فایل ورد کامل مبانی نظری داده کاوی در صنعت بانکداری

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

 فایل ورد کامل مبانی نظری داده کاوی در صنعت بانکداری دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

لطفا نگران مطالب داخل فایل نباشید، مطالب داخل صفحات بسیار عالی و قابل درک برای شما می باشد، ما عالی بودن این فایل رو تضمین می کنیم.

فایل ورد فایل ورد کامل مبانی نظری داده کاوی در صنعت بانکداری  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

این پروژه توسط مرکز فایل ورد کامل مبانی نظری داده کاوی در صنعت بانکداری۲ ارائه میگردد

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی فایل ورد کامل مبانی نظری داده کاوی در صنعت بانکداری،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن فایل ورد کامل مبانی نظری داده کاوی در صنعت بانکداری :

این نوشتار مبانی نظری و پیشینه تحقیق داده کاوی در صنعت بانکداری می باشد. در بخش اول چارچوب و فایل ورد کامل مبانی نظری داده کاوی در صنعت بانکداری تشریح می شود و در بخش دوم پیشینه نظری تحقیق داده کاوی در صنعت بانکداری در پژوهش های داخلی و خارجی مورد بررسی قرار می گیرد.

مقدمه مبانی نظری داده کاوی در صنعت بانکداری

بخش بانکداری طبق الگوی پورتر برای فعالیت در محیط رقابتی امروز با پنج نیروی رقابتی مواجه است که یکی از آن‌ها قدرت چانه زنی مشتری است. افزایش رقابت بین بانک‌ها، تغییر قوانین و معرفی فناوری‌های جدید و خصوصاً زیرساخت اینترنتی سبب افزایش آگاهی مشتریان به همه امور شده است و در نتیجه قدرت چانه زنی مشتری را بیشتر کرده است، به طوری که مشتری قادر است در کمترین زمان به بانک دیگری رجوع کند [۱۱].

صنعت بانکداری در جهان تحت تغییرات شدید در طریقه انجام کسب و کار می‌باشند. بانک‌های پیشرو از ابزارهای داده‌کاوی برای بخش بندی، تعیین سودمندی، دسته بندی اعتبار، پیش بینی قصور در بازپرداخت ها، بازاریابی، تشخیص تراکنش‌های متقلبانه و غیره استفاده می‌کنند. این ابزار به عنوان یک ابزار رقابتی در بانک شناخته شده است [۱۱].

داده یکی از با ارزش‌ترین دارایی های شرکت‌ها می‌باشد، اما فقط در صورتی که بدانیم چگونه دانش در آن‌را آشکار کنیم. داده کاوی امکان استخراج دانش موجود در داده های تاریخی و پیش بینی پیامدهای موقعیت های آینده را در اختیار می گذارد. داده‌کاوی ابزار ارزشمندی می‌باشد که با کمک آن یک سازمان می‌تواند با شناسایی اطلاعات مفید بالقوه از مقدار اطلاعات جمع آوری شده، مزیت واضحی نسبت به رقبایش کسب نماید [۱۱].کاهش هزینه ای ذخیره سازی داده‌ها و افزایش راحتی در ذخیره-سازی داده‌ها، توسعه الگوریتم‌های قوی و مؤثر یادگیری ماشین برای پردازش داده‌ها و کاهش هزینه قدرت محاسباتی از عواملی است که باعث گسترش و علاقه به داده‌کاوی گشته است [۱۱].

کاربرد داده‌کاوی در ارزیابی اعتبار مشتریان

عبدو و همکاران در [۲۹] 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 ورودی های این الگوریتم ها 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 ۸۸% پیش بینی صحیح عملکرد بهتری نسبت به روش‌های مرسومی که نام برده شد، داشته است؛ و در مقایسه کلی شبکه عصبی با ۹۶% دقت بهترین عملکرد را داشته است.

لی و همکاران در [۲۲] یک روش ترکیبی جدید برای انتخاب داده‌های ورودی دسته‌بندی مشتریان بانک جهت ارزیابی اعتبار آنان معرفی کرده اند. در این مقاله رویکردی ترکیبی که حاصل ترکیب رویکردهای انتخاب ویژگی موجود (آنالیز ترکیبی خطی، تئوری مجموعه های ناهموار، درخت تصمیم و روش Fscore) با روش ماشین بردار پشتیبان است برای انتخاب متغیرها معرفی شده و در ادامه مقایسه-ای بین رویکردهای ترکیبی بر پایه SVM به منظور انتخاب ویژگی ها صورت گرفته است. در این تحقیق از داده‌های معروف مربوط به کارت های اعتباری UCI مربوط به کشور آلمان و استرالیا استفاده شد. تمرکز مقاله بر یافتن مرتبط ترین ویژگی ها با اهداف منظور است و بیان می شود که مسئله مهم نه فقط کاهش حجم متغیرهای ورودی بلکه حذف نویزهای ورودی نیز می باشد. نتایج حاصل نشان می-دهند که عملکرد روش ها به صورت ترکیبی در انتخاب ویژگی‌های ورودی بسیار بهتر از عملکرد هر یک از این روش ها به طور منفرد است.

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 نموده اند، قوانین و الگوهایی حاصل می شود که می توان به کمک آن ها مشتریانی که احتمال می رود در آینده نزدیک سازمان را ترک کنند و به سوی رقیب بروند شناسایی نمود. بدین ترتیب مدیران می توانند با اخذ تصمیماتی جهت بهبود ارتباط با این‌گونه مشتریان مانع از روی‌گردانی آنان گردند.در [۱۹] از الگوریتم‌های داده‌کاوی جهت ساخت مدلی به منظور پیش بینی روی‌گردانی مشتریانی که از کارت اعتباری استفاده می کنند 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 تراکنش ها استفاده شده که در مجموع شامل ۱۳۵ متغیر می-باشد. از بین این متغیرها ۹۵ متغیر با توجه به همبستگی بین آن ها 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 مدل های رگرسیونی کمی بهتر از عملکرد درخت های تصمیم بوده است. در این تحقیق یک فاصله یک ساله به عنوان دوره ارزیابی عملکرد در نظر گرفته شد.

*** سایر مبانی نظری و پیشینه تحقیق در مورد داده کاوی در لینک زیر قابل دسترس هستند:

لیست تمام مبانی نظری و پیشینه تحقیق درباره داده کاوی

فایل ورد کامل مبانی نظری داده کاوی در صنعت بانکداری
فهرست مطالب

مبانی نظری در مورد داده کاوی در صنعت بانکداری

ادبیات و پیشینه تحقیق در مورد داده کاوی ۲

۲-۱- مقدمه ۳
۲-۸- داده‌کاوی ۵
۲-۸-۱- مقایسه روش‌های آماری و داده‌کاوی ۷
۲-۸-۲- مفهوم داده‌کاوی ۹
۲-۸-۳- داده‌کاوی و کشف دانش ۱۱
۲-۸-۴- فرایند داده‌کاوی ۱۴
۲-۸-۵- معرفی روش‌های داده‌کاوی ۲۱
۲-۸-۵-۱- دسته‌بندی ۲۳
۲-۸-۵-۲- درخت تصمیم ۲۴
۲-۸-۵-۳- شبکه‌های عصبی ۲۵
۲-۸-۵-۴- پیش بینی ۲۷
۲-۸-۵-۵- خوشه‌بندی ۲۸
۲-۸-۵-۵- انواع خوشه‌بندی ۲۹
۲-۸-۵-۵-۲- معیارهای ارزیابی در خوشه‌بندی ۳۱
۲-۸-۵-۶- تحلیل انحراف ۳۳
۲-۸-۵-۷- قواعد وابستگی (انجمنی) ۳۴
۲-۸-۵-۸- تحلیل توالی ۳۴
۲-۸-۶- نرم‌افزار داده‌کاوی ۳۶
۲-۸-۷- کاربردهای داده‌کاوی ۳۷
۲-۸-۷-۱- داده‌کاوی در صنعت بانکداری ۳۸
۲-۹- پیشینه تحقیق ۳۹
۲-۹-۱- کاربرد داده‌کاوی در بخش‌بندی و مدل‌سازی رفتاری مشتریان در صنعت بانکداری ۴۱
۲-۹-۲- کاربرد داده‌کاوی در ارزیابی اعتبار مشتریان ۴۴
۲-۹-۳- کاربرد داده‌کاوی در زمینه کشف تقلب ۴۶
۲-۹-۴- کاربرد داده‌کاوی در تحلیل روی‌گردانی مشتری ۴۷

پیشینه تحقیق در مورد داده کاوی در صنعت بانکداری

منابع