فصل دوم پایان نامه مدیریت دانش مشتری (docx) 1 صفحه
دسته بندی : تحقیق
نوع فایل : Word (.docx) ( قابل ویرایش و آماده پرینت )
تعداد صفحات: 1 صفحه
قسمتی از متن Word (.docx) :
وزارت علوم، تحقیقات و فناوری
دانشگاه علوم و فنون مازندران
پایاننامه
مقطع کارشناسی ارشد
رشته: مهندسی فناوری اطلاعات
عنوان: مدیریت دانش مشتریان بانک مهر اقتصاد با استفاده از تکنیکهای دادهکاوی
اساتید راهنما: دکتر جواد وحیدی، دکتر بابک شیرازی
استاد مشاور: دکتر حسین علیزاده
دانشجو: سیده عطیه علیکیا امیری
217614537274500) تابستان 1392(
این پایاننامه را تقدیم میدارم به:
روح پاک پدرم که عالمانه به من آموخت که چگونه در عرصه زندگی، ایستادگی را تجربه نمایم.
و به مادرم، دریای بی‌کران فداکاری و عشق که وجودم برایش همه رنج بود و وجودش برایم همه مهر.
و خواهرانم که حضورشان همیشه مایهی دلگرمی و امید من است.
و سپاس ...
سپاس خدای را که سخنوران، در ستودن او بمانند و شمارندگان، شمردن نعمت‌های او ندانند و کوشندگان، حق او را گزاردن نتوانند. و سلام و درود بر محمد و خاندان پاك او، طاهران معصوم، هم آنان که وجودمان وامدار وجودشان است، و نفرين پيوسته بر دشمنان ايشان تا روز رستاخيز...
و سپاسگزارم از اساتید گرامی و بزرگوار
جناب آقای دکتر جواد وحیدی و جناب آقای دکتر بابک شیرازی که در کمال سعه‌صدر، با حسن خلق و فروتنی، از هیچ کمکی در این عرصه بر من دریغ ننمودند و زحمت راهنمایی این پایاننامه را بر عهده گرفتند.
و از استاد گرامی، جناب آقای دکتر حسین علیزاده که زحمت مشاوره این پایاننامه را عهده‌دار بودند که بدون مساعدت ایشان، این پروژه به نتیجه مطلوب نمی‌رسید.
و از استاد گرامی، جناب آقای پروفسور ایرج مهدوی که زحمت داوری این پایاننامه را متقبل شدند، کمال تشکر و قدردانی را دارم.
این پژوهش از حمایت موسسه مالی و اعتباری مهر برخوردار بوده است.
چکیده
افزایش روزافزون سطح رقابت در بازار، مدیران و تحلیلگران سازمانها 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 میتواند سازمانها را بهسمت تحقق این هدف سوق دهد. از سوی دیگر گسترش بهرهگیری از فناوریهای بروز در زمینه اطلاعات و ارتباطات خصوصاً در بانکها باعث بر جای ماندن حجم عظیمی از دادهها گشته که تحلیل و تصمیمگیری بر اساس آنها با روشهای معمول گزارشگیری و روشهای آماری امکانپذیر نمیباشد. دادهکاوی ابزار بروز و قدرتمندی است که در این پایاننامه جهت تحلیل دادهها به جهت استخراج دانش مشتری پیشنهاد میگردد.
هدف از این تحقیق با عنوان «مدیریت دانش مشتریان بانک مهر اقتصاد با استفاده از تکنیکهای 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 میباشد. داده‌های خام مورد نیاز جهت این مطالعه از پایگاه داده‌های بانک مهر اقتصاد استخراج شده است.
كلمات كليدي فارسي:
مدیریت دانش مشتری، دادهکاوی، خوشهبندی مشتریان، کشف دانش.
فهرست مطالب
TOC \o "1-5" \h \z \u فصل اول PAGEREF _Toc370501622 \h 1
1-1- مقدمه PAGEREF _Toc370501624 \h 1
1-2- تعريف مسئله PAGEREF _Toc370501625 \h 4
1-3- ضرورت انجام تحقيق PAGEREF _Toc370501626 \h 10
1-4- مراحل انجام تحقيق PAGEREF _Toc370501627 \h 11
1-5- محدوده تحقيق PAGEREF _Toc370501628 \h 12
1-6- اهداف تحقيق PAGEREF _Toc370501629 \h 13
1-7- ساختار پایاننامه PAGEREF _Toc370501630 \h 15
فصل دوم PAGEREF _Toc370501631 \h 17
2-1- مقدمه PAGEREF _Toc370501633 \h 18
2-2- مديريت دانش PAGEREF _Toc370501634 \h 20
2-2-1- دانش چيست؟ PAGEREF _Toc370501635 \h 21
2-2-2- هرم دانش PAGEREF _Toc370501636 \h 22
2-2-3- انواع دانش PAGEREF _Toc370501637 \h 23
2-2-3-1- دانش صريح PAGEREF _Toc370501638 \h 23
2-2-3-2- دانش ضمنی PAGEREF _Toc370501639 \h 24
2-2-4- مديريت دانش چیست؟ PAGEREF _Toc370501640 \h 24
2-2-5- استراتژی‌های مديريت دانش PAGEREF _Toc370501641 \h 26
2-2-5-1- استراتژی اجتماعی سازی (تبدیل دانش پنهان به پنهان) PAGEREF _Toc370501642 \h 27
2-2-5- 2- استراتژی برونی سازی (پنهان به آشکار) PAGEREF _Toc370501643 \h 28
2-2-5- 3- استراتژی ترکیبسازی (آشکار به آشکار) PAGEREF _Toc370501644 \h 28
2-2-5- 4- استراتژی درونیسازی (آشکار به پنهان) PAGEREF _Toc370501645 \h 29
2-2-6-معایب عدم بهرهگیری از دانش در سازمان PAGEREF _Toc370501646 \h 29
2-2-7- اهداف مدیریت دانش PAGEREF _Toc370501647 \h 30
2-2-8- مدلهای مديريت دانش PAGEREF _Toc370501648 \h 31
2-3- مديريت دانش مشتری PAGEREF _Toc370501649 \h 33
2-3-1- انواع دانش مشتری PAGEREF _Toc370501650 \h 35
2-3-2- مدل مدیریت دانش مشتری PAGEREF _Toc370501651 \h 40
2-4- مديريت ارتباط با مشتری PAGEREF _Toc370501652 \h 42
2-4-1- مديريت ارتباط مشتريان در نظام بانکی PAGEREF _Toc370501653 \h 46
2-4-2- مدیریت ارتباط با مشتری: اهداف، مزایا و چالش‌ها PAGEREF _Toc370501654 \h 48
2-5- مقايسه مفاهيم CKM و KM و CRM PAGEREF _Toc370501655 \h 50
2-6- تاریخچه‌ای از بانک و بانکداری PAGEREF _Toc370501656 \h 54
2-7- سير تحول فناوري اطلاعات در صنعت بانكداري PAGEREF _Toc370501657 \h 55
2-7-1 دوره اول: اتوماسيون پشت باجه PAGEREF _Toc370501658 \h 55
2-7-2- دوره دوم: اتوماسيون جلوي باجه PAGEREF _Toc370501659 \h 56
2-7-3- دوره سوم: اتصال مشتريان به حساب‌هایشان PAGEREF _Toc370501660 \h 56
2-7-4- دوره چهارم: یکپارچه‌سازی سیستم‌ها و مرتبط كردن مشتريان با تمامي عمليات بانكي PAGEREF _Toc370501661 \h 57
2-7-5- بانكداري الكترونيك PAGEREF _Toc370501662 \h 57
2-8- دادهکاوی PAGEREF _Toc370501663 \h 58
2-8-1- مقايسه روشهای آماری و دادهکاوی PAGEREF _Toc370501664 \h 59
2-8-2- مفهوم دادهکاوی PAGEREF _Toc370501665 \h 61
2-8-3- دادهکاوی و کشف دانش PAGEREF _Toc370501666 \h 64
2-8-4- فرايند دادهکاوی PAGEREF _Toc370501667 \h 66
2-8-5- معرفی روشهای دادهکاوی PAGEREF _Toc370501668 \h 73
2-8-5-1- دسته‌بندی PAGEREF _Toc370501669 \h 75
2-8-5-2- درخت تصمیم PAGEREF _Toc370501670 \h 76
2-8-5-3- شبکه‌های عصبی PAGEREF _Toc370501671 \h 77
2-8-5-4- پیش بینی PAGEREF _Toc370501672 \h 79
2-8-5-5- خوشهبندی PAGEREF _Toc370501673 \h 80
2-8-5-5- انواع خوشهبندی PAGEREF _Toc370501674 \h 81
2-8-5-5-2- معیارهای ارزیابی در خوشهبندی PAGEREF _Toc370501675 \h 83
2-8-5-6- تحلیل انحراف PAGEREF _Toc370501676 \h 85
2-8-5-7- قواعد وابستگی (انجمنی) PAGEREF _Toc370501677 \h 86
2-8-5-8- تحلیل توالی PAGEREF _Toc370501678 \h 86
2-8-6- نرمافزار دادهکاوی PAGEREF _Toc370501679 \h 87
2-8-7- کاربردهای دادهکاوی PAGEREF _Toc370501680 \h 88
2-8-7-1- دادهکاوی در صنعت بانكداری PAGEREF _Toc370501681 \h 90
2-9- پیشینه تحقیق PAGEREF _Toc370501682 \h 91
2-9-1- کاربرد دادهکاوی در بخش‌بندی و مدل‌سازی رفتاری مشتریان در صنعت بانکداری PAGEREF _Toc370501683 \h 93
2-9-2- کاربرد دادهکاوی در ارزیابی اعتبار مشتریان PAGEREF _Toc370501684 \h 96
2-9-3- کاربرد دادهکاوی در زمینه کشف تقلب PAGEREF _Toc370501685 \h 98
2-9-4- کاربرد دادهکاوی در تحلیل روی‌گردانی مشتری PAGEREF _Toc370501686 \h 99
2-10- جمع‌بندی مطالب فصل PAGEREF _Toc370501687 \h 106
فصل سوم PAGEREF _Toc370501688 \h 109
3-1- مقدمه PAGEREF _Toc370501690 \h 110
3-2- روش پیشنهادی PAGEREF _Toc370501691 \h 110
3-2-1- چارچوب تحقیق PAGEREF _Toc370501692 \h 111
3-2-2- انتخاب متغیرها PAGEREF _Toc370501693 \h 113
3-2-3- آماده‌سازی و پیش‌پردازش دادهها PAGEREF _Toc370501694 \h 115
3-2-3-1- نرمال سازی دادهها PAGEREF _Toc370501695 \h 115
3-2-4- تعیین تعداد بهینه خوشه‌ها PAGEREF _Toc370501696 \h 116
3-2-5- خوشهبندی PAGEREF _Toc370501697 \h 117
3-2-5-1- انواع خوشهبندی PAGEREF _Toc370501698 \h 118
3-2-5-2- خوشهبندی به روش K-Means PAGEREF _Toc370501699 \h 120
3-2-5-1-1- مزایای استفاده از الگوریتم خوشهبندی K-Means PAGEREF _Toc370501700 \h 121
3-2-5-1-2- محدودیت‌های الگوریتم K-Means PAGEREF _Toc370501701 \h 121
3-2-5-2- خوشهبندی به روش WK-Means PAGEREF _Toc370501702 \h 122
3-2-5-3- خوشهبندی به روش A-H-Means PAGEREF _Toc370501703 \h 124
3-2-6- ارزیابی خوشه‌ها به روش مجموع مربع خطاها و انتخاب بهترین روش PAGEREF _Toc370501704 \h 126
3-2-7- به‌کارگیری دانش حاصل از خوشهبندی PAGEREF _Toc370501705 \h 128
3-3- روشهای جمع آوری اطلاعات PAGEREF _Toc370501706 \h 128
3-4- جمع‌بندی مطالب فصل PAGEREF _Toc370501707 \h 129
فصل چهارم PAGEREF _Toc370501708 \h 131
4-1- مقدمه PAGEREF _Toc370501710 \h 131
4-2- معرفی بانک مهر اقتصاد PAGEREF _Toc370501711 \h 132
4-3- موضوع و فعالیت بانک PAGEREF _Toc370501712 \h 133
4-4- محاسبات تحقیق PAGEREF _Toc370501713 \h 134
4-4-1- گام انتخاب و جمع آوری متغیرهای ورودی PAGEREF _Toc370501714 \h 134
4-4-2- گام آماده‌سازی و پیش‌پردازش دادهها PAGEREF _Toc370501715 \h 136
4-4-3-گام تعیین تعداد بهینه خوشه‌ها PAGEREF _Toc370501716 \h 137
4-4-4- گام خوشهبندی دادهها PAGEREF _Toc370501717 \h 138
4-4-4-1- خوشهبندی به روش K-Means PAGEREF _Toc370501718 \h 139
4-4-4-2- خوشهبندی به روش WK-Means PAGEREF _Toc370501719 \h 141
4-4-4-3- خوشهبندی به روش A-H-Means PAGEREF _Toc370501720 \h 142
4-4-5- ارزیابی خوشه‌ها به روش مجموع مربع خطاها و انتخاب بهترین روش PAGEREF _Toc370501721 \h 142
4-4-6-گام به‌کارگیری دانش حاصل از خوشهبندی PAGEREF _Toc370501722 \h 144
4-5- نتایج تحقیق PAGEREF _Toc370501723 \h 147
4-6- جمع‌بندی مطالب فصل PAGEREF _Toc370501724 \h 149
فصل پنجم PAGEREF _Toc370501725 \h 151
5-1- مقدمه PAGEREF _Toc370501726 \h 152
5-2- خلاصه تحقیق PAGEREF _Toc370501727 \h 152
5-3- نتیجه‌گیری PAGEREF _Toc370501728 \h 154
5-4- زمینه‌های پیشنهادی، راهکارها و پیشنهاد‌ات جهت پژوهش‌های آتی PAGEREF _Toc370501729 \h 155
منابع و مآخذ PAGEREF _Toc370501730 \h 171
فهرست جدول‌ها
TOC \o "2-5" \h \z \t "Heading 1,1,Style table,1" جدول 2-1 انواع مختلف تبدیلات دانش PAGEREF _Toc365655066 \h 19
جدول 2-2 مقایسه مفاهیم مدیریت دانش، مدیریت ارتباط با مشتری و مدیریت دانش مشتری PAGEREF _Toc365655067 \h 35
جدول 2-3 مقایسه روشهای تحلیل آماری و دادهکاوی PAGEREF _Toc365655068 \h 41
جدول 2-4 فعالیت‌های مربوط به فازهای CRISP-DM و خروجی هر فعالیت PAGEREF _Toc365655069 \h 50
جدول 2-5 نمونه داده‌های مورد نیاز در یک مسئله مدل‌سازی به روش دسته‌بندی PAGEREF _Toc365655070 \h 54
جدول 2-6 معیارهای محاسبه شباهت در خوشهبندی PAGEREF _Toc365655071 \h 59
جدول 2-7 معیارهای محاسبه فاصله در خوشهبندی PAGEREF _Toc365655072 \h 60
جدول 2-8 پژوهش‌های انجام‌گرفته در زمینه کاربرد دادهکاوی در صنعت بانکداری PAGEREF _Toc365655073 \h 71
جدول 3-1 متغیرهای تحقیق PAGEREF _Toc365655074 \h 80
جدول 4-1 نمونه ده‌تایی از داده‌های مربوط به مشتریان بانک مهر اقتصاد PAGEREF _Toc365655075 \h 95
جدول 4-2 متغیرهای نرمال شده PAGEREF _Toc365655076 \h 96
جدول 4-3 وزن نسبی متغیرهای تحقیق PAGEREF _Toc365655077 \h 100
جدول 4-5 مقادیر مجموع مربع خطاها در الگوریتم‌های مختلف خوشهبندی PAGEREF _Toc365655078 \h 101
جدول 4-6 دسته‌بندی مشتریان بر مبنای ویژگی‌های رفتاری مشابه PAGEREF _Toc365655079 \h 103
جدول 4-7 اطلاعات مربوط به خوشهبندی مشتریان بانک مهر اقتصاد به روش K-Means PAGEREF _Toc365655080 \h 104
فهرست تصاویر و نمودارها
TOC \o "2-5" \h \z \t "Heading 1,1,Style pictures,1" شکل 2-1 سلسله‌مراتب دانش PAGEREF _Toc365654999 \h 23
شکل 2-2 دانش صریح فقط بخش کوچکی از دانش را تشکیل می‌دهد. PAGEREF _Toc365655000 \h 24
شکل 2-3 مدل مدیریت دانش پروبست و رمهارد PAGEREF _Toc365655001 \h 32
شکل 2-4 چارچوب خوشه انگور جهت نوع شناسی دانش مشتری PAGEREF _Toc365655002 \h 38
شکل 2-5 مدل مدیریت دانش مشتری PAGEREF _Toc365655003 \h 41
شکل 2-7 گام‌های فرایند تولید دانش از پایگاه دادهها PAGEREF _Toc365655004 \h 64
شکل 2-8 متدولوژي فرآيند استاندارد ميان صنعتي دادهکاوی (CRISP-DM) PAGEREF _Toc365655005 \h 68
شکل 2-9 دسته‌بندی کلی عملکردهای دادهکاوی PAGEREF _Toc365655006 \h 74
شکل 2-11 نیروهای رقابتی پورتر PAGEREF _Toc365655007 \h 90
شکل 3-1 چارچوب تحقیق PAGEREF _Toc365655008 \h 112
شکل 4-1 خوشه اول، الگوریتم K-Means PAGEREF _Toc365655009 \h 139
شکل 4-2 خوشه دوم، الگوریتم K-Means PAGEREF _Toc365655010 \h 140
شکل 4-3 خوشه سوم، الگوریتم K-Means PAGEREF _Toc365655011 \h 140
شکل 4-4 خوشه چهارم، الگوریتم K-Means PAGEREF _Toc365655012 \h 140
شکل 4-5 خوشه پنجم، الگوریتم K-Means PAGEREF _Toc365655013 \h 141
فصل دوم
ادبیات و پیشینه تحقیق
center17607000
2-1- مقدمه
افزایش روزافزون سطح رقابت در میان کسبوکارهای امروزی سبب گشته سازمانها جهت ربودن گوی سبقت از رقیبان، به دنبال رویکردهای نوینی باشند. بنابراین مطالعات و تحقیقات گستردهای جهت کسب مزیت رقابتی توسط سازمانها صورت گرفت. در این میان عامل مشتری از اهمیت خاصی برخوردار است و مطالعات ویژهای به این مبحث مهم اختصاص یافته است.
صنعت بانکداری از جمله صنایعی است که در آن مشتریان، به دلیل ارتباطات مستقیم با سازمان اهمیت ویژهای دارند. از طرفی رواج کسبوکار الکترونیک در سازمانها و بانکها و مؤسسات مالی و اعتباری سبب برجای ماندن داده‌های غنی حاصل از تعاملات و ارتباطات مشتری با سازمان شده که این دادهها در صورت بهرهبرداری درست و استخراج دانش و الگو از میان آنها به گنجینهای غیر قابل توصیف بدل خواهند شد.
از طرفی، به طور خاص در صنعت بانکداری، به نظر میرسد مسائلی چون مشکلات موجود در نظام اقتصادی کشور، افزایش میزان عرضه بر تقاضا در صنعت بانکداری، دولتی بودن بسیاری از بانکهای کشور و عرضه خدمات بانکی مشابه و... توجه به مشتری و جایگاه او در نظام بانکی را با بیمهری مواجه نموده است. وجود این مسائل خود میتواند فرصتی باشد تا بانک با بهرهگیری از ابزارهای مدیریت دانش مشتری، نیازها و توقعات مشتریان را زودتر از سایر رقبا پیشبینی نموده و گوی سبقت را از رقیبان برباید [11].
مدیریت دانش مشتری ابزاری است که سعی دارد با تمرکز بر چگونگی پیشرفت و توسعه سازمان به کمک دانش کسب شده از روی داده‌های حاصل از روابط با مشتریان و کسب مشتریان جدید و تأمین رضایت مشتریان ارزش افزوده را برای سازمان به ارمغان آورد.
در این تحقیق ابزار دادهکاوی جهت کشف دانش پنهان در میان حجم عظیم داده‌های مربوط به مشتریان انتخاب شده است. این ابزار با وجود روشهای متنوع موجود در آن و امکان تحلیل انبوهی از دادهها، محدودیت‌های روشهای سنتی گزارش گیری و روشهای آماری را برطرف نموده است. امروزه کاربردهای جالب و وسیع این ابزار در اکثر علوم و به طور خاص صنعت بانکداری مورد توجه محققان و متخصصین امر قرار گرفته است.
این فصل از بخشهای مدیریت دانش، مدیریت ارتباط با مشتری، مدیریت دانش مشتری، تاریخچه بانکداری و دادهکاوی، مفاهیم و کاربردهای آن تشکیل شده است.
در بخش مدیریت دانش به تفسیر هرم دانش، ارائه تعاریفی از مدیریت دانش و معایب عدم استفاده از مدیریت دانش در سازمان خواهیم پرداخت. در ادامه یک مدل مدیریت دانش را تفسیر نموده و استراتژی‌های موجود در این زمینه مطرح خواهند شد.
در بخش مدیریت ارتباط با مشتری ابتدا تعاریف و فلسفه CRM بیان شده و سپس به طور خاص به مدیریت ارتباط با مشتریان در نظام بانکی پرداخته میشود.
بخش مدیریت دانش مشتری تعاریف این مفهوم و مقایسه آن با مدیریت دانش و مدیریت ارتباط با مشتری بیان میشود.
در بخش تاریخچه بانکداری تاریخچه بانک و بانکداری و سیر تحول خدمات بانکی مطرح خواهد شد.
در بخش دادهکاوی به تعاریف و مفاهیم و تفسیر مختصری از الگوریتم‌های موجود در زمینه علم دادهکاوی خواهیم پرداخت. در ادامه به نمونههایی از کاربردهای دادهکاوی به خصوص در صنعت بانکداری اشاره شده و در نهایت پیشینه تحقیق بررسی خواهد شد.
2-2- مديريت دانش
دانش در قرن اخیر رشد بسیار چشمگیری داشته است به طوری که گفته میشود 80% یافتههای فناوری و دانش 90% کل دانشها و اطلاعات فنی جهان در قرن اخیر تولید شده است.
سرعت پیشرفت دانش بشر به گونهای بوده که دانشمندان عصر حاضر را عصر دانش نامیدهاند. تفکر و تحقیق خود به عنوان شغل شناخته شد و اطلاعات به عنوان سرمایه مطرح شد. محصول کار بشر به عنوان متفکر و یا محقق بر روی مواد اولیه اطلاعات، دانش نام گرفت.
هرچند شاید دانش از نظر گستره و کاربرد آن در همه سازمانها بحثی جدید نباشد، اما دانش به عنوان دارایی معنوی سازمان و منبعی جهت کسب مزیت رقابتی امری است که امروزه شدیداً مورد توجه قرار گرفته است.
2-2-1- دانش چيست؟
دانش، مخلوطی از تجارب، کمیتها و اطلاعات منظم است که قالبی برای ارزیابی، یکپارچگی و هماهنگی تجربهها و اطلاعات ایجاد میکند. دانش، درک و فهمی است که از طریق تجربه، استدلال، درک مستقیم و یادگیری حاصل میشود [16].
امروزه دانش به یکی از منابع مهم استراتژیک سازمان بدل شده است. توانایی خلق دانش و تداوم یادگیری از دانش حاصل میتواند سود و رقابتپذیری را برای سازمان به ارمغان آورد زیرا دانش خلاقانه امروز، هسته اصلی دانش فردا خواهد بود [9 و 44].
دانش، اطلاعات آمیخته شده باتجربه، زمینه کاری و تفسیر میباشد [48]. دانش موتور تولیدکننده درآمد و یک دارایی مهم و استراتژیک برای سازمان است.
تمایز بین داده، اطلاعات و دانش ساده نیست اما معانی آن از دیدگاه کاربرد میتواند به تفاوت بین آنها منجر شود. در کل، داده به حقایق خام، اطلاعات به مجموعه یا ترکیب سازمان دهی شدهای از دادهها و دانش به اطلاعات معنیدار اطلاق میشود.
داده و اطلاعات بر پایه سازماندهیشان مشخص میشوند و اختلاف اطلاعات و دانش بر پایه تفسیر آنهاست [45].
2-2-2- هرم دانش
هرم دانش، نمایانگر سلسله‌مراتبی از جریان داده تا خرد میباشد. هرچند بحثهای متفاوتی در مورد جزئیات سلسله‌مراتب دانش موجود است، اما در کل جریان کلی از سوی داده به سمت خرد وجود دارد. دانش را میتوان با عمل و تصمیماتی که به سبب آن اتخاذ میشود ارزیابی نمود [16].
شکل 2-1 سلسله‌مراتب دانش
دادهها: ارائه، ثبت، ذخيره و نگهداري نهادهايي را بر عهده دارند.
اطلاعات: دانستن آن و برآيندي است از پردازش دادهها مثل سازماندهي، مرتب كردن و غيره.
دانش: به صورت دانستن چگونگي و برآمدي است كه از اعمال پردازش اطلاعات تعريف ميشود.
خرد (معرفت): تقريباً دانستن «زماني كه» و يا «اگر» است. دانش از طريق فعاليت‌هايي مثل كشف، استنتاج، ارزش، تجربه و غيره خرد را معنا مي‌بخشد.
2-2-3- انواع دانش
2-2-3-1- دانش صريح
دانشي كه قابل رمزگذاري و كدگذاري بوده و در نتيجه ميتوان آن را به سادگي مخابره، پردازش و منتقل و در پایگاه دادهها ذخيره كرد. اين نوع از دانش را ميتوان فرم داد و يك فرمول علمي و يا كتابچه راهنما بين افراد سازمان منتشر كرد. دستورالعملها، مقررات، قوانين، رويه‌هاي انجام كار، آیین‌نامه‌ها، شرح جزئيات و… كه به صورت رسمي در بين افراد سازمان به آساني قابل انتقال هستند همه دانش تصريحي به حساب ميآيند [51].
2-2-3-2- دانش ضمنی
دانش ضمني شخصي بوده و فرموله كردن آن بسيار مشكل است. اين نوع از دانش كه از طريق تسهيم تجربيات با مشاهده و تقليد اكتســـاب میشود، ريشه در اعمال، رويهها، تعهدات، ارزشها و احساسات افراد داشته، قابل كدگذاري نبوده، از طريق يك زبان مخابره نميشود [51].
شکل 2-2 دانش صریح فقط بخش کوچکی از دانش را تشکیل می‌دهد [51].
2-2-4- مديريت دانش چیست؟
مدیریت به معنای فرایند به‌کارگیری مؤثر و کارآمد منابع انسانی و مادی بر مبنای یک نظام ارزشی پذیرفته شده است و از طریق برنامهریزی، سازماندهی، بسیج منابع و امکانات، هدایت و کنترل عملیات برای دستیابی به اهداف معین تصمیماتی صورت میپذیرد.
مدیریت دانش بر فرایندها و چگونگی کشف و به اشتراک گذاری دانستههای یک سازمان و یا ذینفعان خارجی آن سازمان تمرکز دارد. توانایی به اشتراک گذاری بهروشهای داخلی برای کارایی کلی سازمان اهمیت بسیاری دارد [54].
مدیریت دانش برای مدیران مبحثی آشناست و تحقیقات زیادی در این زمینه صورت گرفته است. بسیاری از تحقیقات اثربخشی مفاهیم مدیریت دانش و نتایج به‌کارگیری از آن در زمینه‌های کاربردی در سازمان را اثبات کردهاند. از نمونههای این نتایج توسعه محصول جدید در سازمان میباشد [27].
اهمیت مدیریت دانش از آن جهت است که برخورد هوشمندانه با منبع دانش، عاملی مؤثر و مهم جهت موفقیت است. در [38] فایده مدیریت دانش ایجاد رضایت مشتری با ارائه خدمات و محصولات بهتر از سوی سازمان بیان شده است.
اگر مدیریت دانش را به عنوان ابزار کار با اطلاعات در نظر بگیریم، اغلب به دانش به عنوان مسئلهای که با اطلاعات سروکار دارد توجه میشود که با خلق، مدیریت و استخراج اطلاعات سروکار دارد [36]. در ادبیات تحقیقات دانشجویی مدیریت دانش در گام‌های جداگانه اما مرتبط تعریف شده است. گام اول فرایند کسب اطلاعات است. گام دوم، ذخیرهسازی و سازماندهی منطقی اطلاعات ورودی است. مدیریت دانش درباره کسب و ذخیره دانش کارکنان و در دسترس گذاشتن اطلاعات برای سایر کارمندان سازمان است. این هدف معمولاً با استفاده از فناوریهای گوناگونی نظیر اینترنت و پایگاه داده و ترجمه دانش از دانش صریح به دانش ضمنی (درونی سازی) محقق میشود [49 و 41].
زمانی که اطلاعات در پایگاه داده‌های متفاوت ذخیره میشود گام سوم آغاز میشود. در این مرحله، اطلاعات ذخیره شده باید در دسترس اکثر کارکنان سازمان قرار گیرد. دانش توزیع شده باید در زمان صحیح، کاربران نهایی صحیح و در جایی که نیاز بود در دسترس قرار گیرد. گام نهایی که به‌کارگیری اطلاعات است در مورد بهرهبرداری از اطلاعات است. این فرایند با ارتباطات بین افراد و اشتراک و توزیع دانش با صحبت کردن یا ارتباطات اجتماعی با دیگران و یا با تبادل اطلاعات به فرم دیجیتال یا آنالوگ آغاز میشود [36].
2-2-5- استراتژی‌های مديريت دانش
نوناکا و تاکاشی در [55] بیان میکنند دانش به دو دسته آشکار و پنهان تقسیم میشود که دانش آشکار (صریح) میتواند در قالب واژگان و اعداد بیان و به شکل دادهها، فرمول، مشخصات، دستورالعملها و نظایر آن ثبت شود. این نوع دانش میتواند به آسانی کدگذاری شود و به سادگی بین افراد به طور رسمی و نظاممند منتقل شود. از طرف دیگر دانش پنهان (ضمنی) در ذهن افراد موجود است و به طور عمیق در اقدامات، تجارب، ارزشها و مطلوبهای افراد میباشد. مدلهای ذهنی، شهود و تصورات در این حوزه از دانش قرار میگیرند. نوناکا و تاکاشی چهار نوع استراتژی خلق و تبدیل دانشهای صریح و ضمنی در سازمانها را ارائه نمودهاند که عبارتند از: اجتماعیسازی، برونی سازی، ترکیب سازی، درونی سازی.
جدول 2-1 انواع مختلف تبدیلات دانش [51 و 55]
به دانش آشکاربه دانش ضمنی2- برونی سازی1- اجتماعیسازیاز دانش ضمنی3- ترکیبسازی4- درونیسازیاز دانش آشکار
2-2-5-1- استراتژی اجتماعی سازی (تبدیل دانش پنهان به پنهان)
در این استراتژی دانش پنهان انتقال مییابد و مجدداً به دانش پنهان تبدیل میگردد. در استراتژی اجتماعیسازی، افراد تجارب و مدلهای ذهنی خود را جهت بهبود دانش، با دیگران به اشتراک میگذارند. این فرایند شامل دستیابی افراد به درک متقابل از طریق تعاملات اجتماعی چهره به چهره، تسهیم دیدگاهها، هماندیشی، تعاملات حمایتگری و غیره میباشد. برای مثال میتوان به روابط پیشرفته همکاران، آموزش ضمن کار، روش آزمون و خطا، تقلید از دیگران، جلسات طوفان مغزی، تمرین و آموزش، تبادل عقاید، گفتگوی بسیار، اقدامات تشویقی و... اشاره نمود.
2-2-5- 2- استراتژی برونی سازی (پنهان به آشکار)
در این نوع استراتژی، دانش پنهان از طریق فرایند برونی سازی به دانش آشکار تبدیل میگردد. این فرایند به افراد اجازه می‌دهد که به صورت انفرادی مفاهیم دانش ضمنی را تدوین نموده و با دیگران به اشتراک بگذارند و دانش جدید به وجود آورند. به عبارت دیگر، دانش شخصی یا ضمنی، به صورت استعارهها، تشبیهها، فرضیات و مدلها به دانش صریح تبدیل میشود. شخص، زمانی که از تبادلات و توجهات جمعی جهت این فرایند طراحی استفاده میکند، اغلب به برونی کردن اقدام میکند. در این استراتژی اصول مدیریت محتوا به منظور آرشیو کردن، بهروزآوری و بازیابی دانش آشکار شده مورد نیاز خواهند بود. نوناکا و تاکاشی از برونی کردن به عنوان فرایندی کلیدی در تبدیل دانش یاد میکنند. زیرا در اینجاست که دانش ضمنی تجدید میشود و طراحیهای آشکار ظهور میکند.
2-2-5- 3- استراتژی ترکیبسازی (آشکار به آشکار)
در استراتژی ترکیبسازی دانش تجزیه شده موجود، به اشتراک گذاشته شده و ترکیب و تفسیر میگردد. در این حالت دانش صریح به دانش صریح پیچیدهتری تبدیل میشود، به عبارت دیگر، عقاید در این مرحله با یک سیستم دانش (مانند پایگاه داده) ترکیب میشوند. افراد به تبادل دانش میپردازند و این دانش از طریق مستندات، جلسات، مکالمات تلفنی و تبادل اطلاعات از طریق فناوریها و ابزارهایی مانند شبکه‌های کامپیوتری ترکیب میشوند. دانش جدید نیز میتواند از طریق ساختاردهی مجدد اطلاعات کنونی به وسیله ذخیرهسازی، افزودن، ترکیب و طبقهبندی دانش صریح ایجاد میشود. ترکیب، نوعی از ایجاد دانش است که در مقوله آموزش و تحصیلات گنجانده میشود. نمونههایی از استراتژی ترکیبسازی، سیستمهای دانش و اطلاعات، تهیه گزارشات مروری، تحلیل روند و خلاصه مدیریتی میباشند.
2-2-5- 4- استراتژی درونیسازی (آشکار به پنهان)
استراتژی درونیسازی شیوهای است که دانش آشکار از طریق تفسیر دانش، درونی میشود و به دانش ضمنی تبدیل میگردد. این امر میتواند از طریق یادگیری حین عمل صورت گیرد و دانش مستندسازی شده، نقش حیاتی را در این فرایند بازی میکند. درونیسازی زمانی رخ می‌دهد که کارگران جدید دانش، یک پروژه را با مطالعه بایگانیهای آن، احیاء کنند. همچنین درونیسازی را زمانی میتوان مشاهده کرد که مدیران یا خبرگان با تجربه سخنرانی کنند و یا نویسندگان تصمیم به نوشتن بیوگرافی از یک کار آفرین یا مؤسسه داشته باشند. به محض درونی شدن، دانشهای جدید مورد استفاده کارکنانی قرار میگیرد که آن را در پایگاه دانش پنهان موجود خود توسعه داده و سازماندهی مجدد کردهاند [51].
2-2-6-معایب عدم بهرهگیری از دانش در سازمان
برخی از مشكلات نبود مديريت دانش را میتوان به صورت زیر نام برد:
عدم اولويت‌بندي و استفاده از انواع دانش
ایجاد شکاف دانشی در صورت جدا شدن كارشناسان از سازمان
احتكار دانش به جاي ازدياد آن
استفاده محدود از دانشهاي موجود
نبود مستندات در خصوص تجربيات به دست آمده از پروژه‌ها و كارها
نبود ساختار مناسب براي تسهيم سريع دانش.
2-2-7- اهداف مدیریت دانش
از اهداف مدیریت دانش میتوان به موارد زیر اشاره نمود:
ایجاد ساختار راهبری مدیریت دانش؛
مدیریت دانش به عنوان یک فعالیت اصلی؛
ایجاد نرمافزاری برای انتقال دانش؛
ایجاد چارچوبی برای اندازهگیری دانشها و دستاوردهای اجرای فرآیندها؛
ایجاد انجمنهای خبرگی.
اهمیت مدیریت دانش در بین کسبوکارهای پیشرفته امروزی به خوبی شناخته شده است. به طوری که هرساله ارزیابی جهانی سازمان دانشی برتر از سوی شبکه جهانی دانش برگزار میگردد و بسیاری از شرکتهای معتبر و پیشرو در عرصه رقابت از کشورهای مختلف جهان به طور مستمر در این ارزیابی شرکت نموده و مجموعه اقدامات خود در حوزه مدیریت دانشمحور را بر اساس صدو پنجاه شاخص طرح شده مورد ارزیابی قرار داده و از گزارشهای تحلیلی جامع و نیز تجربیات سازمانهای برتر دنیا در این ارزیابی بهرهمند میشوند.
2-2-8- مدلهای مديريت دانش
در سالهای اخیر محققان بسیاری در زمینه مدیریت دانش کار کردهاند و مدلهای بسیاری در این زمینه ارائه شده است. این مدلها معمولاً اصل و محتوای مشابهی دارند اما اصطلاحات و ترتیب فازها در آنها ممکن است متفاوت باشد. نکتهای که در تمامی این مدلها به چشم میخورد تأکید بر استفاده و به‌کارگیری دانش است و مراحل دیگر به عنوان مقدمهای در ایجاد بسترهای لازم و مناسب برای به‌کارگیری دانش هستند [9]. این مدلها عمدتاً دو تا هشت مرحله دارند. مدل نوناکا و تاکاچی (1995)، مدل هفت سی (1996)، مدل بک من (1999)، مدل هیسینگ (2000)، مدل سنگ بنای مدیریت دانش (2002) و مدل مارک م.مک الروی (2002) و ... از مدلهای ارائه شده در زمینه مدیریت دانش هستند [4 و 9].
از آنجا که مدل پایههای ساختمان دانش پروبست نسبت به سایر مدلهای دانش کاربردیتر و جامعتر میباشد، در ادامه شرح مختصری از این مدل خواهیم داشت.
شکل 2-3 مدل مدیریت دانش پروبست و رمهارد [4]
این مدل شامل هشت جزء است که مدیریت دانش در آن به صورت سیکلی جریان دارد. این مدل شامل دو سیکل درونی و بیرونی است و سیکل درونی شامل مراحل: کشف (شناسایی)، کسب، توسعه، تسهیم، کاربرد و نگهداری از دانش میباشد. سیکل بیرونی شامل بلوکهای اهداف دانش و ارزیابی دانش است و کامل کننده این دو سیکل بازخورد است [4 و 9].
تعیین اهداف دانش: اهداف مدیریت دانش باید از اهداف اصلی سازمان در دو سطح استراتژیک و عملیاتی نشئت میگیرند.
شناسایی دانش: طرح سؤال آیا میدانیم که چه میدانیم مرحله آغازین شناسایی دانش است. شناسایی منابع دانشی هم بیرون از مرزهای سازمان و هم در درون سازمان صورت پذیرد.
توسعه دانش: دانش باید از منابع شناسایی شده بازار داخلی و خارجی و از منابعی نظیر مشتریان، رقبا، همکاران و ... جمع آوری گردد.
توسعه دانش: باید با دانش کسب شده سازمان را توسعه داد. این توسعه میتواند شامل هرگونه تغییر یا نوآوری در ارائه خدمات و محصولات به مشتریان باشد.
تسهیم دانش: دانش کسب شده باید در زمان و مکان مناسب بدست افراد مناسب برسد. چگونگی انتقال دانش از سطح فردی به سطح گروهی و سازمانی در این فاز مورد بررسی قرار میگیرد.
استفاده از دانش: در این فاز موانع موجود بر سر راه دانش باید شناسایی و برطرف گردند تا دانش در سازمان به صورت عملی و مفید در ارائه خدمات و محصولات بکار آید.
نگهداری دانش: در این فاز هدف حفظ، ذخیره و بهروزآوری دانش خواهد بود.
ارزیابی: در فاز ارزیابی نحوه رسیدن به اهداف تعیین شده و استفاده از نتایج به عنوان بازخورد در این فاز صورت میگیرد [4].
2-3- مديريت دانش مشتری
امروزه در زمان استفاده از خدمت یا مصرف کالا توسط مشتری دانش قابل توجهی تبادل میشود. این دانش به عنوان منبعی مهم برای سازمان و کسب و بهرهبرداری از آن به یک مزیت رقابتی در سازمانها تبدیل شده است.
مدیریت دانش مشتری دربردارنده فرایندهاییست که با شناسایی و اکتساب اطلاعات مشتری و نیز ایجاد و بهرهبرداری از دانش مشتریان، مربوط است [9]. چنین اطلاعاتی در ماورای محدودههای خارجی سازمان قرار دارند و دانشی که از آنها استخراج میشود موجب ایجاد ارزش برای سازمان و مشتریان آن خواهد شد [32].
در فرایند ایجاد دانش، مشتری به عنوان شریک سازمان شناخته میشود و از آنجا که هردو هدف مشترکی در ذهن دارند (خدمات و محصولات بهتر)، هردو طرف میتوانند شرکای خوبی در فرایند ایجاد دانش باشند.
مدیریت دانش مشتری سرمایه مهمی برای انواع سازمانهاست و اساس ارتقای ارزش مشتری است [42]. با تأکید بر دانش به عنوان فاکتور رقابتی مهم در اقتصاد جهانی، سازمانها باید به دنبال یک عنصر کلیدی باشند: دانش مشتری [27].
دانش مشتری نوعی از دانش (یا داده و اطلاعاتی است که قابلیت تحلیل و تفسیر و نهایتاً تبدیل به دانش را دارند) در حوزه ارتباط با مشتری است که قابلیت تأثیرگذاری مستقیم یا غیر مستقیم بر عملکرد سازمانی را دارا میباشد [43]. دانش مشتری اطلاعاتی است که جهت برقراری ارتباط قویتر با مشتری مورد نیاز است [47]. بهرهگیری از دانش مشتری مزایایی را هم برای سازمان و هم برای مشتری به دنبال خواهد داشت. از جمله این مزایا میتوان به بهبود محصولات و خدمات ارائه شده به مشتری، افزایش فروش، جلب رضایت مشتری، حفظ مشتری و ... اشاره نمود [34].
مدیریت دانش مشتری و مدیریت دانش به دنبال اهداف یکسانند: ارتقای سطح رضایت مشتری. نتایج حاصل از این تلاش دانشگرا مدیریت دانش مشتری و یا مدیریت ارتباط با مشتری نامیده میشود [27].
در ادبیات تحقیقات مدیریت دانش، مدیریت دانش مشتری، به عنوان به‌کارگیری انواع دانش شامل دانش برای مشتری (مثلاً اطلاعات یک محصول)، دانش از طرف مشتری (مثلاً ایدههایی برای بهبود محصول) و دانش درباره مشتری (مثلاً نیازها و انتظارات مشتریان) برای ارتقاء قابلیتهای ارتباط با مشتریان شرکت است [15].
2-3-1- انواع دانش مشتری
دانش مشتری در ارتباطات بین مشتری و سازمان انواع متفاوت دارد که عبارتند از:
دانش برای مشتری، دانش از طرف مشتری، دانش درباره مشتری.
دانش درباره مشتری: نوعی از دانش است که به سازمان کمک میکند مشتریانش را بشناسد و به طور مؤثری در مورد آنها هدفگذاری کند. سه نوع دانش درباره مشتری وجود دارد: جمعیتشناختی، روان‌شناختی و رفتاری [36].
دانش درباره مشتری میتواند یکی موارد زیر باشد [7 به نقل از 42]:
دانش و اطلاعات درباره مشتریان فعلی (شامل دانش و اطلاعات تاریخی و یا دانش و اطلاعات مربوط به نیازمندی مشتریان).
دانش و اطلاعات در مورد مشتریان بالقوه (شامل دانش و اطلاعات مربوط به علاقمندی و ترجیحات آنها).
دانش برای مشتری: این نوع دانش برای ارتقاء تجربیات مشتریان در مورد محصولات و خدمات شرکت کاربرد دارد [7 به نقل از 42]. این دانش دانشیست که از طرف سازمان به مشتری ارائه میشود تا مشتری شناخت بهتری از سازمان، محصولات و خدمات سازمان کسب نماید. دانش برای مشتری شامل اطلاعاتی در مورد محصولات، بازارها و تأمینکنندگان است که بر روی درک مشتری از کیفیت خدمات تأثیرگذار خواهد بود [33].
انواع دانش برای مشتری عبارتند از:
دانش و اطلاعات محصولات و خدمات سازمان (شامل دانش و اطلاعات مشتریان فعلی و بالقوه).
دانش و اطلاعات عمومی شرکت (شامل اطلاعات معرف و محصولات دانشی سازمان).
دانش و اطلاعات محیطی شرکت (مانند دانش و اطلاعات مربوط به بازار و محصولات و خدمات رقبا) [7 به نقل از 42].
دانش از طرف مشتری: واضح است که تمرکز سازمان باید بر روی تحویل آنچه مشتریان نیاز دارند باشد نه توسعه محصولات و خدماتی که مشتریان نیاز و تمایلی به آن ندارند، سازمان نیازمند این خواهد بود که نظرات و اطلاعات مشتریان را در مورد نیازهای آتی و نوآوریهای مدنظر سازمان بداند تا محصولات و خدمات مورد نیاز آنها توسعه داده شود [7]. اما مشتریان متوجه نیازهای خود نخواهند شد مگر اینکه محصولات نوآورانه به آنها پیشنهاد شود و سازمان به آنها کمک کند که محصولات یا خدمات را با در نظر گرفتن نیازها و ترجیحات خود شخصیسازی کنند [39].
دانش از مشتری شامل اطلاعات مرتبط با سازمان و رقباست. اطلاعات مرتبط با سازمان، دیدگاه مشتریان درباره شرکت و اطلاعات مرتبط با رقبا، دیدگاه مشتریان درباره رقبای سازمان است [7 به نقل از 42].
نجف لو در [7] به ارائه چارچوب خوشه انگور جهت طبقهبندی انواع دانش مشتری، برای نوعشناسی این نوع دانش پرداخته است. او در مطالعه خود از نظرسنجی خبرگان جهت تأیید مدل و از آزمون فریدمن برای رتبهبندی دانشها و مطالعه موردی شرکت همکاران سیستم استفاده نموده است.
شکل 2-4 چارچوب خوشه انگور جهت نوع شناسی دانش مشتری
Rowly و همكاران در [42] سؤالاتي كه ميتوان از طريق آنها به اطلاعاتي از مشتري دست يافت كه براي سازمان مناسب باشد اشاره میکنند:
مشتريان ما چه كساني هستند؟
مشتريان بالقوه چه كساني و كجا هستند؟
مشتريان چه منافعي را انتظار دارند؟
گرايشها و رفتارهاي مشتريان چيستند؟
چگونه ميتوان قدرت روابط با مشتري را اندازه گرفت؟
چگونه ميتوان براي قابليت سوددهي و ارزشآفريني مشتري برنامهريزي كرد و آن را افزايش داد؟
چگونه ميتوان مشتريان را به گروههايي تقسيم كرد تا تحليلهاي بازاريابي و ارتباطات با آنها راحتتر شود؟
چه كساني مشتريان بلندمدت ما هستند؟ (5 سال و بیشتر)
رفتار مشتريان در 5 سال آينده چگونه تغيير خواهد كرد؟ [17]
همچنین Rowly و همكاران در [42] راهكارهاي زير را جهت دستیابی به دانش مشتري پيشنهاد ميدهند و تأكيد ميكنند كه براي اين راهكارها بايد در نظر داشت كه اطلاعات حاصل از هر كدام از آنها به روشهاي تحليلي خاصي نياز دارند و هر كدام مشخصاتي مخصوص به خود دارند. اين راهكارها عبارتند از:
مشتري در ازاي درخواست اطلاعات پاسخ دهد. اين روش ميتواند به عنوان بازخوردي از نحوه خدمات باشد يا قسمتي از يك سيستم مبتني بر اينترنت و ... باشد.
مشتري آنلاين اطلاعاتي را در مورد خود ارائه دهد. در اين شيوه ميتوان با بازبيني رونوشت صحبتها به اطلاعات دست يافت.
مشتري اطلاعات را در ازاي دريافت يك محصول ارائه دهد. مثلاً فروشنده ميتواند نام، آدرس و ا ميل يا ديگر اطلاعات مشتري را ذخيره كند.
اطلاعات از مسير جستجوي مشتري دريافت شود. ميتوان از طريق دنبال كردن آدرس IP يك مشتري به مسير جستجوهاي او و علايق او دست يافت.
فروشنده با استفاده از كوكيها فعاليتهاي مشتري را دنبال كند، از اين طريق ميتوان ورود و خروج مشتري به وبسايت را تعقيب نمود و متوجه شد كه او به چه قسمتهايي علاقه بيشتري دارد [17].
2-3-2- مدل مدیریت دانش مشتری
شکل 2-5 یک مدل را برای مدیریت دانش مشتری نمایش می‌دهد. طبق [37] مدل فرایند CKM یکپارچگی دو مفهوم CRM و KM را مد نظر دارد.
ادغام دو مفهوم CRM و KM در مدل CKM میتواند منافع به‌کارگیری هر یک را ارتقاء و ریسک به‌کارگیری هر یک را کاهش دهد [9].
شکل 2-5 مدل مدیریت دانش مشتری [17 به نقل از 37]
در این مدل وجه محتوا راهنمايي است براي جواب دادن به اين سؤال که چه موقع بايد دانش از اشخاص جدا شود و به صورت بستههاي اطلاعات خلاصهسازي شود. خلاصهسازي اجازه ميدهد كه ذخيره و توزيع دانش از نظر هزينه با كارايي بيشتري انجام شود.
وجه شايستگي نيروي كار به اين سؤال پاسخ ميدهد که نيروي كار بايد چه دانشي داشته باشند تا پيشرفت رقابتي را براي فرآيندهاي تجاري فراهم كند. اين امر ميتواند با آموزش نيروي كار موجود يا استخدام نيروي كار جديد انجام پذيرد.
وجه همكاری بر اين سؤال تأكيد دارد چگونه ميتوان از دانش در ميان گروههايي همچو ن تيم پروژه يا چرخه هاي كيفيت به صورت مؤثر حمايت كرد.
وجه تركيب بر توزيع دانش در داخل سازمان به صورتي كه از نظر هزينهاي به صرفه باشد تأكيد ميورزد. اين عمل به کمک بستههاي اطلاعاتي انجام میگیرد.
وجوه 4گانه دانش به مديریت دانش اجازه ميدهند كه بر اساس اين ابعاد و مشخصات كه به طور خاص بر عملكرد فرآيندها تأثير خواهند گذاشت، عمل كند.
در سطوح بالاي مديريت يك شركت بايد مشخص باشد كه چگونه مديريت دانش مشتري ميتواند اهداف و فرآيندهاي تجاري آنها را حمايت كند. در این صورت ميتوان از اين موارد به عنوان راهنمايي براي طراحي فرآيندهاي مديريت دانش مشتري و شاخصهاي عملكرد آن استفاده كرد [17].
در واقع مدل مديريت دانش مشتري راهكارهاي گوناگوني را براي يافتن مشخصات دانش مناسب از افق ديد تجاري دنبال ميكند. در عمل مشاهده ميشود كه مديريت روابط با مشتري و مديريت دانش همافزايي قابل توجهي دارند. هنگاميكه مديريت دانش به عنوان يك خدمتدهنده براي مديريت روابط مشتري عمل ميكند، استقلال بين اين دو حفظ ميشود و از همافزايي بين اين دو راهكار منفعتهاي مشتركي به وجود ميآيد [17].
2-4- مديريت ارتباط با مشتری
افزایش سرعت تحولات و ناپایداری عرصه رقابت در عصر حاضر که در نتیجه تغییرات فناوری و فشردگی فضای رقابت، در عرصه کسبوکار به خصوص در سازمانهایی چون بانکها و بیمهها حاصل شده است، نیاز بازار به چارهاندیشی جهت کسب مزیت رقابتی بیشتر را نمایان میسازد.
تغییرات سریع سلایق مشتریان و به دنبال آن ورود محصولات جدید بهبود یافته مطابق این سلایق موجب کاهش طول عمر مفید ارائه محصولات و خدمات میشود. بنابراین در این شرایط استفاده از سیستمهایی همچون مدیریت ارتباط با مشتری نه تنها یک مزیت رقابتی بلکه یک ضرورت برای سازمان محسوب میشود. مدیریت ارتباط با مشتری یک ابزار مدیریتی جدید است که ارتباطات شرکت با مشتریان را با به‌کارگیری فناوری اطلاعات بهروز (مانند تحلیل داده‌های برخط، دادهکاوی و مدیریت پایگاه داده) مدیریت میکند. هدف مدیریت ارتباط با مشتری افزایش رضایت و وفاداری مشتری است [40].
مدیریت ارتباط با مشتری کلیه فرایندها و فناوریهاییست که سازمان برای شناسایی، انتخاب، ترغیب، گسترش، حفظ و خدمت به مشتریان خود بکار میگیرد.
مدیریت ارتباط با مشتری سازمان را قادر میسازد تا از دانش مشتری جهت تغییر، توسعه یا تجدید خدمات و محصولات به مشتری استفاده نمایند و از این مسیر سود نهایی حاصل برای سازمان را افزایش دهند [9].
سیستمهای مدیریت ارتباط با مشتری در حقیقت راهبردی برای جمع آوری نیازها و رفتارهای تجاری مشتریان جهت ایجاد روابط قویتر با آنهاست و از سه بخش اصلی مشتری و روابط و مدیریت تشکیل شده است. منظور از مشتری مصرف کننده نهایی است. منظور از روابط ایجاد مشتریان وفادارتر و سودمندتر از طریق ارتباط یادگیرنده میباشد؛ و در نهایت نقش مدیریت در این سیستم عبارت است از خلاقیت و هدایت یک فرایند کسبوکار مشتریمدار و قرار دادن مشتری در مرکز فرایندها و تجارب سازمان [10].
در تعریفی دیگر مدیریت ارتباط با مشتری شامل مجموعهای از فرایندها و سیستمهاست که جهت ایجاد روابط بلندمدت سودآور با مشتریان، استراتژی‌های کسبوکار پیشنهاد میکند [46].
داده‌های مشتریان و ابزارهای تکنولوژی اطلاعات زمینهای را برای ایجاد ارتباط موفق با مشتری ایجاد میکنند. علاوه بر این سرعت روبه رشد اینترنت و تکنولوژیهای وابسته باعث افزایش فرصت بازاریابی شده است و راههای ارتباط بین سازمان و مشتریان را تغییر داده است [25].
بازاریابی ارتباطی، سودآوری مشتری، ارزش دوره حیات مشتری و رضایت و حفظ مشتری از طریق فرایندهای کسبوکار مبانی فلسفی مدیریت ارتباط با مشتری را تشکیل میدهند [11].
مشتریان در ترجیحات و عادات خرید خود با یکدیگر متفاوتاند. این مسئله را میتوان علت ابداع مدیریت ارتباط با مشتری دانست. اگر همه مشتریان مانند یکدیگر بودند نیاز چندانی برای مدیریت ارتباط با مشتری و درک انگیزههای مشتریان و سودآوری آنها احساس نمیشد و اقدامات سازمان به راحتی جهت حداکثرسازی ارزش سازماندهی میشد [39].
مدیریت ارتباط با مشتری رویکردی سازمانی برای درک و تأثیرگذاری بر رفتار مشتری از طریق ارتباط معنیدار جهت بهبود شناسایی، جذب، حفظ و توسعه مشتری و وفاداری و سودآوری او تعریف میشود [25].
بر اساس [25] مدیریت ارتباط مشتری شامل چهار بعد است:
شناسایی مشتریان: این مرحله فاز آغازین مدیریت ارتباط با مشتری است که طی آن افرادی را که احتمال زیاد وجود دارد که مشتری ما شوند یا برای سازمان سودآور باشند مورد هدف قرار می‌دهد. شناسایی مشتریان در این مرحله، از طریق تجزیه و تحلیل ویژگی‌های اساسی آنها و بخش‌بندی مشتریان بر اساس خصوصیات مشابه و سپس تصمیمگیری در مورد هر گروه صورت میپذیرد [14].
جذب مشتری: در پی شناسایی مشتریان بالقوه، منابعی از سازمان جهت دعوت این مشتریان به استفاده از خدمات یا محصولات سازمان تخصیص داده میشود.
حفظ مشتری: این مسئله بحث اصلی در فرایند مدیریت ارتباط با مشتریست و رضایت مشتری شرط اساسی بقای ارتباط او با سازمان است. این هدف معمولاً با روشهایی چون بازاریابی فرد به فرد و تشخیص و پیشبینی رفتار مشتری و فعالیت‌های پشتیبانی روابط بلندمدت مشتریان حاصل خواهد شد [14].
توسعه مشتری: این فاز شامل توسعه کثرت تراکنشها، ارزش تراکنشها و سودآوری مشتری میباشد که با فروش محصولات بیشتر به یک مشتری و یا فروش یک محصول به مشتریان بیشتر انجام میپذیرد [14].
هدف کلی مدیریت دانش مشتری ایجاد درک عمیقتر مشتریان برای حداکثر کردن ارزش مشتریان در بلندمدت است. تجزیه و تحلیل و درک رفتارها و ویژگی‌های مشتریان اساس توسعه یک استراتژی CRM رقابتی میباشد [11].
هدف CRM افزایش فرصتهای کسبوکار به روشهای زیر است:
بهبود فرایند ارتباط با مشتریان واقعی
ارائه محصولات صحیح از طریق کانالهای صحیح به هر مشتری
ارائه محصولات صحیح در زمان صحیح به هر مشتری[14].
2-4-1- مديريت ارتباط مشتريان در نظام بانکی
در سالهای اخیر با اهمیت یافتن مشتری از یک سو و تحولات صورت گرفته در زمینه فناوری اطلاعات از سوی دیگر شاهد پیدایش مفاهیمی چون مدیریت ارتباط با مشتری به عنوان رویکرد مهمی از کسبوکار بودهایم. این مفهوم بر این معنا دلالت دارد که هر مشتری محصولات و خدمات خاصی را میطلبد و از اینرو بهتر است به جای بازاریابی انبوه، مشتریان را تکتک بازاریابی کنیم. برای این منظور با استفاده از دانش مشتری نظیر سابقه خرید و نیازهای جدید او کالاها و خدمات در مسیر مورد نظر وی سازماندهی شود [10].
بازاریابی از ابزارهایی است که میتواند منجر به رشد درآمدهای بانک شود. بنا به گفته مدیران بزرگ بانکهای معروف دنیا فقط 5% از مشتریان بیش از 85% سودآوری بانکها را تشکیل میدهند. تحقیقات نشان می‌دهد که سودآوری بانکها با افزایش مشتریان ارزنده و تراز اول و ایجاد رضایت مؤثر در آنها، به طور چشمگیری افزایش مییابد [10] .
در بازار رقابت تنگاتنگ کنونی در عرصه صنعت بانکداری با توجه به تأسیس تعداد زیادی از بانکهای خصوصی، بانکها را ملزم میسازد که برای ربودن گوی سبقت، با ارتباطات مشتریمدار، توجه خود را به مشتری و حفظ او افزایش دهند. چرا که امروز مشتریان فرصتهای بیشتری برای مقایسه و انتخاب خدمات پیش رو دارند [10]. مشتریان ارزش زیادی برای تکنولوژی و سرعت و تخصص فنی بانکها قائلاند. اینکه بانک بتواند سرویسهای مورد نظر مشتری را به خوبی ارائه نماید از عناصر مهم موفقیت بانک است. بنابراین بانکها نیازمند کسب اطلاعات کافی از مشتری و تحلیل این اطلاعات جهت کشف دانش نهفته در این اطلاعات و درک علائق و خواستههای مشتری جهت توسعه روابط و ارائه خدمات و محصولات متناسب و مطلوب هر مشتری میباشند [10].
CRM به معنی مدیریت ارتباط با مشتری است و نه بازاریابی ارتباط با مشتری و مدیریت مفهومی گسترده است که مستلزم رویکردی سازمانی در تمام سطوح کسبوکار و همه بخشهای تولید، منابع انسانی، مدیریت، خدمات، فروش و تحقیق و توسعه است.
امروزه در سازمانهایی نظیر بانکها برخلاف گذشته یافتن مشتریان جدید تنها هدف بازاریابی نیست و تنها رضایتمندی مشتریان برای ماندگاری آنها کافی نبوده و باید در عین رضایتمندی از وفاداری آنها نیز اطمینان حاصل نمود. در این ارتباط با هدف برقراری روابط بلندمدت و متقابل با گروههای ذینفع بانک و بالاخص مشتریان است، به نحوی که مشتریان بیشتری حفظ شوند که ماحصل این موضوع سهم بیشتر بازار و در نتیجه سودآوری بیشتر برای بانک است [10 به نقل از 3].
2-4-2- مدیریت ارتباط با مشتری: اهداف، مزایا و چالش‌ها
اهداف اصلی مدیریت دانش مشتری در مؤسسات مالی و اعتباری و بانکها در [10] چنین ذکر شده است:
شناسایی ارزشهای خاص هر بخش از بازار مشتریان
ارائه ارزشهای دلخواه مشتریان به شیوه مورد درخواست آنها برای دریافت اطلاعات
تقسیم بخشهای مختلف بازار و بهبود فرایند ارتباط با مشتریان هدف
افزایش درآمد حاصل از محل کارمزد ارائه خدمات
افزایش رضایتمندی و وفاداری مشتریان
بهینهسازی کانالهای خدمتدهی به مشتریان
جذب مشتریان جدید با توجه به تجربیات کسب شده در خصوص مشتریان سابق
کسب نظرات و علاقمندیهای مشتریان به منظور بهینهسازی استراتژی و فرایندهای عملیات [10].
از مزایای CRM میتوان به
شناخت عمیقتر مشتری
شناسایی مشتریان کلیدی و ارائه خدمات خاص به آنها
پاسخگویی سریع و با دقت بیشتر به درخواست مشتریان
فراهم نمودن شرایط مراجعه مجدد مشتریان
کاهش هزینههای تبلیغاتی
افزایش فرصتهای بازاریابی و فروش
افزایش سطح رضایت مشتری
افزایش سودآوری
دریافت بازخورد از مشتری و توسعه خدمات و محصولات جاری بر اساس نیازها و خواستههای مشتری [10].
از چالشهای اجرای CRM میتوان به
هزینهبر و وقت‌گیر بودن اجرای CRM
عدم پذیرش اجرای CRM از سوی برخی مدیران، کارکنان و مشتریان
نبود زیرساختهای مناسب جهت اجرا
موقعیت مکانی شعبه که ممکن است امکان دسترسی به شعبه را دشوار سازد
امکان ارائه خدمات خاص با کیفیت بالاتر از سوی بانکهای رقیب
وجود مشتریان وفادار به رقیب [10].
2-5- مقايسه مفاهيم CKM و KM و CRM
هرچند در نگاه اول ممکن است CKM یا KM نام دیگری برای CRM به نظر برسد اما مدیران دانش مشتری نیازمند رویکردی متفاوت هستند و به انجام یکسری فعالیت متفاوت بر روی تعدادی متغیر کلیدی نیاز دارند [38].
CKM حوزهای از مدیریت است که در آن رویههای KM برای حمایت از تبادل دانش مشتری در سازمان و بین سازمان و مشتریان آن بکار گرفته میشود. جایی که دانش مشتری برای CRM، برای بهبود فرایندهای CRM از قبیل خدمت به مشتری، حفظ مشتری و سودمندی ارتباط با مشتری مورد استفاده قرار میگیرد.
مديران دانش مشتري بيش از آن که به دانش در مورد مشتري اهميت دهند به دانش از طرف مشتري علاقه دارند [38]. در نتيجه شرکتهای پيشرو جستجوي دانش از طريق روابط مستقيم با مشتري را با جستجوي دانش از طریق نمايندگان فروش خود همراه کردهاند. مديريت دانش مشتري با مديريت دانش سنتي در اهدافي كه دنبال میکنند تفاوت دارند. مديريت دانش سنتي به دنبال به دست آوردن کارایی است در حالي كه مديريت دانش مشتري در پي نوآوري و رشد است. مديريت دانش مشتري به دنبال موقعیت‌هایی است كه مشتريانش را به عنوان همكاري در پديد آوردن ارزش براي سازمان مشاركت دهد [17].
مثل معروفي در دنياي مديريت روابط با مشتري بيان ميدارد كه نگاه‌داری مشتري بهتر از به دست آوردن اوست. ولي متأسفانه در دنياي كنوني كه رقبا به سرعت میتوانند همانندسازي كنند، نگاه‌داری مشتري بسيار سخت است. در نتيجه مديران دانش مشتري كمتر با ارقام نگاه‌داری مشتري روبرو هستند. در عوض آنها بايد بر چگونگي رشد و همكاري بين مشتري جديد و شركت در يك محيط فعال متمركز شوند [17].
جدول 2-2 مقایسه مفاهیم مدیریت دانش، مدیریت ارتباط با مشتری و مدیریت دانش مشتری [38]
CKMCRMKMمکانهای جستجوی دانشتجارب، خلاقیتها و عدم رضایت از محصولات و خدمات از سوی مشتریپایگاه داده‌های مربوط به مشتریکارمندان، تیمها و شرکای تجاریقاعده کلیاگر فقط میدانستیم که مشتریان چه میدانند.حفظ مشتری بسیار آسانتر از بدست آوردن مشتری است.اگر فقط میدانستیم که چه میدانیم.اهدافکسب، اشتراک و گسترش دانش مشتری- تجارب شخصی یا گروهی در کاربردها و رفتارهای رقابتی- راهکارهای مربوط به آیندهکاوش دانش در مورد مشتریان در پایگاه داده‌های مشتریاشتراک دانش در مورد مشتری در بین کارمنداننقش مشتریفعال، شریک دانشدرگیر و مرتبط با وفاداری به محصولات و خدماتمنفعل یا غیر فعال و دریافت کننده محصولاتدریافت کننده محرکها یا مشوقهامشتریمشتریکارمندنقش سازمانتبدیل مشتری از حالت دریافت کننده صرف خدمات و محصولات به شریک فعال در خلق ارزشبرقراری روابط پایدار با مشتریانتشویق کارکنان برای تسهیم دانش خود با همکاراناهداف سازمانیمشارکت با مشتریان جهت ایجاد ارزش مشترکرشد مشتری محور مشتری و حفظ مشتریاثربخشی و افزایش سرعت و پرهیز از تولید مجدد اطلاعاتمنافعموفقیت مشتری و نوآوری و یادگیری سازمانیحفظ مشتریرضایت مشتریمعیارهای سازمانیکارایی با رشد و نوآوری در برابر رقبا و مشارکت برای کامیابی مشتریکارایی بر حسب رضایت و وفاداری مشتریکارایی در مقابل بودجه
مديران دانش مشتري بيش از آنكه به دانش در مورد مشتري اهميت دهند به دانش از طرف مشتري علاقه دارند. در نتيجه شركتهاي پيشرو جستجوي دانش از طريق روابط مستقيم با مشتري را با جستجوي دانش از طريق نمايندگان فروش خود همراه كردهاند. مديريت دانش مشتري با مديريت دانش سنتي در اهدافي كه دنبال ميكنند تفاوت دارند. مديريت دانش سنتي به دنبال به دست آوردن کارایی است، در حالي كه مديريت دانش مشتري در پي نوآوري و رشد است. مديريت دانش مشتري به دنبال موقعيتهايي است كه مشتريانش را به عنوان همكاري در پديد آوردن ارزش براي سازمان مشاركت دهد [38].
به طور خلاصه تفاوتهای اساسی بین مفاهیم CKM و KM و CRM را میتوان به صورت زیر عنوان نمود:
مدیران دانش مشتری اولین و مهمترین تمرکزشان بر روی دانش از طرف مشتری است در صورتی که تمرکز بر دانش درباره مشتری ویژگی شاخص مدیریت ارتباط با مشتری است [38].
در مدیریت دانش سنتی، دانش آنچنان در سازمان نقش اساسی یافت که به منبع ارزشافزای کلیدی در سازمان تبدیل شد. این دانش هنوز هم در سازمان به اشتراک گذاری و بسط داده شده و در بین مدیران و کارکنان سازمانها بکار میرود. با این تفاوت که سعی شده مهمترین شریک سازمان یعنی مشتری را در فرایندهای خلق ارزش در سازمان مشارکت دهد. در مدیریت دانش تمرکز بر این مسئله است که «اگر ما میدانستیم که چه میدانیم». اما در مدیریت دانش مشتری سازمان به دنبال این است که بداند «مشتری چه میداند» بنابراین مبنای کار در مدیریت دانش مشتری «اگر ما میدانستیم مشتریانمان چه میدانند» میباشد [38].
مدیران دانش مشتری کمتر نگران حفظ مشتری هستند، در عوض بر روی چگونگی توسعه و پیشرفت سازمان با بدست آوردن مشتریان جدید و ارتباط ارزشافزا با آنها تمرکز دارند.
2-6- تاریخچه‌ای از بانک و بانکداری
كلمه بانك از واژه ايتاليايي بانكا به معني نيمكت مشتق شده است. از آنجايي كه صرافان ايتاليايي ابتدا در پشت نيمكت عملیات صرافي را انجام ميدادند. بعدها نيز مؤسساتي كه اين گونه معاملات را انجام ميدادند به نام بانك معروف گرديدند [11 به نقل از 12].
بانکداری در ایران از قرون وسطی تا اوایل قرن نوزدهم منحصر به فعالیت‌های صرافی بود. صرافی‌های بزرگی در تبریز، مشهد، تهران، اصفهان، شیراز و بوشهر یعنی مراکز تجاری عمده آن دوره وجود داشتند. در این دوره هیچ مؤسسه دولتی یا بانک خارجی در کشور فعالیت نداشت و نقل و انتقال وجوه در داخل یا در خارج توسط صرافان انجام می‌گرفت که فعالیت اکثر آنها تا قبل از سال 1300 هجری شمسی متوقف گردید.
بانكداري نوين در ايران با تأسيس برخي بانكهاي خارجي شكل گرفت، در سال 1267 هجري شمسي يك بانك انگليسي به نام بانك جديد شرق در بعضي از شهرهاي ايران مانند تهران، تبريز، رشت، مشهد، اصفهان، شيراز و بوشهر شعبههايي تأسيس نمود كه پس از مدتي تأسيسات آن به بانك شاهنشاهي واگذار گرديد [11].
اولین بانک ایرانی در سال 1304 به نام «بانک پهلوی قشون»، از محل وجوه بازنشستگی نظامیان و برای سامان دادن به امور مالی ارتش به وجود آمد. سپس نام آن به «بانک سپه» تغییر کرد. فعالیت‌های بانکی این بانک در آغاز تاسیس محدود بود.
با وجود عدم منع قانونی تاسیس بانک در ایران و با وجود توسعه بانکهای ملی و سپه و بانکهای خارجی، هیچ بانک خصوصی با سرمایه ایرانی تا بعد از جنگ جهانی در کشور تأسیس نشد و در نتیجه فعالیت‌های بانکی در سراسر کشور، در دست چند بانک باقی ماند. در تیرماه 1328 دولت به منظور کمک مالی به واحدهای تولیدی خصوصی، «بانک برنامه» را ایجاد کرد. سپس «بانک بازرگانی ایران» به عنوان اولین بانک خصوصی به صورت شرکت سهامی در بهمن ماه 1328 تاسیس شد و در سال 1329 فعالیت‌های بانکی خود را آغاز کرد [5].
2-7- سير تحول فناوري اطلاعات در صنعت بانكداري
فناوري بانكها مشتمل بر فناوري پردازش، ثبت، نگهداري، تغذيه و تبادل اطلاعات مشتريان است. اين فناوري طي دورههاي چهارگانه هاي زير به تكامل رسيده است [11].
2-7-1 دوره اول: اتوماسيون پشت باجه
اين نخستين دوره كاربرد كامپيوتر در صنعت بانكداري بود. با استفاده از كامپيوترهاي مركزي، اطلاعات و اسناد كاغذي توليد شده در شعب به صورت بسته بندي شده به مركز ارسال و پردازش شبانه انجام ميشود. در اين دوره كاربرد اصلي كامپيوتر محدود به ثبت دفاتر و تبديل كاغذ به فايلهاي كامپيوتري است.
2-7-2- دوره دوم: اتوماسيون جلوي باجه
اين دوره از زماني آغاز ميشود كه كارمند شعبه در حضور مشتري عمليات بانكي را به صورت الكترونيكي ثبت و دنبال ميكند. از اواخر دهه 1970 امكان انتقال لحظهاي از طريق به‌کارگیری ترمینال‌ها در جلوي باجه فراهم آمد. اين ترمینال‌ها كه به ظاهر شبيه به كامپيوترهاي شخصي امروزي بودند، از طريق خطوط مخابراتي به كامپيوترهاي بزرگ مركزي متصل می‌شدند و امكان انتقال اطلاعات به صورت مؤثر در بين شبكههاي بزرگ كامپيوتري و ترمینال‌های ورودی و خروجي به وجود آمد.
2-7-3- دوره سوم: اتصال مشتريان به حساب‌هایشان
در اين دوره كه از اواسط دهه 80 آغاز شد امكان دسترسي مشتريان به حساب‌هایشان فراهم میگردد. يعني مشتري از طريق تلفن يا مراجعه به دستگاه خودپرداز و استفاده از كارت هوشمند یا كارت مغناطيسي يا كامپيوتر شخصي به حسابش دسترسي پيدا میکند و ضمن انجام عمليات دريافت و پرداخت، نقل و انتقال وجه را به صورت الكترونيكي انجام می‌دهد.
از مهمترین ویژگی‌های دوره سوم كه آن را از دوره هاي قبل متمايز میسازد عبارتند از: توسعه جزيره اي سی ستم‌های مكانيزه در جلوي باجه و پشت باجه و همچنين توسعه سی ستم‌های ارتباطي مشتريان با حسابهايشان مثل ATM و تلفن بانك و فاكس بانك. در دوره سوم هنوز نيروي انساني در ارائه خدمات مؤثر است و بخشي از نيروي انساني وظيفه ايجاد هماهنگي بين سی ستم‌های جزيره اي و نيازهاي مختلف مشتريان را به عهده دارد.
میتوان گفت در اين دوره عمليات بانكي نيمه الكترونيكي شده است. دو مشكل اساسي در اين دوره به چشم میخورد، يكي عدم يكپارچگي سی ستم‌های مكانيزه، جزيره اي بودن آنها و ناهماهنگي آنها براي ارائه خدمات به مشتريان و ديگري عدم وجود و تكامل خطوط مخابراتي مطمئن و پروتکل‌های ارتباطي مربوط به متصل نمودن مشتري به شعب و شعب بانکها به يكديگر.
2-7-4- دوره چهارم: یکپارچه‌سازی سیستم‌ها و مرتبط كردن مشتريان با تمامي عمليات بانكي
آخرين دوره زماني آغاز میشود كه همه نتايج بدست آمده از دورههاي قبل به طور كامل به سيستم عمليات الكترونيكي انتقال يابند تا هم بانك و هم مشتريان بتوانند به صورت دقيق و منظم اطلاعات مورد نيازشان را كسب نمايند. دوره چهارم به يكي از دو وجه زير تاكيد دارد [12]:
تلاش براي استاندارد سازي نرم افزاري و سخت افزاري در سی ستم‌های كامپيوتري موجود براي رسيدن به يك سيستم يكپارچه.
تلاش براي تاسيس سی ستم‌های يكپارچه صرف نظر از سی ستم‌های جزيرهاي كه قبلاً به وجود آمده است.
2-7-5- بانكداري الكترونيك
بانكداري الكترونيك داراي سطوح مختلفي میباشد و به تناسب هر كدام میتوان تعريف خاصي ارائه نمود.
آنچه كه در تمامي سطوح میتوان مشاهده نمود استفاده از سی ستم‌های نرمافزار و سختافزار رايانهاي ميباشد. هر چقدر به سطوح بالاتر يعني بانكداري الكترونيك كامل حركت نماييم عمليات دستي كمتر، سی ستم‌های رايانهاي متمركزتر، شبكه قابل دسترسي گستردهتر، محدوديت زماني و مكاني كمتر و در نهايت امنيت اطلاعات بانكي بيشتر خواهد بود [11 به نقل از 12].
بانكداري الكترونيك، اساساً به فراهم آوردن امكان دسترسي مشتريان به خدمات بانكي با استفاده از واسطههاي ايمن و بدون حضور فيزيكي اطلاق میشود. بنا بر تعريف ديگري بانكداري الكترونيك به ايجاد محصولات و خدمات با بهای كم، از طريق کانالهای الكترونيكي اطلاق میشود. اين محصولات و خدمات ميتواند شامل صورتحساب، وام، مديريت سپرده‌ها، پرداختهای الكترونيكي و ايجاد محصولات و خدمات پرداختهای الكترونيكي همانند پول الكترونيكي باشند [11 به نقل از 12].
2-8- دادهکاوی
سرعت روزافزون انباشت داده‌های حاصل از پردازش و تعاملات و تبادلات و ارتباطات موجود در فضای کسبوکار، به خصوص با وجود پیشرفت سیستمهای فناوری اطلاعات و ارتباطات، مجموعه وسیعی از دادهها را پدید آورده است. طبق آخرین تحقیقات محققان، ظرفیت ذخیرهسازی دادهها در سراسر دنیا هر نه ماه دو برابر و داده‌های در دسترس نیز هر پنج سال دو برابر میشوند. همچنین دانشمندان پیشبینی کردهاند پایگاههای داده هر 5 سال یک بار به طور کامل فراموش شده و داده‌های موجود در آنها فقط در انبارهای داده ذخیره میشوند.
هرچند در نگاه اول ممکن است به نظر برسد این دادهها بیفایده هستند، اما این دادهها میتوانند در صورت وجود ابزارهای مناسب، حکم معادن طلا را برای سازمانها، کسبوکارها و شرکتها داشته باشند. با این حال که ما از نظر دادهای غنی هستیم اما از نظر دانشی بسیار فقیریم [31]. اکثر سازمانها با فقر دانش مواجهاند و میتوان ادعا نمود این مسئله به سبب عدم شناخت سازمانها از ابزارهایی نظیر دادهکاوی است که برخلاف ابزارهای گزارش گیری و آمارگیری قدیم میتوانند حجم عظیمی از دادهها را تحلیل نموده و الگوهای پنهان مفیدی از دل این دادهها آشکار نمایند.
دادهکاوی به کشف الگوهای پنهان و استخراج دانش و اطلاعات از پایگاه داده‌های بسیار بزرگ اشاره دارد.
دادهکاوی الگوریتمهایی چون دسته‌بندی، خوشهبندی، قوانین انجمنی و ... را بر روی مجموعهای از دادهها اعمال نموده و بعد از تحلیل محتویات دادهای مدلهایی را به عنوان خروجی تولید مینماید. روشهای آماری اساس کار دادهکاوی را تشکیل میدهند.
2-8-1- مقايسه روشهای آماری و دادهکاوی
با پیشرفت روزافزون علوم در گذر زمان روشهای قدیمی موجود جای خود را به روشهای نوین میسپارند تا محدودیت‌های روشهای گذشته را برطرف نمایند. علم آمار که یکی از شاخههای علوم ریاضیست نیز از این امر مستثنی نبوده و دست‌خوش تغییرات بسیاری گشته است. آمار، علمی است که به جمع آوری، توضیح و تفسیر دادهها میپردازد. اشتراک تکنیکهای آماری و دادهکاوی بیشتر در تخمین و پیشبینی است. همچنین از آزمونهای آماری در ارزیابی نتایج دادهکاوی نیز استفاده میشود. از این منظر میتوان روشهای آماری را اساس کار دادهکاوی دانست.
دادهکاوی به صورت يك محصول قابل خريداري نميباشد، بلكه يك رشته علمي و فرآيندي است كه بايد به صورت يك پروژه پيادهسازي شود. دادهها اغلب حجيم ميباشند و به تنهایی قابل استفاده نيستند، بلكه دانش نهفته در دادهها قابل استفاده ميباشد. بنابراين بهرهگيري از قدرت فرآيند دادهکاوی جهت شناسايي الگوها و مدلها و نيز ارتباط عناصر مختلف در پايگاه داده جهت كشف دانش نهفته در دادهها و نهايتاً تبديل داده به اطلاعات، روز به روز ضروريتر ميشود [11].
پايه و اساس دادهکاوی به دو مقوله آمار و هوش مصنوعي تقسيم شده است، كه روشهاي هوش مصنوعي به عنوان روشهاي يادگيري ماشين در نظر گرفته ميشوند. تفاوت اساسي بين روشهاي آماري و روشهای يادگيري ماشين بر اساس فرضها و يا طبيعت دادههايي كه پردازش ميشوند.
تفاوتهاي موجود بين روشهای آناليز آماری و روشهای دادهکاوی در جدول 2-3 نشان داده شده است.
جدول 2-3 مقایسه روشهای تحلیل آماری و دادهکاوی [11 به نقل از 14]
روشتحلیل آماریداده‌کاویفرضیهآمارشناسان همیشه با یک فرضیه شروع بکار میکنند.دادهکاو به فرضیه احتیاجی ندارد.نوع داده‌هااز داده‌های عددی استفاده میکند.ابزارهای دادهکاوی میتوانند از انواع مختلف داده و نه فقط داده عددی استفاده کنند.ایجاد روابطآمارشناسان باید رابطههایی ایجاد کنند که با فرضیه ارتباط دارد.الگوریتم‌های دادهکاوی به صورت اتوماتیک روابط را ایجاد میکنند.صحت داده‌هاآنها میتوانند داده‌های نابجا و نادرست را در طول تحلیل مشخص کنند.دادهکاوی به داده‌های صحیح و درست نیاز دارد.قابلیت تفسیرآنها میتوانند نتایج کار خود را تفسیر و برای مدیران بیان کنند.نتایج دادهکاوی نسبتاً پیچیده است و نیاز به متخصصانی جهت تحلیل و بیان نتایج به مدیران دارد.
2-8-2- مفهوم دادهکاوی
برای دادهکاوی تعاریف بسیار زیادی ارائه شده است که البته بسیاری از این تعاریف بسیار نزدیک به یکدیگرند. در بعضی منابع دادهکاوی را با اصطلاحاتی نظیر کشف دانش معادل قرار دادهاند که باید این‌گونه اصلاح شود، دادهکاوی یک گام اساسی در فرایند کشف دانش است.
اصطلاحات و عبارات بسيار ديگري نيز معادل با دادهکاوی بکار رفتهاند كه معاني مشابه و گاهی متفاوت دارند مانند، كاوش دانش از پايگاه داده، استخراج دانش، تحليل الگوي داده، لايروبی داده و باستانشناسي [11].
دادهکاوی یک گام از فرایند کشف دانش از پایگاه داده است و به الگوریتمهایی که برای استخراج الگو از دادهها بکار میرود، گفته میشود. اطلاعات حاصل میتواند به عنوان ورودی برای تشکیل مدل دسته‌بندی و یا پیشبینی، یا بهبود یک مدل موجود بکار رود [53]. دادهکاوی جستجو و یا کاوش دانش (الگوهای دلخواه) از مقادیر زیاد داده‌های موجود است [31].
در تعریفی دیگر دادهکاوی به این صورت تعریف شده است: به‌کارگیری الگوریتم‌های یادگیری ماشین برای یافتن الگوهای نهفته از ارتباطات موجود در بین عناصر دادهای موجود در یک مجموعه داده بسیار بزرگ که میتواند منجر به افزایش سود شود [26].
دادهکاوی يك متدولوژي بسيار قوي و با پتانسيل بالا ميباشد كه به سازمانها كمك ميكند كه بر مهمترین اطلاعات از مخزن داده هاي خود تمركز نمايند [52].
دادهکاوی به فرايند استخراج اطلاعات نهفته، قابل فهم، قابل تعقيب از پایگاه داده‌های بزرگ و استفاده از آنها در تصميمگيريهاي تجاري مهم اطلاق ميشود [13].
فرایند دادهکاوی را میتوان به عنوان سیستمی تصمیمیار تلقی نمود که سازمان و مدیران آن را قادر میسازد از داده‌های خام به گنجینههای دانشی دست یابند و از این دانش در مسیر اتخاذ استراتژی‌های سازمانی بهره گیرند.
اگر هرم دادهها را به صورت زير در نظر بگيريم:
شکل 2-6 سیر تکامل در هرم دانش [11]
با آگاهي از تعريف دادهکاوی و نگاهي به هرم بالا بهتر ميتوان به نقش دادهکاوی در سازمانها پي برد. دادهکاوی سبب ميشود كه سازمانها از سطح داده به سطوح بالاتر دانش و الگوهاي ناشناخته برسند. الگوهاي استخراج شده ميتوانند رابطهاي بين ويژگيها و مشخصات سيستم مانند نوع تقاضا و نوع مشتري، پيشبينيهاي آينده بر اساس مشخصات سيستم، قوانين (اگر-آنگاه) بين متغيرهاي سيستم، دستهبنديها و خوشهبنديهاي اشياء و ركوردهاي شبيه به هم در يك سيستم و غيره باشند [11 به نقل از 52].
2-8-3- دادهکاوی و کشف دانش
دادهکاوی را میتوان به عنوان ابزاری جهت کشف دانش از پایگاههای داده تعریف نمود. دادهکاوی یک گام در فرایند کشف دانش از پایگاه داده است که با استفاده از الگوریتم‌های کشف و تحلیل دادهها تعداد خاصی الگو یا مدل را از روی دادهها تولید میکند.
الگوی زیر مراحل استخراج دانش مشتری به کمک دادهکاوی در سازمان را نمایش می‌دهد.
شکل 2-7 گام‌های فرایند تولید دانش از پایگاه دادهها [31و53]
این الگو گام‌های فرایند کشف دانش از پایگاه داده را در [53] به صورت زیر نشان داده است:
چنانچه از نمایش الگوی فوق برداشت میشود، ابتدا باید شناسایی دامنه فعالیت‌های کسبوکار صورت گرفته و دسترسی به دادهها مقدور گردد. دادهها در اینجا میتواند مجموعهای از حقایق، الگوها و یا خبرگی باشد.
در مرحله بعد با توجه به اهداف تعیین شده مورد نظر ذینفعان سازمان (مدیران، کارمندان، سرپرستان شعب، کاربران، خبرگان و مشاورین فناوری اطلاعات)، رکوردهای مورد نیاز توسط دادهکاو از میان حجم عظیم داده‌های سازمان مورد نظر انتخاب میشوند. در این مرحله حجم انبوه دادهها به داده‌های هدف کاهش داده میشود.
برای آماده‌سازی بخش داده‌های انتخابی باید عملیات پیشپردازشی روی آنها صورت گیرد. این عملیات شامل جمع آوری اطلاعات لازم برای مقداردهی به مقادیر رکوردهای از قلم افتاده، تشخیص داده‌های متفاوت و هماهنگی آنها با بقیه، جمع آوری اطلاعات لازم برای اصلاح یا حذف داده‌های نامناسب میباشد. محصول این مرحله داده‌های پیش‌پردازش شده خواهد بود.
گام بعد گزینش دادهها با هدف کاهش حجم آنها و یافتن ویژگیهایی از دادهها با توجه به هدف تعیین شده برای کسبوکار خواهد بود. با کاهش حجم دادهها یا روشهای تغییرات آنها حجم دادهها میتواند به مقدار مفید و مؤثری کاهش یابد.
مرحله بعد اعمال یک یا چند الگوریتم (مانند کلاسیفایرها و یا شبکه‌های عصبی و ...) از بین الگوریتم‌های موجود و یا ابتکاری دادهکاوی بر روی دادههاست. حاصل این مرحله یک یا چند مدل و یا الگو خواهد بود.
در گام بعد با تحلیل، ارزیابی و تفسیر الگوهای معنادار کشف شده، دانش استخراج میگردد. دانش استخراج شده میتواند به صورت قواعدی مستند شود.
یک الگو زمانی میتواند به عنوان دانش تلقی شود که :
به سادگی برای افراد قابل فهم باشد.
اعتبار آن از یک حد آستانهای پایینتر نباشد.
دانش جدیدی متناسب با اهداف تعیین شده سازمان ارائه دهد.
کاربردی باشد [1].
2-8-4- فرايند دادهکاوی
دادهکاوی، فرایندی خلاقانه است که دانش و مهارتهای گوناگونی را میطلبد. وجود یک استاندارد جهت انجام این فرایند به تبدیل مشکلات کسبوکار به مسائل دادهکاوی، گزینش روشهای دادهکاوی و تبدیل دادهها متناسب با نوع کسبوکار، معنا دادن به ارزیابی اثربخشی و مستندسازی نتایج اهمیت فراوان دارد.
چرخه CRISP-DM فرایند استانداردی است که با هدف ارائه چارچوبی برای اجرای پروژههای دادهکاوی بزرگ، یا هزینه کمتر، قابلیت اطمینان بیشتر، قابلیت مدیریت بیشتر و سریعتر توسعه یافت [50].
مدل مرجع CRISP-DM نمای کلی از چرخه عمر یک پروژه دادهکاوی را نشان می‌دهد. این مدل شامل فازهای یک پروژه، کارهای لازم برای انجام هر فاز و خروجیهای هر فاز است.
چرخه عمر یک پروژه دادهکاوی چنانچه در شکل 2-8 نشان داده شده است به شش فاز شکسته میشود. توالی فازها اجباری نیست بلکه این ترتیب مرسومترین، مهمترین و پر تکرارترین وابستگی بین فازها را نشان می‌دهد. در مورد پروژههای خاص این ترتیب بستگی به این دارد که خروجی کدام فاز و یا عمل خاص نیازمند اجرای فاز بعدی است [50].
حلقه بیرونی مربوط به طبیعت پروژههای دادهکاوی است. بدین معنی که پروژه دادهکاوی با تولید یک راهکار خاص در زمان مشخص پایان نمییابد بلکه با اجرای یک دور فرایند دادهکاوی در سازمان و اجرای آن راهکار در سازمان، ممکن است نتایجی حاصل شود که سؤالات جدیدی از کسبوکار را برانگیزد و این نیازمند تکرار دو و یا چند باره چرخه خواهد بود.
شکل 2-8 متدولوژي فرآيند استاندارد ميان صنعتي دادهکاوی (CRISP-DM) [50]
مدل فرایند CRISP-DM شامل فازهای زیر میباشد:
گام درك موقعيت كسبوكار
گام درك دادهها
گام پيشپردازش دادهها
گام مدل‌سازی
گام ارزيابي
گام به‌کارگیری
در ادامه هر یک از این گامها به طور خلاصه توضیح داده میشود.
درک موقعیت کسب و کار: این گام، بخش آغازین مدل CRISP-DM میباشد که بر روی درک و تعیین اهداف و نیازمندیها از منظر کسبوکار و تبدیل این دانش به تعریف یک مسئله دادهکاوی و طراحی طرح اولیه پروژه برای دستیابی به این اهداف تمرکز دارد. در اين گام بايد متخصص دادهكاو از توان و تجربه متخصص كسب و كار بهرهمند گردد [50]. البته در يك پروژه موفق دادهکاوی اين مشاركت در گام اوليه متوقف نخواهد شد، بلكه در سراسر فرآيند دادهکاوی ادامه خواهد داشت [53].
درك دادهها: گام درک دادهها با جمع آوری داده‌های اولیه آغاز میشود و با فعالیتهایی جهت آشنایی با دادهها، شناسایی مشکلات موجود در کیفیت دادهها، اکتشاف دادهها و یا تشخیص زیرمجموعههای جالب جهت تشکیل فرضیهها برای اطلاعات مخفی پیگیری میشود. ارتباط نزدیکی بین دو گام درک موقعیت کسب و کار و درک دادهها وجود دارد. ساختار مسئله دادهکاوی و طرح پروژه به درک حداقلی از داده‌های در دسترس نیازمند است [50].
در کل میتوان گفت گام درک دادهها بر اساس سه گام جمع آوری دادهها، به‌کارگیری تحلیل اکتشافی برای دستیابی به یک دید اولیه و ارزیابی کیفیت دادهها استوار است [11].
پيشپردازش دادهها: فاز آماده‌سازی دادهها کلیه فعالیت‌های مربوط به ساخت مجموعه داده (دادهای که میتواند به عنوان ورودی ابزار مدل‌سازی مورد استفاده قرار گیرد) از داده‌های خام اولیه را در بر میگیرد. پس از گردآوري دادهها بايد خطاهاي احتمالي موجود در آنها را از بين برده و دادهها را تميز نمود [31]. فعالیت‌های مربوط به آماده‌سازی دادهها شامل ساخت جدول، ثبت دادهها و انتخاب ویژگی، پاکسازی دادهها، تشکیل ویژگی‌های جدید و تغییر شکل دادهها متناسب با ابزارهای مدل‌سازی میباشد [50].
اهمیت پیش‌پردازش دادهها به این دلیل است که اكثر دادههايي كه در پايگاههاي دادهاي وجود دارند و پيشپردازش نشده‌اند، ناقص و نويزدار هستند و داراي مشكلات احتمالي زير ميباشند:
مقادير دور افتاده يا حدي، مقادیر گم شده، صفات تكراري، دادههايي كه در فرم مناسب براي مدلسازي نيستند و دادههايي كه با عقل سليم جور در نميآيند. براي اين منظور در دادهکاوی روشهاي مختلف تميز كردن و تغيير شكل دادهها ارائه گرديده است [11].
مدلسازي: در این گام، روشهای متفاوت مدل‌سازی انتخاب و بکار گرفته میشود، و پارامترهای آنها به صورت مقادیر بهینه تنظیم میشود. بعضی از روشها ساختار دادهای خاصی را میطلبند. بین فازهای آماده‌سازی و مدل‌سازی دادهها ارتباط نزدیکی برقرار است. اغلب مشکلات دادهها حین مدل‌سازی درک میشود و یا ایدههایی برای ساخت داده‌های جدید به ذهن میرسد [50].
این گام شامل بخشهای زیر است [11]:
انتخاب و استفاده از تكنيك مدلسازي مناسب
دستكاري و تنظيم مدل براي دستيابي به نتايج بهينه
در صورت نياز برگشت به گام پيشپردازش
ارزيابي: در پروژهای که بر اساس یک یا چند مدل ساخته شده است، پیش از رسیدن به گام به‌کارگیری، مدلها باید به طور دقیق ارزیابی شوند و گام‌های اجرایی ساخت مدلها بازبینی شوند تا از حصول اهداف کسب و کار اطمینان حاصل شود [50]. مدلهاي دادهکاوی بايد به فرآيند تصميمگيري كمك كنند [31]. پس مدل زماني مفيد است كه تفسير پذير باشد زيرا انسان‌ها مايل به استفاده از اصول پیچیده در فرایند تصمیمگیری جعبه سیاه مانند خود نیستند [11].
به‌کارگیری: عموماً ساخت مدل پایان کار پروژه نیست. معمولاً دانش حاصل از این چرخه باید به صورتی سازماندهی و ارائه شود که مشتری نهایی بتواند از آن استفاده نماید. بسته به نیازمندیها، فاز به‌کارگیری میتواند به سادگی یک گزارش و یا به پیچیدگی اجرای یک فرایند دادهکاوی تکرارپذیر باشد. در بسیاری از موارد کاربر یک تحلیلگر داده نیست که گام‌های استقرار را درک نماید. بنابراین نکات لازم باید برای او توضیح و تبیین شود [50].
هر کدام از گام‌های مدل فرایند CRISP-DM که پیش از این تفسیر شد شامل کارهای مختلفی است که کارهای مربوط به هر گام و خروجی آن به طور خلاصه در جدول 2-4 آمده است.
جدول 2-4 فعالیت‌های مربوط به فازهای CRISP-DM و خروجی هر فعالیت [50]
درك كسبوكاردرك داده‌هاآماده‌سازی داده‌هامدلسازيارزيابيبه‌کارگیری-تعیین اهداف کسبوکاردرک اهداف کسب و کار و معیارهای موفقیت آن-ارزیابی وضعیتموجودی منابع، نیازمندیها، فرضیات، محدودیتها، ریسکها و احتمالات، مجموعه اصطلاحات و هزینهها و فایدهها-تعیین اهداف داده‌کاویاهداف دادهکاوی، عوامل موفقیت دادهکاوی-تولید طرح پروژهطرح پروژهتخمین اولیه ابزارها و تکنیکها-جمع آوری داده‌های اولیهگزارش جمع آوری داده‌های اولیه-توصیف داده‌هاگزارش توصیف دادهها-مرور داده‌هاگزارش مرور دادهها-ارزیابی کیفیت داده‌هاگزارش کیفیت دادهها-جمع آوری داده‌هاتوصیف مجموعه داده-انتخاب دادهمنطق انتخاب/حذف دادهها-پاکسازی داده‌هاگزارش پاکسازی دادهها-ساختاردهی داده‌هاتفکیک ویژگیهاتولید رکوردها-یکپارچگی دادهها-داده‌های یکپارچه-سازماندهی داده‌هاداده‌های مجدد سازماندهی شده-انتخاب روش مدل‌سازیروش مدل‌سازیفرضیات مدل‌سازی-تولید تستطرح تست-ساخت مدل-تنظیمات پارامترهای مدلشرح مدل-ارزیابی مدلارزیابی مدلپارامترهای اصلاح شده-ارزیابی نتایجارزیابی داده‌هاکاوش نتایج بر مبنای معیارهای موفقیت کسبوکارمدلهای بهبود یافته-بازبینی فرایندبازبینی فرایند-تعیین اقدامات بعدیلیستی از اقدامات و تصمیمات ممکن-به‌کارگیری طرحطرح توسعه-نظارت و نگهداری طرحطرح نگهداری و نظارت-گزارش نهایی پروژهگزارش نهاییارائه نهایی-بازبینی پروژهمستندات تجربی
2-8-5- معرفی روشهای دادهکاوی
روشهای دادهکاوی در یک تقسیمبندی کلی به دو دسته روشهای توصیفی و روشهای پیشبینانه تقسیم میشوند. روشهای توصیفی به خواص عمومی دادهها میپردازند. بدین ترتیب که الگوهایی قابل تفسیر توسط انسان از دادهها استخراج میکنند. در رویکرد پیشبینانه هدف پیشبینی رفتارهای آینده است. در این روشها از چند متغیر جهت پیشبینی مقادیر آینده استفاده میشود. تقسیمبندی برخی روشهای دادهکاوی در شکل 2-9 نشان داده شده است.
شکل 2-9 دسته‌بندی کلی عملکردهای دادهکاوی
در ادامه برخی از این روشها به طور مختصر معرفی خواهند شد.
2-8-5-1- دسته‌بندی
این روش از رایجترین، محبوب‌ترین و قابل درکترین روشهای دادهکاوی میباشد. در این روش هر یک از نمونهها به یکی از گروه‌ها یا دستهها تخصیص مییابد. در روش دسته‌بندی هر نمونه با تعدادی خصوصیت که یکی از این خصوصیتها صفت کلاس مربوط به آن نمونه است، شناخته میشود. برای دسته‌بندی نمونهها جهت استخراج مدل، وجود صفت کلاس برای هر نمونه الزامی است. هدف از دسته‌بندی، یافتن مدلی بر اساس خصوصیت قابل پیشبینی یا کلاس هر نمونه به عنوان تابعی از سایر ویژگی‌های آن نمونه میباشد [1]. این روش به انتساب نمونهها به دستهها بر اساس صفتی قابل پیشبینی اشاره دارد [2].
مطابق شکل 2-9 از الگوریتم‌های شاخص این روش میتوان درخت تصمیمگیری، شبکه‌های عصبی و ناوی بیز را نام برد. این الگوریتمها معمولاً به یک مقدار هدف نیاز دارند تا هر داده را به یکی از مجموعه کلاسهای از پیش تعریف شده منتسب کنند. به چنین الگوریتمهایی که برای یادگیری نیاز به مقدار هدف دارند الگوریتم‌های با ناظر گویند.
دسته‌بندی در مسائل تجاری مانند مدیریت ریسک، تبلیغات هدفمند و تحلیل روی‌گردانی مشتری کاربرد دارد.
2-8-5-2- درخت تصمیم
مهمترین مدلی که در این رویکرد استفاده میشود، درخت تصمیمگیری میباشد. در این روش درختی ساخته میشود و در هر گره از آن آزمونی بر روی یک از ویژگیها انجام میشود و داده با توجه به مقدار مشخصههای خود در راستای یکی از فرزندان گره هدایت میشود، تا جایی که داده به برگ برسد. هر برگ نشان دهنده یک دسته میباشد [11].
جدول 2-5 نمونهای از یک مسئله دسته‌بندی را نشان می‌دهد. X1 تا Xm ویژگیهایی هستند که به کمک آنها کلاس (C1 یا C2) هر یک از نمونههای U1 تا Un مشخص میشود. aij مقدار مربوط به ویژگی j از نمونه i است.
جدول 2-5 نمونه داده‌های مورد نیاز در یک مسئله مدل‌سازی به روش دسته‌بندی [1]
YXm. . .X2X1C2a1m. . .a12a11U1C1a2m. . .a22a21U2....... . ..........C2anm. . .an2an1Un
از دلایل استفاده از درخت تصمیم میتوان به موارد زیر اشاره نمود:
1. پس از تشکیل درخت تصمیم پیچیدگی محاسباتی به صورت لگاریتمی شده و کاهش مییابد.
2. میتوان قواعدی به صورت اگر-آنگاه از درخت تصمیم استخراج و از آن به صورت جداگانه استفاده نمود [11]. درخت تصمیم برخلاف شبکه‌های عصبی به تولید قانون میپردازد و نتایج بدست آمده از درخت در قالب یک سری قوانین توضیح داده میشود.
3. در درخت تصمیم برخلاف شبکه‌های عصبی لزومی ندارد دادهها به صورت عددی باشند.
از ویژگی‌های درخت تصمیم میتوان به عدم حذف دادهها در زمان دسته‌بندی، استفاده آسان، درک ساده مدل حاصل با وجود پیچیدگی کار الگوریتم ساخت درخت تصمیم و ... اشاره نمود [31].
2-8-5-3- شبکه‌های عصبی
شبكه عصبي مصنوعي يك سيستم پردازش اطلاعات است كه ویژگی‌های عملكردي مشابه شبكه عصبي بيولوژيكي دارد. شبكههاي عصبي مصنوعي به عنوان مدلهای رياضي تعميم يافته از نرون‌های بيولوژيكي يا شناخت انسان بر اساس مفروضات زير توسعه يافته است:
پردازش اطلاعات در واحدهاي بسيار سادهاي كه نرون ناميده میشوند رخ می‌دهد.
سیگنال‌های نرونها از طريق اتصالات انتقال مییابد.
هر ارتباط يك وزن دارد كه در يك شبكه عصبي متداول، در سيگنال ورودي ضرب میشود.
هر نرون يك تابع فعال سازي دارد (كه عمدتاً غيرخطي است) كه ورودي شبكه جمع و سیگنال‌های ورودي وزن را به خروجی تبديل میکند.
میتوان هر شبكه عصبي را با ویژگی‌های زير تشريح نمود:
الگوي ارتباطات بين وزن‌ها (كه معماري شبكه ناميده میشود)
روش تعيين وزن‌ها در ارتباطات (که يادگيري يا آموزش ناميده میشود)
تابع فعالسازي
عمدتاً شبکه‌های مختلف در جنبه هاي فوق متفاوت هستند و بدين طريق از هم متمايز میشوند.
هر شبكه عصبي از تعداد زيادي واحد ساده پردازش كننده كه نرونها، واحدها، سلول‌ها و يا گرهها ناميده ميشوند، تشكيل شده است. هر نرون با نرون‌های ديگر به وسيله اتصالات مستقيم مرتبط است كه هر اتصال با يك وزن نمايندگي میشود. در واقع وزن‌ها اطلاعاتي را كه براي حل مسئله مورد استفاده قرار میگیرد بازنمایی ميكند.
هر نرون يك وضعيت دروني دارد كه فعالسازي يا سطح فعاليت ناميده میشود و تابعی از ورودی‌هایی است كه دريافت میکند. هر نرون فعاليت خود را به عنوان يك سيگنال به ساير نرونها ارسال میکند. البته لازم به توجه است كه هر نرون تنها يك سيگنال در هر لحظه از زمان قادر است ارسال كند [11].
2-8-5-4- پیش بینی
این تکنیک از روشهای مهم و قدیمی دادهکاوی است که میتواند جهت پاسخگویی به مسائلی از قبیل میزان جذب سرمایهگذاری ماه آینده بانک، پیشبینی ارزش سهام در روز آینده و ... مورد استفاده قرار گیرد.
در پیشبینی مجموعهای از اطلاعات به عنوان ورودی به الگوریتم داده میشود. خروجی یک معادله ریاضی متناسب با این ورودی خواهد بود. برای پیشبینی یک متغیر در آینده دادهها را به فرمول ایجاد شده میدهیم و حاصل پیشبینی مورد نظر خواهد بود.
تفاوت این روش با روشهای دسته‌بندی در این است که در روش دسته‌بندی متغیر هدف، مقادیری گسسته دارد اما در مورد روش پیشبینی مقادیر هدف پیوستهاند [1].
از مدلهای رایج در زمینه پیشبینی میتوان به رگرسیون اشاره نمود. رگرسیون خطی و منطقی از پرکاربردترین روشهای رگرسیوناند. رگرسیون خطی رویکردی برای مدل‌سازی رابطه بین متغیرهای اسکار Y و متغیرهای پیشبینی کننده X است.
امروزه برای مدل‌سازی روابط غیرخطی و پیچیده بین متغیرهای ورودی خروجی از روشهایی مانند شبکه عصبی استفاده میشود.
2-8-5-5- خوشهبندی
خوشهبندی یا گروهبندی، تقسیم اقلام موجود در یک مجموعه داده است که به طور طبیعی با هم شباهت دارند. دادههایی که با این معیار به صورت خوشههایی تفکیک میگردند، با داده‌های موجود در خوشهای که در آن قرار میگیرند، بیشترین شباهت را دارند؛ و با داده‌های موجود در سایر خوشه‌ها متفاوتاند.
در خوشهبندی موضوعات زیر مورد توجه است:
چه تعداد از خوشه‌ها میتواند دانش نهفته در دادهها را کشف نماید؟ مسئله تعداد خوشه‌ها معمولاً به صورت جداگانه مورد بررسی قرار میگیرد.
معیارهای شباهت و تفاوت دادهها چیست؟ این معیارها خود به واسطه روشهای مختلفی محاسبه میگردد، اما در بیشتر روشهای خوشهبندی موجود از معیار فاصله فضایی دو داده از یکدیگر، استفاده میشود. فاصله فضایی میتواند با روشهای مختلفی چون فاصله اقلیدسی، فاصله مینکوفسکی و یا فاصله مانهاتان محاسبه شود.
بعد از تعیین تعداد خوشه‌ها و معیار شباهت یا فاصله دادهها، دادهها با استفاده از چه روشی در تعداد خوشههای معین جای گیرند [11].
خوشهبندی یک الگوریتم بدون ناظر در دادهکاوی است، زیرا هیچ صفتی منفردی برای هدایت فرایند Training استفاده نمیشود و همه صفات ورودی ارزش یکسان دارند [2].
تفاوت این روش با طبقهبندی در این است که در طبقه‌بندي هر داده به يک طبقه (کلاس) از پيشين مشخص شده تخصيص مي‌يابد ولي در خوشهبندي هيچ اطلاعي از کلاسهاي موجود درون دادهها وجود ندارد و به عبارتي خود خوشه‌ها نيز از دادهها استخراج ميشوند.
به طور خاص در صنعت بانکداری از الگوریتم‌های خوشهبندی در بخش‌بندی مشتریان به گروههای مشخص بر طبق الگوهای رفتاری آنها کاربرد دارد. شناسایی گروههای مشتریان بسیار برای بانک حائز اهمیت بوده و میتواند در تصمیمگیریهای کنونی و اتخاذ راهبردهای میانمدت و بلندمدت بانک راهگشا باشد.
2-8-5-5- انواع خوشهبندی
امروزه الگوریتم‌های متنوعی در زمینه خوشهبندی معرفی شدهاند. این الگوریتمها به طور کلی به سه دسته تقسیم میشوند [1]:
1- خوشهبندی سلسله‌مراتبی
در این نوع خوشهبندی خوشه‌ها به صورت متوالی به دو شیوه انباشتی و یا تقسیمکنندگی توسعه مییابند. در روش انباشتی، هر یک از نقاط به عنوان خوشه در نظر گرفته شده و سپس خوشههای مشابه باهم ادغام میگردند. در شیوه تقسیمکنندگی در ابتدا کل دادهها به عنوان یک خوشه در نظر گرفته شده و تقسیمات متوالی تا رسیدن به تعداد مناسب خوشه‌ها ادامه مییابد.
2- خوشهبندی مبتنی بر مدل
در این روش یک مدل احتمالی مشخص برای دادهها در نظر گرفته شده و سپس پارامترها برآورد میشوند. در این گروه از الگوریتمها یک مدل چگالی آمیخته مطرح میشود و فرض میشود که دادهها از مخلوط شدن تعدادی منبع داده به وجود آمدهاند. هر یک از این منابع یک خوشه بالقوه در نظر گرفته میشود.
3- خوشهبندی مبتنی بر بخش‌بندی
نام دیگر این روش خوشهبندی بر مبنای تابع هدف است که در آن اساس کار فرمولبندی تابع هدف میباشد. تابع هدف حاصل باید طبیعت مسئله را به خوبی نشان دهد تا بتوان از طریق کمینهسازی آن، ساختار معنیداری (خوشه‌ها) را در داده‌های مفروض آشکار ساخت. معروفترین و سادهترین الگوریتم خوشهبندی مبتنی بر بخش‌بندی، الگوریتم K-means است. این الگوریتم به خاطر سادگی اجرا، سادگی برنامه و کارایی آن استفاده فراوانی دارد [1]. عملکرد کلی این روش به این صورت است که هدف ایجاد K خوشه است، بدین ترتیب که عناصر درون هر خوشه نسبت به میانگین رکوردهای آن خوشه که مرکز نامیده میشود بیشترین شباهت و با مراکز دیگر خوشه‌ها بیشترین عدم شباهت را داشته باشند.
2-8-5-5-2- معیارهای ارزیابی در خوشهبندی
تکنیکهای خوشهبندی برای تخصیص هر داده به خوشه مربوطه بر اساس یکی از معیارهای شباهت و یا عدم شباهت (یا فاصله) عمل میکنند. داده، در صورتی که بیشترین شباهت را با داده‌های یک خوشه و یا بیشترین فاصله را با خوشههای دیگر داشته باشد، به خوشه منتسب میشود.
زمانی که مشاهدات به گونهای خوشهبندی شوند که هر خوشه در حداکثر تراکم باشد و حداکثر فاصله را با دیگر خوشه‌ها داشته باشند، خوشه بندی خوبی انجام‌گرفته است [11].
معیار شباهت، معیاری عددی است که میزان شباهت دو شیء داده را نسبت به یکدیگر نشان می‌دهد. هر چقدر دو شیء به یکدیگر شبیهتر باشند این معیار مقدار بالاتری دارد و معمولاً مقداری بین 0 و 1 دارد. معیارهای ارزیابی شباهت در جدول 2-6 نشان داده شده است.
n: تعداد ابعاد (ویژگی‌های) ورودی، p و q: اشیاء داده ورودی، pk و qk: kامین ویژگی یا شیء داده ورودی میباشند.
جدول 2-6 معیارهای محاسبه شباهت در خوشهبندی
نام معیارفرمول محاسبهکسینcos(d1∙d2)d1d2d1 و d2 دو بردار متن میباشندجاکاردT(p,q)=p∙qp2+p2-p∙q
معیار فاصله نیز مقداری عددی است که میزان تفاوت دو شیء داده را نشان می‌دهد. هر چقدر دو شیء داده به یکدیگر شبیهتر باشند این معیار مقدار پایینتری خواهد داشت. معیارهای ارزیابی فاصله در جدول 2-7 ارائه شده است.
جدول 2-7 معیارهای محاسبه فاصله در خوشهبندی
نام معیارفرمول محاسبهفاصله اقلیدسیdist=k=1n(pk-qk)2مینکوسکیdist=(k=1npk-qkr)1rسیتی بلاک یا مانهاتانdist=(k=1npk-qkr)1r if r=1ماهالانوبیسmahalanobis(p,q)=(p-q)-1(p-q)T
2-8-5-6- تحلیل انحراف
این روش جهت یافتن دادههایی که بسیار متفاوت از داده‌های دیگر عمل میکنند یا تغییرات چشمگیری نسبت به رفتار مشاهده شده قبلی دارند. این دادهها، دادهها پرت نام دارند. از کاربردهای این روش میتوان به کشف تقلب در کارتهای اعتباری اشاره نمود جایی که شناسایی رفتار غیر نرمال از بین میلیونها تراکنش کاری دشوار و تا حدودی ناممکن مینماید. کشف نفوذ در شبکه و تشخیص کلاه‌برداری در معاملات از دیگر کاربردهای این روش میباشد. این الگوریتم در سادهترین حالت با استفاده از سطح زیر منحنی نرمال و در نظر گرفتن مقدار معینی از انحراف معیار نمونههای متفاوت با سایرین را شناسایی مینماید [1].
یک سوءاستفاده مالی در بانک میتواند مدیران بانک را متحمل هزینههای زیادی نماید. با به‌کارگیری این الگوریتم میتوان به کشف رفتارهای مشکوک مشتریان پرداخت و در نتیجه هزینههای ناشی از این‌گونه سوءاستفادهها را کاهش داد.
2-8-5-7- قواعد وابستگی (انجمنی)
این روش برای یافتن الگوهای پر تکرار، وابستگیها، ارتباطات یا ساختارهای علی موجود در میان مجموعهای از عناصر و یا اشیاء در پایگاه داده‌های تراکنشی و یا پایگاه داده‌های رابطهای و دیگر مخازن اطلاعات به کار میرود. مثلاً اینکه چه نوع خدمات بانکی اغلب به صورت همزمان توسط یک مشتری مطالبه میشود میتواند به صورت یک قاعده از پایگاه داده‌های بانک استخراج شود [31].
قواعد وابستگی برای بیان حقایق موجود در مجموعهای از دادهها به کار میروند. بدین ترتیب که اگر بعضی وقایع رخ دهند آنگاه وقایع دیگری نیز رخ خواهند داد. اگر یک قاعده وابستگی را با X⟹Y نشان دهیم (یعنی در صورتی که X اتفاق بیافتد Y هم اتفاق میافتد)، مسئله قواعد وابستگی در اصل یافتن قواعدی است که از حداقل پشتیبانی برقرار بوده و به اندازه کافی به آنها اعتماد داشته باشیم.
2-8-5-8- تحلیل توالی
تحلیل توالی برای یافتن الگوهای موجود در بین یک مجموعه داده است. تحلیل توالی و قواعد انجمنی هر دو شامل مجموعهای از حالات، تراکنشها و یا ارتباطات هستند. تفاوت این دو روش در این است که تقدم و تأخر رخدادها در تحلیل توالی بسیار حائز اهمیت است و توالی انتقالهای بین حالتهای مختلف تحلیل میشود. در صورتی که در قواعد انجمنی تراکنشهای مختلف یک مشتری ارزش یکسان دارند. مثلاً در تحلیل توالی اینکه یک مشتری بانک از خدمات انتقال وجه بعد از واریز سود بهره گیرد یا پیش از واریز سود اهمیت دارد. اما در کشف قواعد انجمنی اینکه کدام فعالیت زودتر یا دیرتر انجام شده اهمیتی ندارد و دو تراکنش واریز سود و برداشت وجه مجموعه اقلام یکسانی را میسازند.
شکل 2-10 توالی از بازدیدهای وب را نشان می‌دهد. هر گره شامل یک گروه URL است. هر خط جهت دار انتقال بین این گرهها را نشان می‌دهد و وزن هر انتقال نشان دهنده احتمال انتقال بین این گرههاست [1].
شکل 2-10 نمونهای از توالی بازدیدها در وب
2-8-6- نرمافزار دادهکاوی
ابزارهای دادهکاوی که جهت مدیریت دانش مشتری انتخاب میشوند باید قادر باشند تا اطلاعات ضروری را از میان انبوه داده‌های در دسترس استخراج کنند. برای حصول این منظور ابزارهای دادهکاوی باید خصوصیات زیر را داشته باشند:
محیط کاربر پسند.
بهرهوری بالا
قابلیت انجام عملیات اساسی لازم
هزینه اجرای نسبتاً پایین [30].
در حال حاضر چندین نرمافزار جهت دادهکاوی توسط شرکتهای معتبر نرمافزاری عرضه شده است. نرمافزار مورد استفاده در این تحقیق SPSS Clementine 12.0 میباشد. SPSS از شرکتهای عمده آماری است که حاوی تعدادی از محصولات دادهکاوی میباشد. SPSS توسط شرکت بریتانیایی ISL در اواخر سال 1998 ارائه شد و بسته دادهکاوی Clementine را ارائه نمود.
Clementine از اولین نرم افزارهایی بود که به مفهوم جریان دادهکاوی پرداخت و به کاربر این امکان را داد که کارهایی چون پاکسازی دادهها، تبدیل دادهها و آموزش مدل را در همان محیط گردش کار انجام دهند. این نرمافزار شامل ابزارهایی برای مدیریت چرخه پروژه دادهکاوی دارا میباشد.
2-8-7- کاربردهای دادهکاوی
امروزه کاربردهای بسیار زیادی از دادهکاوی در بسیاری از زمینهها از جمله بازاریابی، علوم پزشکی، شرکتهای بیمه و مخابرات، شرکتهای تبلیغاتی و همه سازمانهایی که به علت تراکنشهای بالا و سروکار داشتن با مشتریان، دارای پایگاه داده‌های بزرگ میباشند، شناخته شده است.
این علم میتواند پیشبینی‌هایی با دقت بالا برای سازمانها انجام دهد، همچنین به مدیران و متخصصان و کارشناسان کمک میکند که بتوانند آینده شرکت و کسب و کار خود را با دقت‌های بسیار بالا پیشبینی کنند، دادهکاوی به مراکز صنعتی کمک میکند که درک و بینش صحیحی از نحوه کارکرد دستگاه‌های صنعتی پیچیده خود بدست آورند. در واقع دادهکاوی ابزاری بسیار کارا برای استفاده از دادههایی است که تولید میشوند اما استفاده‌ای از آنها نمیشود.
دادهکاوی علمی است که باعث تغییر و تحول در هر صنعت و کسب و کاری میشود و اکنون بسیاری از شرکتهای معتبر در سرتاسر دنیا توانسته‌اند با استفاده از روشهای دادهکاوی سود سالیانه خود را به اندازه چشم گیری افزایش دهند تا جایی که این شرکتها در کنار واحدهایی مانند تحقیق و توسعه، تکنولوژی اطلاعات، برنامهریزی و غیره، اقدام به تأسیس واحدهای دادهکاوی نمودهاند.
همچنین کاربردهای زیادی از دادهکاوی در زمینه صنعت بانکداری شناخته و بکار گرفته شده است. از این میان میتوان به کاربرد این ابزار در بازاریابی و مدیریت ارتباط با مشتریان (نظیر پروفایل سازی جهت جذب، حفظ و توسعه مشتری، مراقبت از مشتری، تحلیل روی‌گردانی مشتری)، کاربرد دادهکاوی در کشف تقلب و سوءاستفادههای مالی (مانند فساد مالی، سوءاستفاده از داراییها و تقلب در گزارشگری مالی)، کاربرد دادهکاوی در پیشبینی عملکرد بانک، دادهکاوی جهت ارزیابی اعتبار مشتریان بانک و دادهکاوی جهت ارزیابی عملکرد بانکها اشاره نمود [1].
2-8-7-1- دادهکاوی در صنعت بانكداری
بخش بانكداري طبق الگوي پورتر براي فعاليت در محيط رقابتي امروز با پنج نيروي رقابتي مواجه است كه يكي از آنها قدرت چانه زني مشتري است. افزايش رقابت بين بانکها، تغيير قوانين و معرفي فناوریهای جديد و خصوصاً زيرساخت اينترنتي سبب افزايش آگاهي مشتريان به همه امور شده است و در نتيجه قدرت چانه زني مشتري را بيشتر كرده است، به طوري كه مشتري قادر است در كمترين زمان به بانك ديگري رجوع كند [11].
شکل 2-11 نیروهای رقابتی پورتر [11 به نقل از 6]
صنعت بانكداري در جهان تحت تغييرات شديد در طريقه انجام كسب و كار میباشند. بانکهای پیشرو از ابزارهاي دادهکاوی براي بخشبندي، تعيين سودمندی، دسته بندي اعتبار، پيشبيني قصور در بازپرداختها، بازاريابي، تشخيص تراکنشهای متقلبانه و غيره استفاده میکنند. این ابزار به عنوان یک ابزار رقابتی در بانک شناخته شده است [11].
داده يكي از با ارزش‌ترین دارایيهاي شرکتها میباشد، اما فقط در صورتي كه بدانيم چگونه دانش در آن‌را آشكار كنيم. داده كاوی امکان استخراج دانش موجود در دادههاي تاريخي و پيش بيني پيامدهاي موقعيتهاي آينده را در اختیار میگذارد. دادهکاوی ابزار ارزشمندي میباشد كه با کمک آن يك سازمان میتواند با شناسايي اطلاعات مفيد بالقوه از مقدار اطلاعات جمع آوري شده، مزيت واضحي نسبت به رقبايش كسب نمايد [11].
كاهش هزينهاي ذخيره سازي دادهها و افزايش راحتي در ذخيرهسازي دادهها، توسعه الگوریتم‌های قوي و مؤثر يادگيري ماشين براي پردازش دادهها و كاهش هزينه قدرت محاسباتي از عواملی است که باعث گسترش و علاقه به دادهکاوی گشته است [11].
2-9- پیشینه تحقیق
از آنجاکه هوشمندی سازمانی بر کشف دانش به واسطه بهرهگیری از منابع دادهای تأکید داشته و این امکان جهت پشتیبانی اتخاذ تصمیمات در سازمانها کاربرد دارد، جای تعجب نیست که اخیراً مسائلی چون مدیریت دانش مشتری، مدیریت ارتباط با مشتری، دادهکاوی و ترکیب این زمینهها مطالعات بسیاری را به خود اختصاص دادهاند. در این میان بانکها به دلیل ماهیت ارتباط خود با مشتریان و حجم زیاد تراکنشها و داده‌های برجای مانده از آنها توجه ویژهای را میطلبند.
مدهوشی و همکاران در [21] اثر مدیریت دانش مشتری (CKM) بر مدیریت ارتباط با مشتری (CRM) را توسط ابزارهای آماری بررسی و تحلیل نمودند. در این مطالعه برای جمع آوری دادهها، پرسشنامهای بین 1440 نفر از مدیران، معاونان و کارشناسان شعب بانک ملی استان مازندران توزیع شد. داده‌های حاصل توسط نرمافزارهای SPSS و LISREL مورد تجزیه و تحلیل قرار گرفت. تست نتایج آزمون با روش آلفای کرونباخ، ضریب ثابت 94.78 را نشان داد. نتایج آزمون کولموگروف-اسمیرنوف نشان داد که متغیرهای CKM و CRM نرمال هستند. به منظور تست اولویت اجزای CKM و CRM آزمون کروسکال-والیس را اجرا شد. سپس با استفاده از تست رگرسیون همبستگی، ارتباط بین CKM و CRM مورد مطالعه قرار گرفت. در نتیجه آنها نشان دادند که ارتباط معنیداری بین CKM و CRM وجود دارد. در نهایت تحلیل برازش منحنی ریشه متوسط خطای مربعی کمتر 0.10 و شاخصهای مناسب بودن برازش بیشتر از 0.90 را نشان داد که این نتایج حاکی از تأثیر CKM بر CRM در بانک ملی ایران، شعب مازندران بوده است.
همان‌طور که پیش از این اشاره شد تا به امروز زمینه‌های بسیاری از کاربرد دادهکاوی در صنعت بانکداری شناخته شده و این زمینهها مطالعات و تحقیقات زیادی را به خود تخصیص دادهاند. از جمله این کاربردها میتوان به کاربرد دادهکاوی در بخش‌بندی مشتریان و مدل‌سازی رفتاری آنها با اهداف پیشبینی ارزش طول عمر مشتری (CLV) یا ارائه سرویس مناسب به مشتریان بالقوه در مسیر اجرای CRM، کاربرد دادهکاوی در رتبهبندی اعتبار مشتریان متقاضی وام، کاربرد دادهکاوی در زمینه تحلیل روی‌گردانی مشتریان بانک، کاربرد دادهکاوی در زمینه کشف تقلب و سوءاستفادههای مالی، کاربرد دادهکاوی در زمینه پیشبینی عملکرد بانک و کاربرد دادهکاوی در ارزیابی عملکرد بانکها و ... اشاره نمود [1].
از این رو در بخش پیشینه تحقیق، بررسی مطالعات صورت گرفته به تفکیک کاربرد مطرح خواهد شد.
2-9-1- کاربرد دادهکاوی در بخش‌بندی و مدل‌سازی رفتاری مشتریان در صنعت بانکداری
با در نظر گرفتن این اصل که برای موفقیت در کسب و کار درک کامل مشتریان ضروری است و از آنجا که مشتریان سازمان نیازها و روحیات متفاوتی دارند میتوان گفت استفاده از استراتژیهایی چون بازاریابی مستقیم جهت ارائه و معرفی خدمات و محصولات جدید سازمان به مشتریان چندان کارامد نخواهد بود. از این رو تکنیکهای رتبهبندی مشتریان به مدیران امکان خواهد داد تا با هر مشتری بر اساس علایق و خواستههای او برخورد نموده و از ویژگی‌های مربوط به هر دسته جهت اتخاذ استراتژی‌های متناسب بهره گیرد.
مؤمنی و همکاران در [8] به لزوم ارتباط با مشتری در بانکها پرداختهاند. در این مقاله اشاره شده که طبق قاعده معروف 80/20 پارتو معمولاً 20 درصد مشتریان، 80 درصد سودآوری سازمان را منجر میشوند. بنابراین دسته‌بندی مشتریان میتواند ابزار شناسایی این گروه طلایی و ارائه خدمات بیشتر به آنها بوده و سود بیشتر سازمان را برای سازمان به ارمغان آورد. در ادامه به کاربردهای دادهکاوی در صنعت بانکداری اشاره شده و به طور خاص دادهکاوی جهت امتیازدهی و برآورد اعتبار مشتریان پرداخته شده است. در این مطالعه مشتریان از نظر اعتبار به چهار دسته تقسیم شده و مشتریان متقاضی اعتبار جدید نیز بر مبنای مدل حاصل دسته‌بندی میشوند.
هسيه در [35] به تحقيقي تحت عنوان «مدل يكپارچه دادهکاوی و رتبهبندي رفتاري براي تجزيه و تحليل رفتار مشتريان بانک» پرداخته است. اين تحقيق مدلي ادغامی از دادهکاوی و مدل رتبهبندي مشتريان جهت مديريت كارتهاي اعتباري مشتریان در بانك ارائه ميدهد. در اين تحقيق جهت ساخت مدلي براي شناسايي الگوي رفتاري مشتريان از شبكههاي عصبي و روش خود سازمان دهنده، استفاده گرديده است. در ابتدا مشتريان بانك با استفاده از تكنيكهای SOM خوشهبندي گرديده و سپس با استفاده از قوانين وابستگي متغيرهاي رفتاري كه بيشترين ارتباط را با يكديگر دارند شناسايي گرديدهاند. اين تحقيق مشتريان بانك را به سه گروه اصلي تقسيم مينمايد. اين مطالعه نشان ميدهد كه شناسايي مشخصههاي مشتريان با استفاده از مدل رتبهبندي رفتاري مفيد ميباشد و توسعه استراتژيهاي بازاريابي را تسهيل مينمايد.
حسینی در [11] از تكنيكهاي هوشمند دادهکاوی جهت مدیریت ارتباط با مشتریان بانک پارسیان بهره گرفته است. او در پایاننامه خود با تركيب دو دسته از متغيرها، 30 متغير براي بررسي الگوي رفتاري مشتريان شناسايي نموده و با استفاده از شبكه عصبي كوهنن ماتريس نرونهاي خروجي شبكه 3*5 را تشخيص داده و مشتريان را در 13 خوشه تقسیم نمود. در ادامه این تحقیق ارائه سرويسهاي بانكي مناسب به مشتريان بالقوه با استفاده از تكنيكهاي دادهکاوی را مورد بررسی قرار داده و نتايج بدست آمده حاكي از آنست كه از 21 سرويس در نظر گرفته شده بانک پارسیان كه شامل اعلام موجودي، دريافت صورت حساب، پرداخت قبض، برداشت وجه، انتقال وجه، عمليات مربوط به چك از كانالهاي مختلف بانكي شامل دستگاه ATM، اينترنت، موبايل، تلفن و پايانههاي خريد POS ميباشد، 12 سرويس در گروه مورد نظر بيشترين استفاده را داشته است. کشف این مسئله که كدام دسته از مشتريان سودمندي لازم را براي نگهداري دارند و جلوگيري از هزينههاي اضافي تبليغات به صورت گسترده با ارائه سرويسهاي مناسب به مشتريان بالقوه، از نتایج این بررسی اعلام شده است.
مقاله [23] به خوشهبندی مشتریان با خصوصیات رفتاری مشابه (RFM) با هدف تخمین وفاداری مشتری جهت تسهیل اتخاذ استراتژی و پیشنهاد سرویسهای متناسب هر گروه با ترکیب روشهای دادهکاوی و ارزش طول عمر مشتری (CLV)، پرداخته است. در این تحقیق از داده‌های جمعیت شناختی و داده‌های مربوط به تراکنشهای مالی مشتریان (RFM) مربوط به شرکت ایرانی ساپکو به عنوان ورودی استفاده شد. این مقاله رویه جدیدی را بر مبنای مدل RFM توسعه یافته که شامل یک پارامتر اضافی است معرفی مینماید. در این رویه، روش RFM وزن دار با الگوریتم K-Means در دادهکاوی ترکیب شده و از روش دیویس- بولدین برای محاسبه مقدار بهینه K استفاده شده است و نهایتاً مشتریان بر مبنای وفاداری به محصولات شرکت ساپکو ایران دسته‌بندی شدند. نتایج حاصل نشان داد قابلیت سازمان برای جلب وفاداری مشتریان خود با استراتژیهایی که با توجه به این دسته‌بندی بکار برد در مقایسه با روش معمول انتخاب تصادفی که در اکثر سازمانها در ایران بکار میرود، افزایش چشمگیری داشته است.
2-9-2- کاربرد دادهکاوی در ارزیابی اعتبار مشتریان
عبدو و همکاران در [29] به مطالعه داده‌های مشتریان یک بانک مصری که از این بانک وام گرفته بودند پرداختند. در این مطالعه مشتریان بانک از لحاظ اعتبار دسته‌بندی شدند. الگوریتم‌های بکار رفته در این مقاله شبکه‌های عصبی احتمالی و چند لایه و رگرسیون لاجیت و ورودیهای این الگوریتمها اطلاعات شخصی مشتری شامل سن، درآمد ماهانه، جنسیت، وضعیت تأهل، وضعیت مسکن، مقدار وام، مدت بازپرداخت و... بوده است. در این تحقیق عملکرد شبکه‌های عصبی احتمالی و چند لایه با روشهای مرسوم مانند آنالیز تفکیکی، رگرسیون منطقی و آنالیز بر اساس حداقل انحراف از میزان متوسط مقایسه شده است. نتایج حاصل بیانگر این مسئله است که رگرسیون لاجیت با 88% پیشبینی صحیح عملکرد بهتری نسبت به روشهای مرسومی که نام برده شد، داشته است؛ و در مقایسه کلی شبکه عصبی با 96% دقت بهترین عملکرد را داشته است.
لی و همکاران در [22] یک روش ترکیبی جدید برای انتخاب داده‌های ورودی دسته‌بندی مشتریان بانک جهت ارزیابی اعتبار آنان معرفی کردهاند. در این مقاله رویکردی ترکیبی که حاصل ترکیب رویکردهای انتخاب ویژگی موجود (آنالیز ترکیبی خطی، تئوری مجموعههای ناهموار، درخت تصمیم و روش Fscore) با روش ماشین بردار پشتیبان است برای انتخاب متغیرها معرفی شده و در ادامه مقایسهای بین رویکردهای ترکیبی بر پایه SVM به منظور انتخاب ویژگیها صورت گرفته است. در این تحقیق از داده‌های معروف مربوط به کارتهای اعتباری UCI مربوط به کشور آلمان و استرالیا استفاده شد. تمرکز مقاله بر یافتن مرتبطترین ویژگیها با اهداف منظور است و بیان میشود که مسئله مهم نه فقط کاهش حجم متغیرهای ورودی بلکه حذف نویزهای ورودی نیز میباشد. نتایج حاصل نشان میدهند که عملکرد روشها به صورت ترکیبی در انتخاب ویژگی‌های ورودی بسیار بهتر از عملکرد هر یک از این روشها به طور منفرد است.
[18] ایجاد یک ارتباط محکم و بلند مدت و مثمر ثمر با مشتریان را هسته اصلی CRM، و درک درست از مشتری را اساس افزایش ارزش طول عمر مشتری (CLV) دانسته است. در این مقاله، هدف از بخش‌بندی مشتری، ایجاد گروههای سودآور و در حال رشد بر پایه ویژگی‌های مشترک آنهاست که سازمان را قادر میسازد تا هر گروه را با پیشنهاداتی خاص مورد هدف قرار دهد. این امر بدون استفاده از روشها و راهکارهای هوشمند برای تحلیل دادهها میسر نیست. تمرکز این مقاله بر روی بخش‌بندی استراتژی محور مشتریان سازمان در جهت تلاش برای به حداکثر رساندن پتانسیل مشتری که با اهمیت‌ترین منبع در کسب و کار است، میباشد. این مقاله بر بخش‌بندی اعتبار مشتریان در صنعت بانکداری تمرکز دارد و در مطالعه موردی خود از شبکه‌های عصبی چند لایه با بازخورد رو به جلو برای بخش‌بندی مشتریان به دو دسته استفاده نموده است: مشتریانی که با پرداخت مشکل دارند یا با پرداخت مشکلی ندارند.
2-9-3- کاربرد دادهکاوی در زمینه کشف تقلب
چن و همکاران در [24] به دسته‌بندی مشتریان جهت کشف تقلب و سوءاستفادههای مالی و شناسایی بعضی از عوامل کلیدی برای تشخیص تقلب خریداران و فروشندگان در معاملات آنلاین توسط کارت اعتباری پرداختهاند. به این منظور از داده‌های مربوط به یک دوره سه ماهه مزایدات آنلاین فروش لپ تاپ استفاده شده است. تکنیک مورد استفاده در این تحقیق رگرسیون لاجیت بوده که برخی از ویژگی‌های مربوط به داده‌های اولیه ورودی آن مبلغ اولیه پیشنهادی، مدت زمان انجام مزایده، سود مزایده، میزان اعتبار فروشنده و قیمت بهایی مزایده بوده است که اعتبار فروشنده به عنوان یک عامل مهم در تشخیص تقلب استفاده شده است. در نهایت دقت مدل پیشنهادی 91% محاسبه شده که دقت نسبتاً قابل قبولی میباشد.
2-9-4- کاربرد دادهکاوی در تحلیل روی‌گردانی مشتری
مسئله حفظ مشتری و افزایش وفاداری او به سازمان از مسائلی است که هسته اصلی بحث ارتباط با مشتری را تشکیل می‌دهد. با تحلیل داده‌های بر جای مانده از مشتریانی که سازمان را ترک نمودهاند، قوانین و الگوهایی حاصل میشود که میتوان به کمک آنها مشتریانی که احتمال میرود در آینده نزدیک سازمان را ترک کنند و به سوی رقیب بروند شناسایی نمود. بدین ترتیب مدیران میتوانند با اخذ تصمیماتی جهت بهبود ارتباط با این‌گونه مشتریان مانع از روی‌گردانی آنان گردند.
در [19] از الگوریتم‌های دادهکاوی جهت ساخت مدلی به منظور پیشبینی روی‌گردانی مشتریانی که از کارت اعتباری استفاده میکنند استفاده شده است. این تحقیق بر روی پایگاه داده مشتریان یک بانک چینی صورت گرفته و از چهار دسته متغیر اطلاعات مشتری، اطلاعات کارت اعتباری، داده‌های مربوط به ریسک مشتری و اطلاعات مربوط به تراکنشها استفاده شده که در مجموع شامل 135 متغیر میباشد. از بین این متغیرها 95 متغیر با توجه به همبستگی بین آنها برای انجام مراحل بعدی انتخاب شدند. در این تحقیق مشتری روی‌گردان فردی تعریف شده که در طول دوره مشاهده دوازده ماهه هیچ تعاملی را با بانک نداشته است. در این تحقیق الگوریتم‌های رگرسیون و درخت تصمیم جهت دسته‌بندی مشتریان انتخاب شده و نتایج تحقیق نشان داد که عملکرد مدلهای رگرسیونی کمی بهتر از عملکرد درختهای تصمیم بوده است. در این تحقیق یک فاصله یک ساله به عنوان دوره ارزیابی عملکرد در نظر گرفته شد.
[28] تأکید میکند که روی‌گردانی مشتری در بانکهای چینی مورد تأکید زیادی قرار گرفته است. این بانکها تلاش میکنند با منابع محدودی که در اختیار دارند به حداکثر رضایت مشتریان دست یابند. در این مقاله از یک روش یادگیری جدید به نام جنگلهای تصادفی متوازن بهبود یافته (IBRF) جهت تعدیل مشکل بحث برانگیز عدم توازن در توزیع دادهها در تحلیل روی‌گردانی مشتری استفاده شده است. در این مطالعه اثربخشی رویکرد جنگل تصادفی استاندارد و روشهای مختلف نمونهبرداری نیز در پیشبینی روی‌گردانی مشتری نیز بررسی شده و با عملکرد IBRF مورد مقایسه قرار گرفت. این روش بر روی داده‌های واقعی مربوط به روی‌گردانی مشتری یک بانک چینی اعمال شده و مشخص شد که این روش به طور قابل توجهی دقت پیشبینی را در مقایسه با سایر الگوریتمها مانند شبکه‌های عصبی مصنوعی، درختهای تصمیم و ماشین بردار پشتیبان بهتر عمل کرده است. این روش در مقایسه با سایر الگوریتم‌های جنگل تصادفی مانند الگوریتم جنگل تصادفی متوازن و الگوریتم جنگل تصادفی وزندار بهتر عمل کرده است.
[20] بیان میکند که از منظر اقتصاد و مدیریت ریسک، درک ویژگی‌های مشتری جهت حفظ مشتری ضروری به نظر میرسد و لازم است سازمانها بین مشتریان معتبر و مشتریان بد تمایز قائل شوند. این مقاله تئوری مجموعههای ناهموار را که یک روش تصمیمگیری بر اساس قوانین است، برای استخراج قوانین مرتبط با روی‌گردانی مشتری بکار میگیرد. سپس از گراف شبکه جریان که یک رویکرد وابسته به مسیر است برای کشف قوانین و متغیرهای تصمیمگیری استفاده مینماید و در نهایت ارتباط بین قوانین و انواع مختلف روگردانی را نشان می‌دهد. این تحقیق بر روی نمونهای 21000 نفره از مشتریان صورت گرفته و آنها را به سه دسته مشتریان پایدار، روی‌گردانی داوطلبانه و روی‌گردان غیر داوطلبانه تقسیم میکند. متغیرهای ورودی این تحقیق را متغیرهای جمعیتشناختی، روان‌شناختی و تراکنشهای مربوط به این گروه از مشتریان تشکیل میدهند. نتایج نشان داد که این مدل ترکیبی پیشگویی خوبی از روی‌گردانی مشتری داشته و اطلاعات مفیدی برای تصمیم گیران در تدوین استراتژی‌های بازاریابی فراهم میکند.
جدول 2-8 پژوهش‌های انجام‌گرفته در زمینه کاربرد دادهکاوی در صنعت بانکداری
شماره مرجعهدفروش‌های مورد استفادهورودیهاکاربرد دادهکاوی در بخش‌بندی و مدل‌سازی رفتاری مشتریان در صنعت بانکداری[23]بخش‌بندی مشتریان جهت تخمین وفاداری مشتریداده‌های جمعیتشناختی، داده‌های وزندار مربوط به تراکنشهای مالی (WRFM) مشتریان شرکت ایرانی ساپکوخوشه‌بندی با استفاده از روش K-means و SOM[8]دسته‌بندی مشتریان جهت شناسایی مشتریان طلایی طبق اصل 20/80 پارتواطلاعات مربوط به مشتریان وام گیرنده از بانکشبکه‌های عصبی[35]شناسایی الگوی رفتاری مشتریانمتغیرهای جمعیتشناختی، متغیرهای RFM مشتریان بانک و لیستی از خدمات قابل ارائه توسط بانکشبکه‌های عصبی، خوشهبندی توسط تکنیکهای خود سازمان دهنده (SOM) و الگوریتم Apriori برای شناسایی وابستگی متغیرهای رفتاری[11]بخش‌بندی مشتریان جهت مدیریت ارتباط با آنان و کشف سرویسهای مرتبط با هر بخشمتغیرهای جمعیتشناختی، متغیرهای RFM مشتریان بانک و لیستی از خدمات ارائه شده توسط بانک.مورد مطالعه: بانک پارسیانشبکه‌های عصبی، خوشهبندی توسط تکنیکهای خود سازمان دهنده (SOM) و الگوریتم Apriori برای کشف وابستگی بین خدمات ارائه شده توسط بانک با مشتریان.کاربرد دادهکاوی در ارزیابی اعتبار مشتریان[22]دسته‌بندی مشتریان بانک جهت ارزیابی اعتبار آنهاداده‌های مربوط به کارت اعتباری UCI مربوط به کشور آلمان و استرالیارویکردی ترکیبی که حاصل ترکیب رویکردهای انتخاب ویژگی موجود (آنالیز ترکیبی خطی، تئوری مجموعههای ناهموار، درخت تصمیم و روش Fscore) با روش ماشین بردار پشتیبان[18]بخش‌بندی اعتبار مشتریان در صنعت بانکداری به دو دسته: مشتریانی که با پرداخت مشکل دارند یا با پرداخت مشکلی ندارندمجموعه داده‌های اعتباری مشتریانشبکه‌های عصبی چند لایه با بازخورد رو به جلو[29]دسته‌بندی مشتریان از لحاظ اعتبار بازپرداخت واماطلاعات شخصی مشتری (همچون سن، درآمد ماهانه، جنسیت، وضعیت مسکن و...) و اطلاعات وام (شامل مقدار وام و مدت بازپرداخت وام و ...)الگوریتم شبکه‌های عصبی احتمالی و چند لایه و رگرسیون لاجیتکاربرد دادهکاوی در زمینه کشف تقلب[24]دسته‌بندی مشتریان جهت کشف تقلب و سوءاستفادههای خریداران و فروشندگان در معاملات آنلاین توسط کارت اعتباریداده‌های مربوط به یک دوره سه ماهه مزایدات آنلاین فروش لپ تاپ (شامل ویژگی‌های مبلغ اولیه پیشنهادی، مدت زمان انجام مزایده، سود مزایده، میزان اعتبار فروشنده و قیمت بهایی مزایده)رگرسیون لاجیتکاربرد دادهکاوی در تحلیل روی‌گردانی مشتری[19]پیشبینی روی‌گردانی مشتریان از کارت اعتباریپایگاه داده 12 ماهه مشتریان یک بانک چینی (شامل 95 متغیر از 135 متغیر مربوط به اطلاعات مشتری، اطلاعات کارت اعتباری، داده‌های مربوط به ریسک مشتری و اطلاعات مربوط به تراکنشها)الگوریتم‌های رگرسیون و درخت تصمیم جهت دسته‌بندی مشتریان[28]روی‌گردانی مشتری در بانکهای چینی جهت دستیابی به حداکثر رضایت مشتریانداده‌های واقعی مربوط به روی‌گردانی مشتری یک بانک چینیجنگلهای تصادفی متوازن بهبود یافته (IBRF)[20]استخراج قوانین مرتبط با روی‌گردانینمونهای 21000 نفره از مشتریان (شامل متغیرهای جمعیتشناختی، روان‌شناختی و تراکنشهای مربوط به این گروه از مشتریان)تئوری مجموعههای ناهموار و گراف شبکه جریان
نگاي در [25] به مرور و دسته بندي ادبيات در زمينه كاربردهاي دادهکاوی در مديريت ارتباط با مشتري پرداخته است. در اين تحقيق ضمن بيان ضرورت كاربردهاي تکنیکهای دادهکاوی در مديريت ارتباط با مشتري به دستهبندي تکنیکها و مقايسه روشهای دادهکاوی در اين زمينه پرداخته است. در انتها چارچوبي جهت انجام تحقيقات آتي در زمينه كاربردهاي دادهکاوی در حوزه مدیریت ارتباط با مشتری ارائه شده است.
2-10- جمع‌بندی مطالب فصل
در این فصل ابتدا به تعاریف و مفاهیم پایه مرتبط با موضوع تحقیق پرداخته شد و مفاهیمی چون مدیریت دانش، مدیریت دانش مشتری، مدیریت ارتباط با مشتری و دادهکاوی معرفی شدند. در نهایت پیشینه تحقیق مورد بررسی قرار گرفت.
به طور خلاصه میتوان گفت با تبدیل مشتری به یک دارایی مهم و ارزشمند سازمان و تعیین دانش به عنوان عامل پویایی و بقای سازمان، مباحثی چون مدیریت دانش مشتری در میان محققان جایگاه ویژهای یافت. مدیریت دانش میتواند مزایایی چون تسهیم و اشتراک دانش و صرفهجویی در زمان و ... را به دنبال داشته باشد. بهرهگیری از این مزایا منجر به حفظ بقای سازمان در محیط متلاطم و پر رقابت کسب و کار امروز خواهد بود.
مدیریت ارتباط مشتری سنتی ابزاری جهت ارتباط با مشتریان و تلاش جهت حفظ وفاداری آنها بود. اما خلأ بزرگ آن عدم بهرهمندی از مدیریت دانش مشتریان بود. اما زمانی که مدیریت ارتباط مشتری، مدیریت دانش را جهت کسب دانش مشتری بکار گیرد فرایند مدیریت دانش مشتری خواهیم داشت. ابزار حاصل کمک خواهد کرد ارتباط سازمان با مشتریان از حالت منفعل خارج شده و با مشتری به عنوان شریک دانشی سازمان ارتباط برقرار نماید.
مدیریت دانش مشتری با ترکیب هر دو رویکرد فناوری محور و دادهگرا در بحث مدیریت ارتباط با مشتری و رویکرد فرد گرا در بحث مدیریت دانش با هدف بهرهگیری از پتانسیل همافزای هر دوی آنهاست [41]. نتیجه این مسئله میتواند توصیف شیواتر دانش برای مشتری، دانش درباره مشتری و دانش از سوی مشتری باشد. بنابراین این امکان وجود خواهد داشت که محصولات و خدمات جدید به گروه مناسب از مشتریان تحویل شود. بنابراین ریسک شکست محصول جدید کاهش خواهد یافت [27].
از آنجا که به طور مشخص، در نظام بانکی، مشتری سودمندترین و مهمترین رکن این سازمان میباشد، تمرکز و مطالعه بر اطلاعات و رفتار مشتریان و کشف دانش موجود و بهرهگیری از دانش کشف شده جهت اتخاذ استراتژی‌های کسبوکار میتواند در مسیر جذب و حفظ مشتریان و افزایش حس رضایت آنها مؤثر باشد.
در این مسیر ابزار دادهکاوی جهت کشف دانش مشتریان گردید. فرایند دادهکاوی به سازمانها کمک میکند تا انبوه داده‌های مشتریان را تحلیل نمایند و اطلاعات مفید را از آنها استخراج نموده و مزیت رقابتی را نسبت به دیگران کسب نمایند [30].
لازم به ذکر است جزییات دقیق روش انتخابی جهت دادهکاوی در فصلهای آینده به تفصیل مورد بحث قرار خواهد گرفت.
منابع و مآخذ
[1] شهرابی، جمال، هداوندی، اسماعیل، "دادهکاوی در صنعت بانکداری"، انتشارات جهاد دانشگاهی واحد صنعتی امیرکبیر، 1390، صص 25-70.
[2] مینائی، بهروز، نصیری، مهدی، حسنی، دانیال، شناسا، ابراهیم، آموزش گام به گام دادهکاوی با Clementine، انتشارات گروه مهندسی-پژوهشی ساحر، چاپ اول، پاییز 1390.
[3] الهی، شعبان، حیدری، بهمن، مدیریت ارتباط با مشتری، تهران، شرکت چاپ و نشر بازرگانی، 1387.
[4] افراز، ع.، مدیریت دانش (مفاهیم، مدلها، اندازهگیری و پیادهسازی)، چاپ اول، انتشارات دانشگاه صنعتی امیرکبیر، 1384.
[5] تقوی، مهدی، اقتصاد کلان، انتشارات دانشگاه پیام نور، صص 176-185.
[6] علی احمدی، علیرضا. ابراهیمی، مهدی. سلیمانی ملکان، حجت، برنامه ریزی استراتژیک فناوری اطلاعات و ارتباطات، انتشارات تولید دانش، تهران، 1383.
[7] شامی زنجانی، مهدی، نجفلو، فاطمه، ارائه چارچوبی مفهومی برای نوعشناسی دانش مشتری: یک مطالعه موردی، مدیریت فناوری اطلاعات، دوره 3، شماره 9، صص 163-189، زمستان 1390.
[8] مؤمنی، حمیدرضا و همکاران، "استفاده از تکنیک دادهکاوی در مدیریت ارتباط با مشتریان در نظام بانکی"، کنفرانس ملی فناوری اطلاعات و جهاد اقتصادی، دانشگاه سلمان فارسی، کازرون، اسفند 1390.
[9] برزین پور، فرناز، اخوان، پیمان، زارع مقدم، زینب، ارائه چارچوب مفهومی عوامل و مؤلفههای مدیریت دانش مشتری در بانک ملی، نشریه علمی پژوهشی مدیریت فردا، سال هشتم، شماره 24، پاییز 1389.
[10] شهرکی، علیرضا، چهکندی، محسن، ملاشاهی، علیرضا، بررسی سیستم مدیریت ارتباط با مشتری در نظام بانکی ایران، 2010.
[11] حسینی بامکان ، سید مجتبی، پایان نامه کارشناسی ارشد، بکارگیری تکنیکهای داده کاوی جهت بهبود مدیریت ارتباط با مشتری در صنعت بانکداری (مطالعه موردی: بانک پارسیان)، استاد راهنما، دکتر محمدرضا تقوا، دانشکده حسابداری و مدیریت، دانشگاه علامه طباطبایی، 1388.
[12] ترابی، مصطفی، عوامل مؤثر بر بكارگيري خدمات موبايل بانك توسط مشتريان مورد مطالعه بانک تجارت، پایان نامه کارشناسی ارشد، به راهنمای، دکتر تقوی فرد، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبائی، 1378.
[13] ناوی، مانیا، شناسايي مولفه هاي تشكيل دهنده بار با استفاده از تكنيك داده كاوي، پایان نامه کارشناسی ارشد، استاد راهنما، دکتر محسن پارسا مقدم، دانشکده فنی و مهندسی، دانشگاه تربیت مدرس، 1387.
[14] حسین زاده، لیلا، دسته بند ي مشتر يان هدف در صنعت بيمه با استفاده از داده كاوي، پایان نامه کارشناسی ارشد، استاد راهنما، دکتر شعبان الهی، دانشکده انسانی، دانشگاه تربیت مدرس، 1386.
[15] جمالي فيروز آبادي، کامران، دارنده، احسان، ابراهيمي، سيد بابک، ارائه چارچوب مدیریت دانش مشتری (CKM) بر مبنای استقرار همزمان KM و CRM در سازمان، مجموعه مقالات مهندسی صنایع و نرمافزار، 1385.
[16] نوروزیان، م، کاربرد مدیریت دانش در بخش دولتی، مجله تدبیر، شماره 176، 1385.
[17] همایونی، سید مهدی، محتشمی، الهام، اسفندیاری، علیرضا، مدیریت دانش مشتری، کنفرانس بینالمللی مدیریت بازاریابی، شهریور 1385، صص 3-12.
[18] Bosjank,z. , "Credit users segmentation for improved customer relationship management in banking", Applied Computational Intelligence and Informatics (SACI), IEEE , 2011, pp. 379 - 384.
[19] Nie, Guangli, et al. "Credit card churn forecasting by logistic regression and decision tree." Expert Systems with Applications 38.12 (2011) : 15273-15285.
[20] Lin, Chiun-Sin, Gwo-Hshiung Tzeng, and Yang-Chieh Chin. "Combined rough set theory and flow network graph to predict customer churn in credit card accounts." Expert Systems with Applications 38.1 (2011) : 8-15.
[21] Madhoushi, Mehrdad and et al., "Survey of Customer Knowledge Management Impact on Customer Relationship Management: (Iranian study)", International Journal of Business and Social Science, Vol. 2, No. 20, November 2011.
[22] Lee, Byungtae and et al., "Empirical analysis of online auction fraud: Credit card phantom transactions", Expert Systems with Applications, vol 37, pp. 2991–2999, 2010.
[23] Hosseini, Seyed Mohammad Seyed, Anahita Maleki, and Mohammad Reza Gholamian. "Cluster analysis using data mining approach to develop CRM methodology to assess the customer loyalty." Expert Systems with Applications 37.7 (2010): pp. 5259-5264.
[24] Chen, Fei-Long and et al., "Combination of feature selection approaches with SVM in credit scoring", Expert Systems with Applications, vol 37, pp. 4902–4909, 2010.
[25] Ngai, Eric WT, Li Xiu, and D. C. K. Chau. "Application of data mining techniques in customer relationship management: A literature review and classification." Expert Systems with Applications 36.2 (2009): 2592-2602.
[26] Nisbet, Robert, John Fletcher Elder, and Gary Miner. Handbook of statistical analysis and data mining applications. Academic Press, 2009.
[27] Rezvani, Zeinab, New Product Development Based on Customer Knowledge Management, Master Thesis, Luleå University of Technology, pp.25-35, 2009.
[28] Xie, Yaya, et al. "Customer churn prediction using improved balanced random forests." Expert Systems with Applications 36.3 (2009) : 5445-5449.
[29] Abdou, Hussein et al., "Neural nets versus conventional techniques in credit scoring in Egyptian banking", Expert Systems with Applications, vol 35, pp. 1275–1292, 2008.
[30] Ranjan, Jayanthi, A Review of Data Mining Tools In Customer Relationship Management ,Journal of Knowledge Management Practice, Vol. 9, No. 1, March 2008.
[31] Han, Jiawei, and Micheline Kamber. Data mining: concepts and techniques. Morgan Kaufmann, 2006.
[32] Paquette, Scott. "Customer knowledge management." Encyclopedia of Knowledge Management (2006): 90.
[33] Rollins, Minna, and Aino Halinen. "Customer knowledge management competence: towards a theoretical framework." System Sciences, 2005. HICSS'05. Proceedings of the 38th Annual Hawaii International Conference on. IEEE, 2005.
[34] Feng, Tian-Xue, and Jin-Xin Tian. "Customer knowledge management and condition analysis of successful CKM implementation." Machine Learning and Cybernetics, 2005. Proceedings of 2005 International Conference on. Vol. 4. IEEE, 2005.
]35[ Hsieh, Nan-Chen. "An integrated data mining and behavioral scoring model for analyzing bank customers." Expert Systems with Applications 27.4 (2004): 623-633.
[36] Bose, Ranjit, and Vijayan Sugumaran. "Application of knowledge management technology in customer relationship management." Knowledge and process management 10.1 (2003): 3-17.
[37] Gebert, Henning, et al. "Knowledge-enabled customer relationship management: integrating customer relationship management and knowledge management concepts [1]." Journal of knowledge management 7.5 (2003): 107-123.
[38] Gibbert, Michael, Marius Leibold, and Gilbert Probst. "Five styles of customer knowledge management, and how smart companies use them to create value." European Management Journal 20, no 5 , pp 459-469 ,2002.
[39] Bose, Ranjit. "Customer relationship management: key components for IT success." industrial management & data systems 102.2 (2002): 89-97.
[40] Dyche, Jill. The CRM handbook: a business guide to customer relationship management. Addison-Wesley Professional, 2002.
[41] Garcia-Murillo, Martha, and Hala Annabi. "Customer knowledge management." Journal of the Operational Research Society , pp. 875-884 ,2002.
[42] Rowley J. Eight Enhancing Questions for Customer Knowledge Management in e-Business. Journal of Knowledge Management 2002; 6(5): 500-511.
[43] Rowley, Jennifer E. "Reflections on customer knowledge management in e-business." Qualitative Market Research: An International Journal 5.4 (2002): 268-280.
[44] Zack, Michael H. "Developing a knowledge strategy." The strategic management of intellectual capital and organizational knowledge (2002): 76-255.
[45] Bhatt, Ganesh D. "Knowledge management in organizations: examining the interaction between technologies, techniques, and people." Journal of knowledge management 5.1, pp. 68-75, 2001.
[46] Ling, Raymond, and David C. Yen. "Customer relationship management: An analysis framework and implementation strategies." Journal of Computer Information Systems 41.3 (2001): 82-97.
[47] Davenport, Thomas H., Jeanne G. Harris, and Ajay K. Kohli. "How do they know their customers so well?." MIT Sloan Management Review 42.2 (2001): 63-73.
[48] Davenport, Thomas H., and Laurence Prusak. Working knowledge: How organizations manage what they know. Harvard Business Press, 2000.
[49] Mårtensson, Maria. "A critical review of knowledge management as a management tool." Journal of knowledge management 4, no 3 (2000): 204-216.
[50] Wirth, Rüdiger, and Jochen Hipp. "CRISP-DM: Towards a standard process model for data mining." Proceedings of the 4th International Conference on the Practical Applications of Knowledge Discovery and Data Mining. 2000.
[51] uit Beijerse, Roelof P. "Questions in knowledge management: defining and conceptualizing a phenomenon." Journal of Knowledge Management 3.2 (1999): 94-110.
[52] Chen, Ming-Syan, Jiawei Han, and Philip S. Yu. "Data mining: an overview from a database perspective." Knowledge and data Engineering, IEEE Transactions on 8.6 (1996): 866-883.
[53] Fayyad, Usama and et al., "From Data Mining to Knowledge Discovery in Databases", AI Magazine, Vol. 17, Number 3, 1996.
[54] Szulanski, Gabriel. "Exploring internal stickiness: Impediments to the transfer of best practice within the firm." Strategic management journal 17 (1996): 27-43.
[55] Nonaka, Ikujiro, and Hirotaka Takeuchi. The knowledge-creating company: How Japanese companies create the dynamics of innovation. Oxford University Press, USA, 1995.
Abstract
Increasing level of competition between the markets, made the managemers and organization analysts to seek solutions that bring a competitive advantage for organizations. According to literature, using customer knowledge to adopt strategies, for customer satisfaction, direct organizations toward this goal. On the other, expand taking advantage of update technologies in information and communication, in particular, in banks cause to staying large amounts of data that analyze and make decisions based on their with conventional methods of reporting and statistical methods, is not possible. Data mining is a powerful and update tool that is proposed for data analysis to extract customer knowledge in this thesis.
The purpose of this study that titled as “Knowledge management of the Mehr Eghtesad bank customers using data mining techniques”, is segmentation of the customers of the Mehr Eghtesad bank, aimed to discover the similar behavioral characteristics, for help the managers in banks to facilitate the adoption of appropriate strategies for each cluster and consequently preserve, strengthen and develop relationships with customers and ultimately profitability for the bank. Raw data for this study were extracted from the database of Mehr Eghtesad bank.
Key words:
Customer Knowledge Management, Data Mining, Knowledge Discovery, Customers Clustering.
قیمت: 49٬000 تومان
قیمت: 49٬000 تومان
قیمت: 49٬000 تومان
قیمت: 49٬000 تومان
قیمت: 49٬000 تومان
قیمت: 49٬000 تومان
قیمت: 49٬000 تومان
قیمت: 49٬000 تومان
قیمت: 49٬000 تومان
قیمت: 49٬000 تومان
