فایل ورد کامل داده کاوی در صنعت بانکداری ۳۰۳۸۰ صفحه در word

تعداد صفحات : ۵۱ با فرمت ورد و قابل ویرایش

ODM به عنوان ابزار استخراج دانش اتکاپذیر ی از داده های تعریف شده است و فن آوری است که فرایند تصمیم گیری را به وسیله دگرگون ساختن داده ها به سوی دانش ارزشمند در جهت کسب یک مزیت رقابتی سوق می دهد و به عنوان شیوه بکار بردن ابزارهای داده کاوی تعریف شده است.

با توجه به اینکه سازمان ها داده های تجاری بسیاری رادر تصرف خود دارند و تراباتهای داده را در بانک های اطلاعاتی شان جمع آوری می کنند.و با فلج ساختن اطلاعات یک چالش کلیدی در تصمیم گیری تشکیلات سازمانی ایجاد می کنند به این منظور پروسه کشف دانش از پایگاه داده سازمانی مطرح شده است که یک فرایند علمی برای شناسایی الگوهای معتبر، نوین، بالقوه مفید، قابل فهم از داده ها می باشد. مهمترین بخش این فرایند داده کاوی یا کاوش دانش می باشد با ستفاده از الگوریتم های مشخص الگوها را از پایگاه داده استخراج می کنند.

داده کاوی عبارت است کشف روش ها والگوهای ویژه درپایگاه داده های بزرگ، برای هدایت تصمیم گیری در آینده.

امروزه مدیریت ارتباط با مشتری فقط یک مزیت رقابتی نیست بلکه شناسایی و جذب مشتریان وفادار و نگه داشتن آنها برای ادامه حیات در بازار رقابت امری ضروری است بانک ها و موسسسات اعتباری در گذشته به دلیل محدودیت تنوع خدمات و عدم دسترسی به اطلاعات مشتریان از روش های ساده جهت سنجش اعتبار مشتریان خود استفاده می کردند ولی امروز با وجود بانکداری الکترونیکی ثبت اطلاعات تراکنشی مشتریان راحت تر صورت می گیرد و همین امر موجب شده که روش های کمی جایگزین روش های کیفی شود.

در این تحقیق نگاه مختصری به مسیر تکاملی داده کاوی در صنعت بانکدار ی پرداخته و تکنیک های مورد استفاده داده کاوی در کشف و سوءاستفاده های مالی، ارزیابی و عملکرد بانک و اعتبارسنجی مشتریان بانک و مدیریت ارتباط مشتریان معرفی شده اند.

چکیده

مقدمه۲

فصل اول۳

۱-۱- فرایند کشف دانش و داده کاوی۳

۱-۱-۱- درک قلمرو۳

۱-۱-۲- انتخاب داده ها۴

۱-۱-۳- پاکسازی و پردازش اولیه۴

۱-۱-۴- کشف الگوها۴

۱-۱-۵- تفسیر و نمایش الگوها۴

۱-۱-۶- ارائه دانش۵

۱-۲- معرفی برخی از روشهای داده کاوی۵

۱-۳- تحلیل انحراف۶

۱-۴- نمایه سازی۷

۱-۵- قوانین وابستگی۷

۱-۶- تحلیل توالی۸

۱-۷- خوشه بندی۹

۱-۸- دسته بندی۱۲

۱-۹- پیش بینی۱۲

۱-۹-۱- درخت های تصمیمTree-based methods13

۱-۱۰- شبکه های عصبی مصنوعی۱۴

۱-۱۰-۱- شبکه عصبی چیست؟۱۴

۱-۱۰-۲- تطبیق های خود سازمانده۱۷

۱-۱۰-۳- تکنیک های نزدیکترین همسایه(Nearest Neighbor Techniques)17

۱-۱۰-۴- استدلال مبتنی بر حافظه ((Memory-Based reasoning17

۱-۱۱- الگوریتم ژنتیک۲۰

۱-۱۲- بهینه سازی۲۲

فصل دوم۲۴

۲-۱- داده کاوی در بازاریابی و مدیریت ارتباط با مشتریان بانک۲۴

۲-۲- مدیریت ارتباط با مشتری و پروفایل سازی از ان ها۲۵

۲-۲-۱- شناسایی مشتریان۲۶

۲-۲-۲- جذب مشتریان۲۷

۲-۲-۳- حفظ مشتریان۲۷

۲-۲-۴- توسعه مشتریان۲۷

۲-۲-۵- مراقبت از مشتری۲۹

۲-۲-۶- داده کاوی و تحلیل رویگردانی مشتریان۳۱

۲-۳- کاربرد های داده کاوی در کشف تقلب سوئ استفاده های مالی۳۲

۲-۴-داده کاوی و پیش بینی عملکرد بانک۳۷

۲-۵- داده کاوی در ارزیابی اعتبار مشتریان بانک۳۹

۳-۵- کاربرد داده کاوی در ارزیابی عملکرد بانک ها۵۲

۴-۵- نتیجه گیری:۵۵

۵-۵- منابع.۵۶