تکنیک های مربوط به بهبود مدیریت رابطه مشتری در صنایع بانکداری و خرده فروشی
چکیده
در حال حاضر چندین صنعت از جمله بانکداری، مالی، خرده فروشی، بیمه، تبلیغات، بازاریابی پایگاه داده، پیش‌بینی فروش و غیره ابزار‌های داده‌کاوی برای مدیریت رابطه مشتری هستند. بانک‌های پیشرو از ابزار‌های داده‌کاوی برای بخش بندی و سود مشتری، امتیاز دهی اعتباری و تایید، پیش‌بینی بازگشت پرداخت، بازاریابی، کشف معاملات غیر قانونی و غیره استفاده می‌کنند. صنعت بانکداری و خرده فروشی دارد پی می‌برد که امکان دستیابی به مزیت رقابتی با گسترش داده‌کاوی وجود دارد. برای خرده فروش‌ها کاوش داده می‌تواند برای ارائه اطلاعات در مورد جهت گیری فروش محصولات، عادات و خواسته‌های مشتری و غیره به کار رود. این مقاله نقدی بر مفهوم داده‌کاوی و مدیریت رابطه مشتری را در صنایع بانکداری سازمان یافته و خرده فروشی ارائه می‌دهد. وظایف استاندارد مورد بحث در داده‌کاوی را مطرح کرده کاربردهای داده‌کاوی مختلف در بخش‌های متفاوت را ارزیابی می‌کند.
1.مقدمه
داده‌کاوی به کشف الگو از روابط قبلا ناشناخته و رخداد مجدد این روابط در میان ویژگی‌های به ظاهر نامرتبط به منظور پیش‌بینی کنش‌ها، رفتارها و نتایج برمی‌گردد. در واقع، داده‌کاوی به شناسایی الگوها و روابط در داده‌ها کمک می‌کند [1]. DM به هوش تحلیلی و هوش تجاری نیز برمی‌گردد. چون داده‌کاوی مفهوم نسبتا جدیدی است، در گذشته نزدیک توسط مولفان مختلف به روش‌های متنوعی تعریف شده است. برخی از فنونی که به طور گسترده در داده‌کاوی به کار رفته شامل شبکه‌های عصبی مصنوعی، الگوریتم‌های ژنتیک، روش نزدیک ترین همسایه K، درخت‌های تصمیم و داده کاهی است. روش داده‌کاوی مکمل دیگر فنون تحلیل داده از قبیل آمار، پردازش تحلیلی برخط (OLAP)، صفحات گسترده و دسترسی به داده‌های اساسی است. داده‌کاوی به تحلیل گران تجاری کمک می‌کند فرضیه سازی کنند اما به فرضیه‌ها اعتبار نمی‌دهد.
5. نتیجه گیری و کار آینده
کاوش داده ابزاری برای استخراج اطلاعات مهم از داده‌های موجود است و تصمیم‌گیری بهتر را در صنایع بانکداری و خرده‌فروشی ممکن می‌کند. آنها از انبارداری داده برای ترکیب داده‌ها مختلف از پایگاه‌های داده تا قالب قابل پذیرش استفاده می‌کنند طوری که امکان کاوش داده به وجود آید. سپس داده‌ها تحلیل می‌شود و اطلاعاتی که ثبت می‌شود در سراسر سازمان برای پشتیبانی از تصمیم گیری به کار می‌رود. این امر به صورت جهانی پذیرفته شده است که بسیاری از صنایع (از جمله بانکداری، خرده فروشی و مخابرات) به طور موثری از داده‌کاوی استفاده می‌کنند. شکی نیست که داده‌کاوی کاربردهای زیادی در صنایع دارد. کاربردهای عملی آن در حوزه‌هایی مانند تحلیل نتایج پزشکی، کشف کلاهبرداری کارت اعتباری، پیش‌بینی رفتار خرید مشتری، پیش‌بینی علایق شخصی کاربران وب، بهینه‌سازی فرآیند‌های تولیدی و غیره بسیار موفق بوده اند. صنعت خرده فروشی نیز دارد پی می‌برد که داده‌کاوی می‌تواند به آنها مزیت رقابتی بدهد. آن‌دسته از بانک‌ها و خرده فروشانی که متوجه کاربرد داده‌کاوی شده اند در فرآیند ایجاد محیط داده‌کاوی برای فرایند تصمیم گیری خود هستند که سود قابل توجهی عایدشان می‌کند و مزیت رقابتی قابل توجهی برای ایستادگی در رقابت در آینده را نصیبشان می‌کند.
ABSTRACT
Currently several industries including like banking, finance, retail, insurance, publicity, database marketing, sales predict, etc are Data Mining tools for Customer Relationship Management. Leading banks are using Data Mining tools for customer segmentation and benefit, credit scoring and approval, predicting payment lapse, marketing, detecting illegal transactions, etc. The Banking and Retail industry is realizing that it is possible to gain competitive advantage deploy data mining. For retailers, data mining can be used to provide information on product sales direction, customer buying tradition and desires; etc. This article provides an critique of the concept of Data mining and Customer Relationship Management in organized Banking and Retail industries. It also discusses standard tasks involved in data mining; evaluate various data mining applications in different sectors.
I. INTRODUCTION
Data mining refers to computer-aided pattern discovery of previously unknown interrelationships and recurrences across seemingly unrelated attributes in order to predict actions, behaviours and outcomes. Data mining, in fact, helps to identify patterns and relationships in the data [1]. DM also refers as analytical intelligence and business intelligence. Because data mining is a relatively new concept, it has been defined in various ways by various authors in the recent past. Some widely used techniques in data mining include artificial neural networks, genetic algorithms, K-nearest neighbour method, decision trees, and data reduction. The data mining approach is complementary to other data analysis techniques such as statistics, on-line analytical processing (OLAP), spreadsheets, and basic data access. Data mining helps business analysts to generate hypotheses, but it does not validate the hypotheses.
V.CONCLUSION AND FUTURE WORK
Data mining is a tool used to extract important information from existing data and enable better decision-making throughout the banking and retail industries. They use data warehousing to combine various data from databases into an acceptable format so that the data can be mined. The data is then analyzed and the information that is captured is used throughout the organization to support decision-making. It is universally accepted that many industries (including banking, retail and telecom) are using data mining effectively. Undoubtedly, data mining has many uses in industries. Its practical applications in such areas as analyzing medical outcomes, detecting credit card fraud, predicting customer purchase behavior, predicting the personal interests of Web users, optimizing manufacturing processes etc. have been very successful. The retail industry is also realizing that data mining could give them a competitive advantage. Those banks and retailers that have realized the utility of data mining and are in the process of building a data mining environment for their decision-making process will reap immense benefit and derive considerable competitive advantage to withstand competition in future
چکیده
I .مقدمه
II . کار مرتبط
1. داده‌کاوی تعریف شده در کل پیشینه پژوهش
2. تکنیک‌های کاوش داده
III . کار پیشنهادی
3. کاوش داده در مدیریت رابطه مشتری
1.3 داده کاوی
IV . نتایج
4. کاربردهای داده کاوی: در بخش بانکداری
1.4 نگهداری مشتری در بخش بانکداری:
2.4 تایید اعتبار خودکار با استفاده از روش طبقه بندی
3.4 کشف کلاهبرداری در بخش بانکداری
4.4 بازاریابی
4.5 مدیریت خطر
V .DM در صنعت خرده فروشی
V . نتیجه گیری و کار آینده
ABSTRACT
I. INTRODUCTION
II. RELATED WORK
1. Data Mining Defined Throughout Literature
2. Data mining techniques
III PROPOSED WORK
3. Data mining in Customer Relationship Management
3.1 Data mining and analytical CRM
IV RESULTS
4. Data Mining Applications in Banking Sector
4.1 Customer Retention in Banking Sector
4.2 Automatic Credit Approval using Classification Method
4.3 Fraud Detection in Banking Sector
4.4 Marketing
4.5 Risk Management
V.DM IN RETAIL INDUSTRY
V.CONCLUSION AND FUTURE WORK
- اصل مقاله انگلیسی با فرمت ورد (word) با قابلیت ویرایش
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه