تکنیک های داده کاوی و کاربردهای آن در بخش بانکداری
چکیده
برای بسیاری از سازمان های کسب و کار از جمله بخش بانکداری، داده کاوی در حال تبدیل شدن به یک حوزه مهم راهبردی است. این یک فرایند تجزیه و تحلیل داده ها از دیدگاه های مختلف و خلاصه سازی آن در اطلاعات ارزشمند است. داده کاوی به بانک ها برای جستجوی الگوی پنهان در یک گروه و کشف رابطه ناشناخته در داده‌ها کمک می نماید. امروزه، با توجه به جایی که مشتریان می توانند برای انجام کسب و کار خود انتخاب کنند، عقاید مختلفی دارند. تکنیک های تجزیه و تحلیل اطلاعات اولیه با محوریت استخراج ویژگی داده های کمی و آماری صورت می گرفت. این تکنیک ها تفسیر داده های مفید برای بخش بانکداری را به منظور جلوگیری از کاهش مشتری، تسهیل می نمایند. حفظ مشتری، مهم ترین عامل در محیط کسب و کار رقابتی امروز است. و همچنین تقلب یک مشکل مهم در بخش بانکداری است. تشخیص و جلوگیری از تقلب دشوار است، چرا که کلاهبرداران طرح های جدید را در همه زمان ها توسعه می دهند و برای سخت تر شدن تشخیص آسان، طرح ها بیشتر و بیشتر پیچیده می شوند. این مقاله، تکنیک های داده کاوی و کاربردهای آن در بخش بانکداری مانند پیشگیری و کشف تقلب، حفظ مشتری، بازاریابی و مدیریت ریسک را تجزیه و تحلیل می نماید.
1. مقدمه
نوآوری های تکنولوژیک، صنعت بانکداری را قادر به باز کردن کانال های تحویل کارآمد نموده اند. فناوری اطلاعات به صنعت بانکداری برای مقابله با چالش های جدید اقتصاد کمک کرده است. امروزه، بانک ها متوجه شده اند که رابطه‌ی با مشتری یک عامل بسیار مهم برای موفقیت آنهاست. مدیریت ارتباط با مشتری (CRM) یک استراتژی است که می تواند به آنها در ایجاد روابط طولانی مدت با مشتریان خود و افزایش درآمد و سود خود کمک کند. CRM در بخش بانکداری از اهمیت بیشتری برخوردار است. تمرکز CRM از کسب مشتری به حفظ مشتری و اطمینان از مقدار مناسب از زمان، پول و منابع مدیریتی در هر دوی این وظایف کلیدی تغییر یافته است. چالش پیش روی بانک، چگونگی حفظ سودآور ترین مشتریان و چگونگی انجام این کار با کمترین هزینه است. در عین حال، آنها این راه حل را به سرعت پیدا و اجرا کنند و این باید راه حلی انعطاف پذیر باشد. روش های سنتی تجزیه و تحلیل داده ها از مدت ها قبل برای تشخیص تقلب استفاده شده است. آنها نیاز به تحقیقات پیچیده و وقت گیر دارند که با حوزه های مختلف دانش مانند مالی، اقتصاد، شیوه های کسب و کار و قانون سرو کار دارد. موارد تقلب می توانند در محتوا و ظاهر مشابه باشند، اما معمولا یکسان نیستند. در کشورهای در حال توسعه مانند هند، بانکداران با مشکلات بیشتری در مورد کلاهبرداران روبرو هستند. با استفاده از روش داده کاوی، ساخت یک مدل پیش بینی موفق و تجسم گزارش اطلاعات معنی دار برای کاربر ساده است. شکل 1 در زیر نشان‌دهنده جریان روش داده کاوی در مدل سیستم ماست.
Abstract
Data mining is becoming strategically important area for many business organizations including banking sector. It is a process of analyzing the data from various perspectives and summarizing it into valuable information. Data mining assists the banks to look for hidden pattern in a group and discover unknown relationship in the data. Today, customers have so many opinions with regard to where they can choose to do their business. Early data analysis techniques were oriented toward extracting quantitative and statistical data characteristics. These techniques facilitate useful data interpretations for the banking sector to avoid customer attrition. Customer retention is the most important factor to be analyzed in today’s competitive business environment. And also fraud is a significant problem in banking sector. Detecting and preventing fraud is difficult, because fraudsters develop new schemes all the time, and the schemes grow more and more sophisticated to elude easy detection. This paper analyzes the data mining techniques and its applications in banking sector like fraud prevention and detection, customer retention, marketing and risk management.
I. INTRODUCTION
Technological innovations have enabled the banking industry to open up efficient delivery channels. IT has helped the banking industry to deal with the challenges the new economy poses. Nowadays, Banks have realized that customer relationships are a very important factor for their success. Customer relationship management (CRM) is a strategy that can help them to build long-lasting relationships with their customers and increase their revenues and profits. CRM in the banking sector is of greater importance. The CRM focus is shifting from customer acquisition to customer retention and ensuring the appropriate amounts of time, money and managerial resources are directed at both of these key tasks. The challenge the bank face is how to retain the most profitable customers and how to do that at the lowest cost. At the same time, they need to find and implement this solution quickly and the solution to be flexible. Traditional methods of data analysis have long been used to detect fraud. They require complex and time-consuming investigations that deal with different domains of knowledge like financial, economics, business practices and law. Fraud instances can be similar in content and appearance but usually are not identical. In developing countries like India, Bankers face more problems with the fraudsters. Using data mining technique, it is simple to build a successful predictive model and visualize the report into meaningful information to the user. The following figure 1 illustrates the flow of data mining technique in our system model.
چکیده
1. مقدمه
2. تکنیک ها و الگوریتم های داده کاوی
A. یادگیری نظارت شده
B. یادگیری بدون نظارت
3. تقلب بزرگ در بخش بانکداری هند
4. کاربردهای داده کاوی در بخش بانکداری
A. حفظ مشتری در بخش بانکداری
B. تایید اعتبار به صورت خودکار با استفاده از روش طبقه بندی
C. تشخیص تقلب در بخش بانکداری
d. بازاریابی
E. مدیریت ریسک
5. نتیجه گیری
Abstract
I. INTRODUCTION
II. DATA MINING TECHNIQUES AND ALGORITHMS
A. Supervised Learning
B. Unsupervised Learning
III. TOP 10 FRAUDS IN INDIAN BANKING SECTOR
IV. DATA MINING APPLICATIONS IN BANKING SECTOR
A. Customer Retention in Banking Sector
B. Automatic Credit Approval using Classification Method
C. Fraud Detection in Banking Sector
D. Marketing
E. Risk Management
V. CONCLUSION
- 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