغیره بسیار مفید واقع شده است.

داده­کاوی به بسیاری از سئوالات درباره چگونگی یادگیری کامپیوترها از تجربیات گذشته کمک می­کند. در نتیجه موسسات اقتصادی که داده­کاوی را مورد استفاده قرار می دهند و در حال ایجاد محیط داده­کاوی برای فرایند تصمیم­گیری می باشند، در آینده سودآوری زیاد و مزیت های رقابتی فوق العاده ای در برابر رقبا خواهند داشت



1- استادیار گروه اقتصاد، دانشکده اقتصاد و حسابداری دانشگاه آزاد اسلامی، واحد تهران مرکزی، تهران، ایران. (نویسنده مسئول) MA_Khatib@iauctb.ac.ir

2- کارشناسی ارشد، مربی، دانشگاه آزاد اسلامی واحد نجف آباد، اصفهان، ایران

3- دانشجوی دکتری اقتصاد مالی، دانشگاه آزاد اسلامی واحد زنجان، زنجان، ایران



1 Data Mining

2 Proxy

3 Net Present Value

4 Cross - selling

5 Home equity loan

6 Case-Based Reasoning

7 Artificial Neural Network

8 Basic Quality

9 Performance Quality

10 Excitement Quality

1)    هان، ژیاوی و کمبر ، میشلن و پی ، ژان، ترجمه اسماعیلی مهدی، "داده کاوی مفاهیم و تکنیک ها"، انتشارات نیاز دانش، 1394

2)    والی زاده،ا و رجبی،ح،(1381) "بررسی تاثیر کاهش نرخ بهره بر سرمایه‌گذاری"، مجموعه مقالات ـ داوزدهمین کنفرانس سیاستهای پولی و ارزی.

3)    شهرابی، جمال و ذوالقدر شجاعی ، علی ،" داده کاوی پیشرفته - مفاهیم و الگوریتم ها" ،  انتشارات جهاد دانشگاهی واحد صنعتی امیر کبیر، 1390

4)    ایزدی، سید ابوالقاسم، ابراهیمی آتانی، سمیه، پونه، رضا، " مدیریت ریسک عملیاتی در بانکداری الکترونیک" اولین کنفرانس ملی بانکداری الکترونیکی، یزد، دی 1390

5)    یوسفی، مجید، “ بررسی سیستمهای بانکداری الکترونیک و مشکلات بومی‌سازی آن در ایران “ ، پایان نامه کارشناسی ارشد، دانشگاه شهید بهشتی، 1384.

6)    مسعود سلیمانی، "اهمیت مدیریت ریسک در بانکداری سنتی، اسلامی و الکترونیک"(قسمت دوم)، اداره امور واحدهای خارج از کشور بانک ملی ایران1388.

7)    احمدلو، یعقوب،" استفاده از داده­کاوی بعنوان ابزار رقابتی در صنعت بانکداری" دومین کنفرانس جهانی بانکداری الکترونیکی، تهران، مردادماه1387

8)    هزار، اسکندری، اشرفی، رویا، حمید رضا، مهدی، " رتبه بندی اعتباری مشتریان با بکارگیری شبکه عصبی درصنعت بانکداری (مطالعه موردی بانک اقتصاد نوین)" دومین کنفرانس جهانی بانکداری الکترونیکی، تهران، مردادماه1387

9)    رجب پور ، رؤیا ، "شیوه های پرداخت در معاملات بن الملل" ، پایان نامه کارشناسی ارشد ، دانشگاه گیلان، 1390

10) رنجبر مطلق، لیدا، "اصول مدیریت ریسک اعتباری"، انتشارات کمیته نظارت بر بانکداری، 1384

11) ابزری، مهدیو  صمدی سعید و تیموری ، " بررسی عوامل موثر بر ریسک و بازده سرمایه گذاری در محصولات مالی"، نشریه روند،   123 - 152 .

12)  Goldberg, Linda (1993), “Exchange Rates and Investment in United States Growth"; Fordham University, Department of Economics, Discussion Paper.

13)  Golob, John E , “Does Inflation Uncertainty Increcse with Inflation?” Economic Reuiew Third Quarter 1994, Federal Res.

14)  F. Liébana-Cabanillas, R. Nogueras, L.J. Herrera, A. Guillén ,"Analysing user trust in electronic banking using data mining methods", Expert Systems with Applications, Volume 40, Issue 14, 15 October 2013, Pages 5439–5447

15)  S.S.Kaptan, “New Concepts in Banking”, Sarup and Sons, Edition, 2002

16)  S.P. Deshpande, Dr. V.M. Thakare, "Data Mining System And Applications: A Review".

17)  Basel Committee on Banking Supervision, “ Risk Management Principle for Electronic Banking “, Bank for international settlement, July 2003.

18)  Spathis, Charalambos, Manolopoulos, Yannis, " Data Mining techniques for the detection of fraudulent financial statements", Expert Systems with Applications, Volume 32, Issue 4, May 2007, Pages 995–1003

19)  Kahya, Esra, Uyar ,Kumru, Ozyirmidokuz, Musta Hakan Ozyirmidokuz, " A Data Mining Based Approach to a Firm's Marketing Channel", Economics and Finance, Volume 27, 2015, Pages 77–84

20)  Berry ,Michael J.A, Linoff, Gordon S, "Data Mining Techniques For Marketing, Sales, and Customer Relationship Management "(Second Edition), 1997

21)  Singh,, Amrita Kaur, Amritpal , Kaur, Jasmeet , Ramandeep Singh,Shipra Raheja, "Pattern Analysis On Banking Dataset", JOURNAL OF SCIENTIFIC & TECHNOLOGY RESEARCH VOLUME 4, ISSUE 06, JUNE 2015

 

          

یادداشت‌ها