DOI: http://dx.doi.org/10.22059/jitm.2016.57230
Journal of Information Technology Management د ناوری اطلاعات
دانشكدة مديريت دانشگاه تهران دورة 8، شمارة 2 تابستان 1395 ص. 414- 393

طراحي مدلي براي بهبود سيستم هاي پيشنهاددهندة بانكي بر اساس پيشبيني علايق مشتريان: كاربرد روش هاي دادهكاوي
مريم سادات مطهري نژاد1، محمدمهدي ذوالفقارزاده2، احسان خدنگي3، علي اصغر سعدآبادي4
چكيده: امروزه بانك هـا بـراي جـذب و حفـظ مـؤثر مشـتريان بـه ابزارهـاي جديـدي ماننـدسيستم هاي پيشنهاددهنده نياز دارند. برخلاف عموم سيستم هاي پيشنهاددهنده كه پيشـنهاد بـراساس شباهت ميان ترجيحات ساير كـاربران بـه وي داده مـي شـود ؛ در ايـن پـژوهش از روش دسته بندي استفاده شده است كه در آن پيشينة علايق خود مشتري، مهـم تـرين ويژگـي بـرايتصميم گيري دربارة خدمات بانكي مناسب به اوست. در اين پژوهش از چهار دسـته بنـدي كننـدة پرسپترون چندلايه، ماشين بردار پشتيباني،K – نزديك ترين همسايه و بيـز سـاده اسـتفاده شـد.
ابتدا پس از پيش پردازش مجموعة دادة مربوط به سرويس هاي مورد استفادة مشـتريان مختلـفبانك بـا چهـار روش مختلـف دسـته بنـدي آمـوزش داده شـد ند؛ سـپس اعتبـار آنهـا بـا روش اعتبارسنجي ضربدري ده تايي به تأييد رسيد و بهترين روش انتخاب شد. در انتها پيشـنهاددهندة نهايي كه تركيبي از چهار روش دسته بندي بيز ساده با عملكرد 4/85 درصد، K- نزديـكتـرين همسايه با عملكرد 3/83 درصد، پرسپترون چندلايـة 1 بـا عملكـرد 4/81 درصـد و پرسـپترونچندلاية 2 با عملكرد 6/92 درصد، به ترتيب براي پيشنهاد چهار سرويس بانكي اينترنت، موبايل، انتقال وجه با اينترنت و پرداخت صورت حساب با تلفن است، ارائه شد.
واژههاي كليدي: بانكداري الكترونيك، دادهكاوي، دستهبندي، سيستم پيشنهاددهنده.

كارشناس ارشد مديريت فناوري اطلاعات، دانشگاه آزاد اسلامي، واحد الكترونيك، تهران، ايران
استاديار دانشكدة مديريت دانشگاه تهران، تهران، ايران
دانشجوي دكتري مهندسي نرمافزار، دانشكدة كامپيوتر و فناوري اطلاعات، دانشگاه صنعتي اميركبير، تهران، ايران
دانشجوي دكتري سياستگذاري علم و فناوري، دانشكدة مديريت دانشگاه تهران، تهران، ايران

تاريخ دريافت مقاله: 03/04/1394 تاريخ پذيرش نهايي مقاله: 03/02/1395 نويسندة مسئول مقاله: محمدمهدي ذوالفقارزاده E-mail: zolfaghar@ut.ac.ir
مقدمه
طي دو دهة گذشته رقابت در صنعت بانكداري به طور شايان توجهي افزايش يافته است. با توجـهبه افزايش سطح رقابت، به دست آوردن و حفظ مشتريان اهميت بسياري دارد. امروزه گزينـه هـايزيادي براي انتخاب نوع خدمات و ارائه دهندة آن پيش رو مشتريان قرار دارد. مديران بانك ها بايد آگاه باشند كه اگر به هر مشتري به طور خاص توجه نكنند، مشتري ممكن است وفاداري خـود رابه بانك از دست بدهد و بانك ديگري را براي دريافت خدمات انتخاب كند. از سوي ديگر، حفـظمشتري بهمراتب كم هزينه تر از جذب مشتري جديد است. با توجه به اينكه وفاداري مشتريان نزد بانك ها اهميت بسياري دارد، بانك ها بايد براي جذب و نگاه داشتن مشـتريان از راهبـرد مناسـبياستفاده كنند و با هر يك از مشتريان بر اساس الگوي رفتاري خاص آن مشـتري عمـل نماينـد.
راهبرد كنوني بسياري از بانك ها، ارائة محصول مناسب به مشتري در موقعيـت و زمـان مناسـباست؛ اما در عمل اجراي عملي و اثربخش اين اهداف چندان ساده نيست. از سوي ديگر در عصر انفجار اطلاعات، سازمان ها هر روزه با حجم زيادي از داده روبه رو هستند. در ايـن ميـان، مسـئلة اساسي سازمان ها استخراج اطلاعات مفيد از داده ها و تبديل آنها به نتايج عملـي اسـت ؛ بـه ويـژه بانك ها بهدليل حجم گستردة داده هاي موجود به پردازش و استخراج دانش نهفته در داده ها نيـازدارند كه توجه ويژه به داده كاوي1 و روش هـاي كشـف دانـش را مـي طلبـد . بنـابراين مـي تـوانسامانه هاي مشتري محور و امن را با استخدام تكنيك هـاي داده كـاوي در بانكـداري الكترونيـكپياده سازي كرد؛ اين كار به خلق مزيت رقابتي پايدارتر و غيرقابل الگوبرداري منجـر خواهـد شـد(زين العابدين، مهدوي و خانبابايي، 1391).
روش مناسب براي بهبود ارتباط با مشتريان، ارائة پيشنهادهاي خدماتي بـه آنـان در زمـان وموقعيت مناسب است. براي ارائة پيشنهاد مناسب به كاربر، بايـد دانـش سـطح بـالايي از داده هـا
استخراج شود تا بتوان بر اساس اين دانش دربارة علايق مشتريان و پيشنهاد سرويس بـه ايشـانتصميم گيري كرد. اين امر از مهم ترين چالش ها و مسائل سيستم هاي پيشنهاددهنده يا توصيه گر2 در بانكداري الكترونيك به شمار مي رود كه براي حل آن مي توان از تكنيك هاي داده كـاوي بهـرهبرد. دادهكاوي شامل دو رويكرد رايج خوشهبندي3 و دسته بندي4 است.
عموم مطالعات حـوز ة سيسـتم هـاي پيشـنهاددهندة بـانكي، حـاكي از بـه كـارگيري رويكـرد خوشهبندي است (گالگو، هيوكاس و رودريگز، 2012 و تقوا، برمكان و توفاني، 2011).
Data mining
Recommender system
Clustering
Classification
خوشه بندي با تمام اعضاي يك خوشه رفتار يكساني دارد و به هر كاربر بـر اسـاس شـباهتميان ترجيحاتي كه بين اعضاي خوشه برقرار است، پيشـنها دهايي مـي دهـد . هرچنـد روش هـايخوشه بندي كاربرد و مزيت هاي زيادي دارند؛ مزيت و برتري ويژة تكنيك هاي دسته بندي در اين است كه مي توانند با هر مشتري به صورت منحصـربهفـرد برخـورد كننـد . در ايـن روش پيشـينة رفتاري و علايق مشتري مبنايي مهم براي تصميم گيري دربارة چگونگي رفتار بـا مشـتري قـرارمي گيرد و از اين جهت مي تواند براي ارائة پيشنهادهاي مطلـوب بـه آنـان بسـيار مناسـب باشـد. پژوهش حاضر از اين مزيت روش هاي دسته بندي در فنون داده كاوي بهره برده است تا به وسـيلة آن الگويي براي بهبود سيسـتم هـاي پيشـنهاددهندة بـانكي بـه مشـتريان ارائـه كنـد و كيفيـتپيشنهادها را ارتقا دهد. از اين رو، پژوهش حاضر بر آن است كه الگويي را بـراي ارائـة پيشـنهادخدمات بانكي مناسب با دقت و عملكرد زياد بر اسـاس شـناخت و دسـتهبنـدي پيشـينة رفتـاريمشتريان به آنها ارائه نمايد. بدين منظور، سؤال اصلي پژوهش اين گونه مطرح مي شـود: پيشـنهادخدمات بانكي مناسب به مشتريان بانك با توجه به تكنيك هاي دسـته بنـدي بـر اسـاس پيشـينة رفتاري و مشخصات جامعهشناختي آنها چيست؟ درواقع اين پژوهش سـعي در كشـف چگـونگيدسته بندي مشتريان بانك بر اساس تكنيك هاي داده كـاوي و چيسـتي پيشـنهاد خـدمات بـانكيمناسب و بهترين روش دسته بندي براي اين پيشـنهاد دارد. در ايـن نوشـتار ابتـدا مختصـري بـهپيشينة پژوهش و تعريف مفاهيم اصلي مرتبط با داده كاوي و تكنيك هاي آن پرداختـه مـي شـود، سپس در مرحلة اول فرايند پژوهش، داده ها پيش پردازش مي شوند تا به صورت مطلوب درآيند. در گام بعد، چهار مدل دسته بندي بيز سـاده1، k- نزديـك تـرين همسـايه2، پرسـپترون چندلايـه3 و ماشين بردار پشتيبان4 با استفاده از داده هاي پيش پردازششده آموزش داده ميشوند و در نهايـتبا ارزيابي روش هاي دسته بندي براي هـر يـك از سـرويس هـاي بـانكي، مـدل نهـايي سيسـتمپيشنهاددهنده ارائه مي شود.
پيشينة نظري پژوهش
داده كاوي يكي از مراحل فرايند كشف دانش است كـه بـه كشـف دانـش و الگوهـاي معنـادار از مجموعة داده با حجم زياد مي پردازد. به بيان ديگر، هدف داده كاوي استخراج دانش از مجموعـ ة داده است (هان، كامبر و پي، 2012). در عصر حاضر با وجـود پايگـاه داده هـاي بسـيار بـزرگ ازاطلاعات رفتاري و فردي مشتريان، فرايند داده كاوي مي تواند مديران را در پيشبرد هر چـه بهتـر
.1 Naïve Bayes
32.. Multilayer Perceptron K-Nearest Neighbor (KNN)
4. Support vector machine
ارتباط با مشتريان ياري نمايد. سيستم هـاي پيشـنهاددهنده يكـي از سيسـتم هـايي هسـتند كـهمي توانند با استخدام تكنيك هاي داده كاوي و روشهاي هوشمند ديگر، سازمان ها را در اين زمينه ياري رسانند. سيستم پيشنهاددهنده سيسـتمي اسـت كـه بـا اسـتفاده از تحليـل رفتـار كـاربران،اطلاعات مفيدي را به كاربران توصيه مي كند يا راهبردهـايي را كـه كـاربران بـراي رسـيدن بـهاهدافشان بهكار مي گيرنـد ، پيشـنهاد مـي نمايـد (كنگـاس، 2002). هـدف اصـلي سيسـتم هـايپيشنهاددهنده، فراهم آوردن ابزاري است كه بتواند به كاربران در يافتن سريع و مناسب اطلاعـاتو نيازهايش ياري دهد. بسياري از فروشگاه هاي اينترنتي از ايـن سيسـتم هـا اسـتفاده مـي كننـد؛ ازجمله پيشنهاد كتاب، CD و ساير كالاها در Amazon و Ebay، دوست در Facebook، فـيلمدر Netflix. دو تكنيك اصلي براي طراحي سيسـتم هـاي پيشـنهاددهنده وجـود دارد كـه فيلتـرهمبستگي1 و فيلتر مبتني بر محتوا2 نام دارند (كيم، يام، سـونگ و كـيم، 2005؛ مـارتين گـررو ، ليسبوا، سوريا ـ اليواس، پالوماريس و بالاگر، 2007).
در مدل فيلتر همبستگي، بر اساس شباهت ميـان ترجي حـاتي كـه بـين گـروه هـاي مختلـفمشتريان وجود دارد، محصول پيشنهاد ميشود. در ايـن روش عمومـاً شـبيه تـرين مشـتريان بـهمشتري جاري بر اساس يك معيار شباهت محاسبه مي شود؛ سپس بر اساس ترجيحات مشـتريان شبيه به مشتري مدنظر، پيشـنهاد داده مـي شـود ( كـيم و همكـاران ، 2005 و مـارتين ـ گـررو و همكاران، 2007). دو تكنيك در فيلتر همبستگي وجود دارد.
فيلتر همبستگي مبتني بر كاربر3: در اين روش شـباهت ميـان كـاربران بـر اسـاس الگـويترجيحاتشان محاسبه مي شود؛ سپس پيشنهاد به كاربر بر اساس كاربران مشابه بـه او ارائـهمي شود.
فيلتر همبستگي مبتني بر آيتم4: در اين روش به جاي محاسبة شباهت ميان كاربران، شباهت ميان آيتم هاي مورد توجه كاربران محاسبه مي شود. براي مثال اگر گروهـي آيـتمA و B را خريد كرده باشند، آيتم هاي A و B به يكديگر شباهت دارند و پيشـنهاد نهـايي بـر اسـاسشباهت بين آيتم هاي خريداري شده ارائه مي شود (هوروزو، ناراسيمهان، واسودوان، 2006).
فيلتر مبتني بر محتوا با استفاده از بررسي روند خريدهاي گذشتة مشتريان و ترجيحات گذشتة آنها، محصولات مورد علاقة مشتريان را به آنهـا پيشـنهاد مـي دهـد (كـيم و همكـاران ، 2005 و مارتين ـ گررو و همكاران، 2007). پژوهش حاضر از جنبه اي زيرمجموعه اين دسته است.
Collaborative Filtering(CF)
Content based Filtering (CBF)
User-based collaborative filtering
Item-based collaborative filtering
روش هاي تركيبي
برخي از سيستم هاي پيشنهاددهنده براي كاهش محدوديت هاي روش هاي قبلي از تركيب دو يـاچند روش ديگر استفاده مي كنند. بر اين اساس پژوهش هاي متعددي صورت گرفته است. شبيب و همكارانش سيستم پيشنهاددهنده اي براي پيشنهاد فيلم ارائه كردند؛ به نحوي كه اولويـت هـايمشابه كاربران را با استفاده از تكنيك هاي خوشه بندي شناسـايي مـي كـرد و از رفتـار مشـتري وموقعيت كاربر براي شخصي سازي بهره مي برد (شبيب، نعمت بخش و قهرماني، 1387). گـالگو وهيوكاس با خوشه بندي مشتريان بر اساس اطلاعات پروفايل و تراكنش هايي كه مشـتري انجـام داده است، به پيشنهاد محصول به كاربران خوشه با استفاده از سيسـتم موبايـل بانـك پرداختنـد(گالگو و هيوكاس، 2012). كنو و همكاران، نيز با اعمال فيلترينگ تركيبي روي داده ها بر اساس فركانس بازديد كالا، نوعي سيستم پيشنهاددهندة ساده ارائـه داد (كنـو ، لويـولا، پريـرا، بـالوين،2011). چن و فانگ نيز به بررسي مفهوم اعتمـاد بـين افـراد بـراي اسـتفاده از آن در فيلترينـگكاربران در شبكة اجتماعي فيس بوك پرداختند (چن و فانگ، 2010). هانگ و همكـاران ، گـرافدوبخشي كاربر ـ محصولي را براي ارائة نوعي سيستم پيشنهاددهنده تشـريح كرد نـد و درنهايـت،جواب دهي فيلتر همبستگي را براي مسئله خود مناسب دانستند (هانگ، زينگ و چن، 2007). سو و همكارانش براي ارائة نوعي سيستم پيشنهاددهنده، از تركيب دو روش مبتني بر ساختار شبكه و فيلتر همبستگي استفاده كردند (هسو، كينگ، پارادسي، پيديماري و ونينگر، 2006).
همان طور كه بيان شد بسياري از محققان، به خصـوص در كـاربرد بانكـداري الكترونيـك، از روش هاي خوشه بندي بهره برده اند. هرچند روش هاي خوشه بندي مزاياي فراواني دارنـد ، در ايـنروش ها به هر مشتري بر اساس شباهت ميان ترجيحات خوشه اي كه در آن قـرار دارد ، پيشـنهادمي شود؛ اما در مواردي، بهتر و دقيق تر است كه به مشتري بر اسـاس تحليـل پيشـينة رفتـاري و
تراكنش هاي خود او پيشنهاد داده شود كه لزوماً ارتباطي به رفتار ساير مشتريان ندارد. با اسـتفادهاز تكنيك هاي دسته بندي مي توان بـه ايـن مزيـت دسـت يافـت كـه در پـژوهش حاضـر بـرايپيشنهادهاي بانكي به مشتريان، از اين تكنيك ها استفاده شده است.
پيشينة تجربي
در سالهاي اخير نسخههاي متعددي از سيستمهاي پيشنهاددهنده براي پيشنهاد مفاهيم مختلف در سيستمهاي تجارت الكترونيك و شبكههاي اجتماعي ارائه شده است. از جملـه مفـاهيمي كـهمحققان بيشتر به آنها توجه كردهاند، پيشنهادهاي خبر (كامپن و بيليكاوا، 2010)، دوسـت (يـين،هانگ و ديويسون، 2011) و محتوا (وانـگ ، زو، يانـگ، لـي و وو، 2013) اسـت . بـا وجـود ايـن، بهدلايل مختلف ي چون دسترسي نداشتن به مجموعة دادة مناسب، كـار زيـادي در حـوزة پيشـنهادخدمات بانكي انجام نشده است.
مطالعة آسوشه، باقرپور و يحيي پور (2008) از اولـين مطالعـاتي اسـت كـه بـه سيسـتمهـايپيشنهاددهندة بانكي توجه كرده است. ايشان مدلهاي پـذيرش مختلـف را بـا يكـديگر مقايسـهكردند و پارامترهـاي مهـم مـدل پـذيرش مناسـبي كـه بتوانـد نتـايج اسـتفاده از سيسـتمهـايپيشنهاددهنده را گارانتي كند، استخراج نمودند. سپس بر اساس مـدل پـذيرش فنـاوري (TAM) مدلي براي تطبيق با سيستم پيشنهاددهندة بانكي ارائه دادند.
شكوري، اميري، موسي خاني و خدنگي (1395) با تركيب خوشـهبنـدي و قـوانين وابسـتگي، نسخهاي از سيستم پيشنهاددهنده براي پيشنهاد خدمات بانكي ارائه كردند. در ايـن كـار ابتـدا بـااستفاده از شبكههاي خودسازماندهنده، مشتريان به خوشههاي متشـكل از افـراد بـا متغيرهـايرفتاري مشابه تقسيم شدند. سپس با استفاده از قوانين وابستگي، رابطة ميان سرويسهاي بـانكيبراي خوشههاي مختلف مشتريان شناسايي شد. در انتها با تحليل شكاف سرويسهاي مورد علاقـ ة هر خوشه و سرويس هاي استفاده شدة هر مشتري، سرويس مناسب شناسايي و پيشنهاد شد.
رادفر، نظافتي و يوسفي اصل (1393) براي طبقـه بنـدي مشـتريان اينترنـت بانـك بـه كمـك الگوريتمهاي دادهكاوي، از درخت تصميم براي طبقه بندي مشتريان بانك سينا بر اسـاس ميـزاناستفادة ايشان از سرويس اينترنت بانك اسـتفاده كردنـد . در ايـن پـژوهش، ويژگـيهـاي وروديدرخت تصميم، سن، سطح تحصيلات، جنسيت، تأهل، شغل، محل سكونت و برچسـب خروجـي(بالا، متوسط و پايين) مبتني بر تعداد و نوع عمليات بانكي در نظر گرفته شـد . در نهايـت از رويطبقه بندي به دست آمده قوانيني استخراج شد كه توانست به مديران بانكها براي مديريت ارتباط با مشتري كمك كند.
كريمي علويجه، عسكري و پاراسايت (1393) نيز در مقاله اي با عنـوان »فروشـگاه اينترنتـيهوشمند: سيستم پيشنهاددهندة مبتني بر تحليل رفتار كاربران«، براي ارائة پيشـنهاد ، بـه تركيـب فيلترهاي همبستگي و خوشه بندي كاربران بر اساس ويژگيهاي جمعيت شـناخت ي اقـدام كردنـد .
آنها از تاريخچة امتيازهاي كاربران به كالاهاي مشاهده شـده بـراي پـيشبينـي امتيـاز كالاهـايمشاهده نشده استفاده كردند و براي ارائة پيشنهاد به كاربران تازهوارد، از خوشـه بنـدي و ميـانگينوزندار امتيازهاي اعضاي خوشه بهره بردند. نتايج پياده سازيهـا در ايـن مقالـه نشـان مـي دهـداستفاده از اطلاعات جمعيت شناختي در كنار تاريخچة امتياز كاربران، نتـايج فيلتـر همبسـتگي درارائة پيشنهاد كالا را بهبود ميدهد.
در پژوهشي ديگر، رسولي و مانيان (1391) با هدف طراحـي سيسـتم اسـتنتاج فـازي بـرايانتخاب خدمات بانكداري الكترونيك در بانك سپه، پس از بررسي عوامل مؤثر بر انتخاب خدمات الكترونيك، بر مبناي تعريف توابع عضويت (مثلثي و ذوزنقه اي)، نوعي سيستم استنتاج فازي براي سنجش ميزان رضايت مشتريان بانكها ارائه دادند. اين سيستم توسط تعدادي از مشتريان بانك سپه مورد استفاده قرار گرفت. بر اسـاس نتـايج، ميـزان رضـايت مشـتريان از »كيفيـت خـدماتارائه شده و اعتماد به آنها« و »سهولت استفاده از خـدمات « خـوب و ميـزان رضـايت از »ميـزانپاسخگويي ارائه دهندة خدمات« و »كيفيت دسترسي به اطلاعات« متوسط ارزيابي شـد . بـر ايـناساس قوت ها و ضعف هاي بانك سپه به دست آمد كه اين بانك ميتواند با توجه به آنها، رضايت مشتريان فعلي و قابليت ايجاد فرصت براي جذب مشتريان جديد را افزايش دهد.
روش شناسي پژوهش
اين پژوهش به دنبال ارائة مدلي به منظور بهبود سيستم هاي پيشنهاددهندة بانكي براي پيش بينـيعلايق مشـتريان بـر اسـاس داده هـاي بـانكي اسـت. ايـن داده هـا شـامل برخـي ويژگـي هـايجمعيت شناختي، تراكنش هاي مالي مشتريان و سرويس هاي استفاده شدة آنها درگذشته است. ابتدا داده هاي خام با استفاده از فنون آماري، تجزيه وتحليل شده و در فرا يند پيش پردازش پـاك سـازيمي شوند. در ادامة فرا يند پژوهش، چهار روش دسته بندي كنندة KNN ،SVM ،MLP و بيز ساده با استفاده از داده هاي پيش پردازششده بهطور مجزا آموزش داده مي شوند و سپس تحـت آزمـون قرار مي گيرند. براي استقلال نتيجة اعتبارسنجي از نحوة انتخاب مجموعـة آمـوزش و آزمـون، از اعتبارسنجي ضربدري ده تايي استفاده مي شود. با مقايسة نتايج به دست آمده بر اسـاس مع يار هـاي دقت مختلف، عملكرد مدل نهايي براي پيشنهاد سرويس هاي مختلـف بـه مشـتريان بـر اسـاسمعيارهاي ميزان دقت به دست آمده و سرعت آموزش محاسبه مي گـردد . مـدل نهـايي تركيبـي ازمدل ها با بهترين عملكرد براي توصية سرويس هاي بانكي به مشتري است. شـايان ذكـر اينكـه براي آموزش دسته بنديكننده و اعتبارسنجي آنهـا از نـرمافـزار رپيـدماينر1 اسـتفاده شـده اسـت.
رپيدماينر نرم افزار تخصصي در حوزههاي مختلف داده كاوي از جمله دسـته بنـدي، خوشـهبنـدي،رگرسيون و قوانين وابستگي است. اين پژوهش به لحاظ هدف كـاربردي اسـت و از حيـث روش جمعآوري اطلاعات پيمايشي محسوب مي شود.
فرايند كلي
اين پژوهش با هدف شناسايي سرويس هاي مورد علاقة مشتريان و ارائة پيشنهاد مناسب به آنهـا طي فرا يند پنج مرحله اي اجرا شده است كه مراحل آن در شكل 1 مشاهده مي شود.
ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
1. Rapidminer

شكل 1. فرايند كلي پژوهش
همان طور كه در شكل 1 مشاهده مي شود، مراحل پژوهش عبـارت اسـت از: 1. پـيش پـردازشداده ها؛ 2. آموزش مدل؛ 3. آزمون و اعتبارسنجي مدل آموزش ديده؛ 4. مقايسة عملكـرد روش هـاي دسته بنديشده و 5. انتخاب بهترين روش براي پيشنهاد سرويس بانكي مناسب به مشـتريا ن كـهدر ادامه به توضيح بيشتر اين مراحل پرداخته مي شود.
پيش پردازش داده ها 1. نرمال كردن دادهها
داده با مقدار بزرگ مي تواند روش دسته بندي را به سمت خود متمايل كند يـا تـأثير داده هـاي بـامقادير كوچك را كاهش دهد؛ بنابراين بهتر است قبل از اعمال روش هاي داده كاوي، خصوصيات مختلف نرمال شوند. براي نرمال سازي داده ها1 از رابطة 1 استفاده مي شود؛ ايـن رابطـه داده هـا رابين 0 و 1 نرمال مي كند.
رابطة 1) (−

)=
2. تحليل همبستگي
براي محاسبة همبستگي متغيرها از ضريب همبستگي پيرسون استفاده شد. جدول 1 همبسـتگيبين برخي از متغيرهاي پژوهش را نمايش مي دهد.
جدول 1. همبستگي بين متغيرهاي پژوهش

جنسيت

جنسيت

تحصيلات

تحصيلات

تراكنش

ميانگين

تراكنش



قیمت: تومان


پاسخ دهید