فایل ورد کامل داده کاوی: تکنیک هایی برای تقویت مدیریت ارتباط با مشتری در صنایع بانکداری و خرده فروشی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل داده کاوی: تکنیک هایی برای تقویت مدیریت ارتباط با مشتری در صنایع بانکداری و خرده فروشی،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۲۰ صفحه

چکیده

در حال حاضر صنایع مختلفی از جمله بانکداری ، دارایی ، خرده فروشی ، بیمه ، تبلیغات ، بازاریابی بانک اطلاعاتی ، پیش بینی فروش و غیره ابزاری برای داده کاوی برای مدیریت ارتباط با مشتری است. بانک های پیشرو از ابزارهای Data Mining برای تقسیم و سود مشتری ، نمره گذاری اعتبار و تأیید ، پیش بینی گمرک پرداخت ، بازاریابی ، کشف معاملات غیرقانونی و غیره استفاده می کنند. برای خرده فروشان ، داده کاوی می تواند برای ارائه اطلاعات در مورد جهت فروش محصول ، سنت خرید مشتری و خواسته ها استفاده شود. در این مقاله انتقادی به مفهوم داده کاوی و مدیریت ارتباط با مشتری در صنایع بانکی و خرده فروشی سازمان یافته ارائه شده است. همچنین در مورد کارهای استاندارد مربوط به داده کاوی بحث می شود. کاربردهای مختلف داده کاوی را در بخشهای مختلف ارزیابی کنید.

مقدمه

داده کاوی به کشف الگوی به کمک رایانه از روابط متقابل قبلاً ناشناخته و عود در صفات به ظاهر نامربوط به منظور پیش بینی اقدامات ، رفتارها و پیامدها اشاره دارد. داده کاوی در حقیقت به شناسایی الگوهای و روابط موجود در داده ها کمک می کند [۱]. DM همچنین به عنوان هوش تحلیلی و هوش تجاری نامیده می شود. از آنجا که داده کاوی مفهومی نسبتاً جدید است ، در گذشته های اخیر توسط نویسندگان مختلف به روش های مختلفی تعریف شده است. برخی از تکنیک های مورد استفاده در داده کاوی شامل شبکه های عصبی مصنوعی ، الگوریتم های ژنتیکی ، روش K- نزدیکترین همسایه ، درخت تصمیم گیری و کاهش داده ها می باشد. رویکرد داده کاوی مکمل سایر تکنیک های تجزیه و تحلیل داده ها مانند آمار ، پردازش تحلیلی بر روی خط (OLAP) ، صفحه گسترده و دسترسی به داده های اولیه است. داده کاوی به تحلیلگران مشاغل کمک می کند تا فرضیه ها را تولید کنند ، اما فرضیه ها را تأیید نمی کند.

کار جمع بندی و آینده

داده کاوی ابزاری است که برای استخراج اطلاعات مهم از داده های موجود و امکان تصمیم گیری بهتر در کل صنایع بانکی و خرده فروشی استفاده می شود. آنها از انبارداری داده ها برای ترکیب داده های مختلف از پایگاه داده ها در یک قالب قابل قبول استفاده می کنند تا بتوان داده ها را استخراج کرد. سپس داده ها مورد تجزیه و تحلیل قرار می گیرند و اطلاعاتی که ضبط می شود در سراسر سازمان برای پشتیبانی از تصمیم گیری استفاده می شود. به طور جهانی پذیرفته شده است که بسیاری از صنایع (از جمله بانکداری ، خرده فروشی و ارتباطات از راه دور) از داده کاوی به طور مؤثر استفاده می کنند. بدون شک ، داده کاوی کاربردهای بسیاری در صنایع دارد. کاربردهای عملی آن در زمینه هایی مانند تجزیه و تحلیل نتایج پزشکی ، کشف تقلب در کارت اعتباری ، پیش بینی رفتار خرید مشتری ، پیش بینی منافع شخصی کاربران وب ، بهینه سازی فرآیندهای تولید و غیره بسیار موفق بوده است. صنعت خرده فروشی نیز در حال درک است که داده کاوی می تواند مزیت رقابتی به آنها بدهد. آن دسته از بانکها و خرده فروشانی که به کارگیری داده کاوی پی برده و در حال ساخت یک محیط داده کاوی برای فرایند تصمیم گیری خود هستند ، از مزایای عظیم بهره می برند و از مزیت رقابتی قابل توجهی برای مقاومت در برابر رقابت در آینده بهره می گیرند.

عنوان انگلیسی:Data mining: Techniques for Enhancing Customer Relationship Management in Banking and Retail Industries~~en~~

Abstract

Currently several industries including like banking, finance, retail, insurance, publicity, database marketing, sales predict, etc are Data Mining tools for Customer Relationship Management. Leading banks are using Data Mining tools for customer segmentation and benefit, credit scoring and approval, predicting payment lapse, marketing, detecting illegal transactions, etc. The Banking and Retail industry is realizing that it is possible to gain competitive advantage deploy data mining. For retailers, data mining can be used to provide information on product sales direction, customer buying tradition and desires; etc. This article provides an critique of the concept of Data mining and Customer Relationship Management in organized Banking and Retail industries. It also discusses standard tasks involved in data mining; evaluate various data mining applications in different sectors.

INTRODUCTION

Data mining refers to computer-aided pattern discovery of previously unknown interrelationships and recurrences across seemingly unrelated attributes in order to predict actions, behaviours and outcomes. Data mining, in fact, helps to identify patterns and relationships in the data [1]. DM also refers as analytical intelligence and business intelligence. Because data mining is a relatively new concept, it has been defined in various ways by various authors in the recent past. Some widely used techniques in data mining include artificial neural networks, genetic algorithms, K-nearest neighbour method, decision trees, and data reduction. The data mining approach is complementary to other data analysis techniques such as statistics, on-line analytical processing (OLAP), spreadsheets, and basic data access. Data mining helps business analysts to generate hypotheses, but it does not validate the hypotheses.

CONCLUSION AND FUTURE WORK

Data mining is a tool used to extract important information from existing data and enable better decision-making throughout the banking and retail industries. They use data warehousing to combine various data from databases into an acceptable format so that the data can be mined. The data is then analyzed and the information that is captured is used throughout the organization to support decision-making. It is universally accepted that many industries (including banking, retail and telecom) are using data mining effectively. Undoubtedly, data mining has many uses in industries. Its practical applications in such areas as analyzing medical outcomes, detecting credit card fraud, predicting customer purchase behavior, predicting the personal interests of Web users, optimizing manufacturing processes etc. have been very successful. The retail industry is also realizing that data mining could give them a competitive advantage. Those banks and retailers that have realized the utility of data mining and are in the process of building a data mining environment for their decision-making process will reap immense benefit and derive considerable competitive advantage to withstand competition in future

$$en!!