دانلود پایان نامه کارشناسی ارشد در رشته فناوری اطلاعات
بکارگیری روشهای داده کاوی جهت مدیریت دانش مشتریان
چکیده
افزایش روزافزون سطح رقابت در بازار، مدیران و تحلیل گران سازمان ها را وادار ساخته به دنبال راهکارهایی باشند که مزیت رقابتی را برای سازمان به ارمغان آورند. بر اساس مطالعات موجود، استفاده از دانش مشتری جهت اتخاذ استراتژیهای لازم برای جلب رضایت مشتری می تواند سازمان ها را به سمت تحقق این هدف سوق دهد. از سوی دیگر گسترش بهره گیری از فناوری های بروز در زمینه اطلاعات و ارتباطات خصوصاً در بانک ها باعث بر جای ماندن حجم عظیمی از داده ها گشته که تحلیل و تصمیم-گیری بر اساس آن ها با روش های معمول گزارش گیری و روش-های آماری امکان پذیر نمی باشد. داده کاوی ابزار بروز و قدرتمندی است که در این پایان نامه جهت تحلیل داده ها به جهت استخراج دانش مشتری پیشنهاد می گردد.
هدف از این تحقیق با عنوان «مدیریت دانش مشتریان بانک مهر اقتصاد با استفاده از تکنیک های دادهکاوی»، بخشبندی مشتریان بانک مهر اقتصاد، باهدف کشف ویژگیهای رفتاری مشابه، برای کمک به مدیران این بانک جهت تسهیل اتخاذ استراتژیهای متناسب با هر بخش و در نتیجه حفظ، تقویت و یا توسعه ارتباط با مشتریان و نهایتاً سودآوری برای این بانک می باشد. دادههای خام مورد نیاز جهت این مطالعه از پایگاه دادههای بانک مهر اقتصاد استخراج شده است.
كلمات كلیدی :
داده کاوی
کشف دانش
مدیریت دانش مشتری
خوشه بندی مشتریان
مقدمه
در سال های اخیر دانش به عنوان منبعی ارزشمند در کنار منابعی چون کار، زمین، سرمایه قرار گرفت و به عنوان موتور تولیدکننده درآمد و یك دارایی مهم و راهبُردی برای سازمان شناخته شد. از طرفی به دلیل وجود رقابت شدید در بین کسب و کارهای امروزی از جمله صنعت بانکداری، مشتری و توجه به جایگاه او و ارتباط با او اهمیت ویژه ای یافته است. بنابراین مبحث بسیار مهم مدیریت دانش مشتری مطرح گردید که امروزه مطالعات بسیار زیادی را به خود اختصاص داده است. مدیریت دانش مشتری با استفاده از راهکارهای مختلف مدیریت دانش نظیر روشهای دادهکاوی زمینه بسیار خوبی را جهت استفاده مفید از گنجینه گرانبهای دانش مشتری فراهم می آورد.
از سوی دیگر در عصر حاضر بهره گیری از فناوری های نوین اطلاعات و ارتباطات در عرصه های مختلف کسب وکار به امری گریزناپذیر مبدل گشته است. به طور خاص صنعت بانکداری از جمله صنایعی است که بهکارگیری فناوری های روز دنیا در این صنعت می تواند مزیت رقابتی انکارناپذیری را برای آن ایجاد نماید. بنابراین این صنعت نیز از بهره گیری از بروزترین فناوری ها مستثنا نبوده و مواردی مانند بانکداری الکترونیک، سیستمهای یکپارچه بانکداری ، دستگاه های خودپرداز، کارت های اعتباری، پایانه های خرید الکترونیک و... از مصادیق این امر می باشد.
ورود فناوری های جدید به سازمان سبب افزایش چشمگیر سرعت تولید اطلاعات و در نتیجه بر جای ماندن حجم عظیمی از دادهها گشته است. از آنجا که این دادهها اغلب حجیم و وسیع می-باشند، معمولاً به صورت خام قابلاستفاده نیستند، بلکه دانش موجود در آن ها باید استخراج گردد. با این وجود که ارزش این دادهها بر کسی پوشیده نیست، حجم بسیار بالای دادههای ارزشمند موجود، تحلیل و بهره گیری از آن ها را به امری چالشبرانگیز مبدل ساخته است.
چرا که تحلیل به واسطه روشهای گزارش گیری سنتی در این مقیاس امکان پذیر نیست و روشهای آماری موجود نیز از ظرفیت کافی جهت تحلیل این دادهها برخوردار نمی باشند. بنابراین باید به دنبال راهکاری بود که با غلبه بر این محدودیت، امکان انجام مطالعاتی جامع تر با نتایج دقیق تر و درصد خطای پایین تر را ممکن سازد. این مسئله گواهی بر لزوم بهکارگیری روشهای نوین تحلیل دادهها جهت حصول دانش، نظیر روش دادهکاوی خواهد بود.دانش قابل توجهی که در زمان استفاده از خدمت یا مصرف کالا توسط مشتری، بین مشتری و سازمان تبادل می شود، به عنوان منبعی مهم برای سازمان شناخته می شود و کسب و بهره برداری از آن به یک مزیت رقابتی در سازمان ها تبدیل شده است.مدیریت دانش مشتری دربردارنده فرایندهایی ست که با شناسایی و اکتساب اطلاعات مشتری و نیز ایجاد و بهره برداری از دانش مشتریان، مربوط است [9]. چنین اطلاعاتی در ماورای محدوده های خارجی سازمان قرار دارند و دانشی که از آن ها استخراج می شود موجب ایجاد ارزش برای سازمان و مشتریان آن خواهد شد [32]. در این تحقیق مسئولیت کشف دانش بر عهده الگوریتمهای دادهکاوی خواهد بود. در ادامه از این دانش به عنوان راهنما در مسیر اتخاذ استراتژیهای سازمان، بهره گیری می شود.
فهرست مطالب
فصل اول1
1-1- مقدمه2
1-2- تعریف مسئله3
1-3- ضرورت انجام تحقیق7
1-4- مراحل انجام تحقیق8
1-5- محدوده تحقیق9
1-6- اهداف تحقیق9
1-7- ساختار پایاننامه10
فصل دوم12
2-1- مقدمه13
2-2- مدیریت دانش14
2-2-1- دانش چیست؟15
2-2-2- هرم دانش15
2-2-3- انواع دانش16
2-2-3-1- دانش صریح16
2-2-3-2- دانش ضمنی16
2-2-4- مدیریت دانش چیست؟17
2-2-5- استراتژیهای مدیریت دانش18
2-2-5-1- استراتژی اجتماعی سازی (تبدیل دانش پنهان به پنهان)19
2-2-5- 2- استراتژی برونی سازی (پنهان به آشکار)19
2-2-5- 3- استراتژی ترکیب سازی (آشکار به آشکار)20
2-2-5- 4- استراتژی درونیسازی (آشکار به پنهان)20
2-2-6-معایب عدم بهرهگیری از دانش در سازمان20
2-2-7- اهداف مدیریت دانش21
2-2-8- مدل های مدیریت دانش21
2-3- مدیریت دانش مشتری23
2-3-1- انواع دانش مشتری24
2-3-2- مدل مدیریت دانش مشتری28
2-4- مدیریت ارتباط با مشتری29
2-4-1- مدیریت ارتباط مشتریان در نظام بانکی32
2-4-2- مدیریت ارتباط با مشتری: اهداف، مزایا و چالشها33
2-5- مقایسه مفاهیم CKM و KM و CRM34
2-6- تاریخچهای از بانک و بانکداری37
2-7- سیر تحول فناوری اطلاعات در صنعت بانكداری38
2-7-1 دوره اول: اتوماسیون پشت باجه38
2-7-2- دوره دوم: اتوماسیون جلوی باجه38
2-7-3- دوره سوم: اتصال مشتریان به حسابهایشان38
2-7-4- دوره چهارم: یکپارچهسازی سیستمها و مرتبط كردن مشتریان با تمامی عملیات بانكی39
2-7-5- بانكداری الكترونیك39
2-8- دادهکاوی40
2-8-1- مقایسه روشهای آماری و دادهکاوی40
2-8-2- مفهوم دادهکاوی42
2-8-3- دادهکاوی و کشف دانش44
2-8-4- فرایند دادهکاوی45
2-8-5- معرفی روشهای دادهکاوی51
2-8-5-1- دستهبندی53
2-8-5-2- درخت تصمیم53
2-8-5-3- شبکههای عصبی55
2-8-5-4- پیش بینی56
2-8-5-5- خوشهبندی56
2-8-5-5- انواع خوشهبندی57
2-8-5-5-2- معیارهای ارزیابی در خوشهبندی59
2-8-5-6- تحلیل انحراف60
2-8-5-7- قواعد وابستگی (انجمنی)61
2-8-5-8- تحلیل توالی61
2-8-6- نرمافزار دادهکاوی62
2-8-7- کاربردهای دادهکاوی63
2-8-7-1- دادهکاوی در صنعت بانكداری63
2-9- پیشینه تحقیق65
2-9-1- کاربرد دادهکاوی در بخشبندی و مدلسازی رفتاری مشتریان در صنعت بانکداری66
2-9-2- کاربرد دادهکاوی در ارزیابی اعتبار مشتریان68
2-9-3- کاربرد دادهکاوی در زمینه کشف تقلب69
2-9-4- کاربرد دادهکاوی در تحلیل رویگردانی مشتری69
2-10- جمعبندی مطالب فصل74
فصل سوم76
3-1- مقدمه77
3-2- روش پیشنهادی77
3-2-1- چارچوب تحقیق77
3-2-2- انتخاب متغیرها79
3-2-3- آمادهسازی و پیشپردازش دادهها80
3-2-3-1- نرمال سازی دادهها81
3-2-4- تعیین تعداد بهینه خوشهها81
3-2-5- خوشهبندی82
3-2-5-1- انواع خوشهبندی83
3-2-5-2- خوشهبندی به روش K-Means84
3-2-5-1-1- مزایای استفاده از الگوریتم خوشهبندی K-Means85
3-2-5-1-2- محدودیتهای الگوریتم K-Means85
3-2-5-2- خوشهبندی به روش WK-Means86
3-2-5-3- خوشهبندی به روش A-H-Means87
3-2-6- ارزیابی خوشهها به روش مجموع مربع خطاها و انتخاب بهترین روش88
3-2-7- بهکارگیری دانش حاصل از خوشهبندی90
3-3- روشهای جمع آوری اطلاعات90
3-4- جمعبندی مطالب فصل90
فصل چهارم92
4-1- مقدمه93
4-2- معرفی بانک مهر اقتصاد93
4-3- موضوع و فعالیت بانک94
4-4- محاسبات تحقیق94
4-4-1- گام انتخاب و جمع آوری متغیرهای ورودی95
4-4-2- گام آمادهسازی و پیشپردازش دادهها96
4-4-3-گام تعیین تعداد بهینه خوشهها97
4-4-4- گام خوشهبندی دادهها97
4-4-4-1- خوشهبندی به روش K-Means98
4-4-4-2- خوشهبندی به روش WK-Means100
4-4-4-3- خوشهبندی به روش A-H-Means100
4-4-5- ارزیابی خوشهها به روش مجموع مربع خطاها و انتخاب بهترین روش101
4-4-6-گام بهکارگیری دانش حاصل از خوشهبندی102
4-5- نتایج تحقیق104
4-6- جمعبندی مطالب فصل106
فصل پنجم107
5-1- مقدمه108
5-2- خلاصه تحقیق108
5-3- نتیجهگیری109
5-4- زمینههای پیشنهادی، راهکارها و پیشنهادات جهت پژوهشهای آتی110
منابع و مآخذ126
فهرست جدولها
جدول 2-1 انواع مختلف تبدیلات دانش19
جدول 2-2 مقایسه مفاهیم مدیریت دانش، مدیریت ارتباط با مشتری و مدیریت دانش مشتری35
جدول 2-3 مقایسه روشهای تحلیل آماری و دادهکاوی41
جدول 2-4 فعالیتهای مربوط به فازهای CRISP-DM و خروجی هر فعالیت50
جدول 2-5 نمونه دادههای مورد نیاز در یک مسئله مدلسازی به روش دستهبندی54
جدول 2-6 معیارهای محاسبه شباهت در خوشهبندی59
جدول 2-7 معیارهای محاسبه فاصله در خوشهبندی60
جدول 2-8 پژوهشهای انجامگرفته در زمینه کاربرد دادهکاوی در صنعت بانکداری71
جدول 3-1 متغیرهای تحقیق80
جدول 4-1 نمونه دهتایی از دادههای مربوط به مشتریان بانک مهر اقتصاد95
جدول 4-2 متغیرهای نرمال شده96
جدول 4-3 وزن نسبی متغیرهای تحقیق100
جدول 4-5 مقادیر مجموع مربع خطاها در الگوریتمهای مختلف خوشهبندی101
جدول 4-6 دستهبندی مشتریان بر مبنای ویژگیهای رفتاری مشابه103
جدول 4-7 اطلاعات مربوط به خوشهبندی مشتریان بانک مهر اقتصاد به روش K-Means104
فهرست تصاویر و نمودارها
شکل 2-1 سلسلهمراتب دانش16
شکل 2-2 دانش صریح فقط بخش کوچکی از دانش را تشکیل میدهد.17
شکل 2-3 مدل مدیریت دانش پروبست و رمهارد22
شکل 2-4 چارچوب خوشه انگور جهت نوع شناسی دانش مشتری26
شکل 2-5 مدل مدیریت دانش مشتری28
شکل 2-7 گامهای فرایند تولید دانش از پایگاه دادهها44
شکل 2-8 متدولوژی فرآیند استاندارد میان صنعتی دادهکاوی (CRISP-DM)47
شکل 2-9 دستهبندی کلی عملکردهای دادهکاوی52
شکل 2-11 نیروهای رقابتی پورتر64
شکل 3-1 چارچوب تحقیق78
شکل 4-1 خوشه اول، الگوریتم K-Means98
شکل 4-2 خوشه دوم، الگوریتم K-Means98
شکل 4-3 خوشه سوم، الگوریتم K-Means99
شکل 4-4 خوشه چهارم، الگوریتم K-Means99
شکل 4-5 خوشه پنجم، الگوریتم K-Means99