تاکسونومی شناسایی مشتریان صنعت بانکی با بکارگیری یادگیری ماشین:مروری نظامند با رویکرد فراترکیب

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه مدیریت فناوری اطلاعات، دانشگاه تربیت مدرس

2 دکتری مدیریت؛ استاد؛ گروه مدیریت؛ دانشکدة علوم اداری و اقتصادی؛ دانشگاه ولیعصر )عج( رفسنجان؛ رفسنجان، ایران؛

3 دکتری مدیریت؛ استاد؛ مدیرگروه مدیریت فناوری اطلاعات ؛ دانشکده مدیریت و اقتصاد؛ دانشگاه تربیت مدرس؛ تهران، ایران؛

4 دکتری مدیریت، استاد، گروه مدیریت صنعتی : دانشکده مدیریت و اقتصاد: دانشگاه تربیت مدرس، تهران ، ایران

10.22034/jipm.2023.704230

چکیده

     هدف: امروزه مشتری در هیچ صنعتی صرفاً به دنبال محصول نیست و دریافت سرویس شخصی سازی شده مبتنی بر نیازمندی های خود و خلق یک تجربه متفاوت را از سازمان انتظار دارد؛ از نگاه دیگر طراحی سرویس های متناسب با نیاز مشتری مستلزم بررسی موشکافانه داده های مرتبط با مشتری و در ابعاد مختلف خواهد بود. لذا شناخت مشتری نیازمند نگرشی نظامند است تا اهداف، فاکتورهای تاثیر گذار و الگوریتم ها و متد های مناسب این حوزه مورد توجه واقع شود. روش شناسی: در راستا هدف این پژوهش، پژوهش پیشرو با رویکرد فراترکیب، ابعاد حوزه شناخت مشتری صنعت بانکی و ملاحظات آن را با رویکرد داده محور و به کارگیری یادگیری ماشین تحلیل نموده است .از این رو، روش پژوهش بر حسب هدف کاربردی و بر حسب گردآوری اطلاعات فراترکب است. برای انتخاب مقاله ها با جست و جو در پایگاه داده های معتبر وب آو ساینس و اسکوپوس 43 سند که در فاصله زمانی 2016- 2022 منتشر شده است، به عنوان اسناد مرتبط و معتبر شناسایی و در ادامه نیز با رویکرد فراترکیب، اسناد منتخب بررسی و کدگذاری شده اند. نتایج : نتایج حاصل از فراترکیب منجر به شناسایی سه مقوله اصلی: اهداف شناسایی مشتری: درک بینش نسبت به مشتری، شناسایی ریسک مشتری، اهداف سازمانی، تعیین ارزش طول عمر مشتری و مدیریت محصول،  فاکتورهای شناسایی مشتری: جمعیت شناختی، مالی و رفتاری  و الگوریتم های یادگیری ماشین: Probabilistic، Neural Networks ،Ensemble ، Regularization ، Regression ، Bayesian، Decision Tree ، Dimensionality Reduction ، Instanced Based  و Clustering گردید.  نتیجه گیری: بر اساس یافته های پژوهش جاری، متناسب با هدف شناسایی مشتری، داده های موجود و فاکتورهای انتخابی، الگوریتم های پایه و ترکیبی می تواند راهگشا باشد اما نکته مهم پیش پردازش دقیق داده ها می باشد. همچنین این مهم با توجه به عدم تاکید بانک ها به شعب مبنی بر لزوم تکمیل اطلاعات مندرج در فرم ها توسط مشتری در زمان افتتاح حساب یا عدم طراحی سرویس مناسب جهت تکمیل اطلاعات در بسترهای الکترونیک نیازمند بازبینی کامل می باشد.
 

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

taxonomy of customers identification in the banking industry using machine learning: a systematic review with a Meta-synthesis Approach

نویسندگان [English]

  • Elaheh Baghani 1
  • shaban elahi 2
  • Alireza Hasanzadeh 3
  • Ali rajabzadeh ghatari 4
1 Department of Information Technology Management, Tarbiat Modares University
2 PhD in Management; Professor; Department of Business Administration; Faculty of Economics and Administrative Sciences; Vali-e-Asr University of Rafsanjan; Rafsanjan, Iran;
3 PhD in Systems Management; Professor; Department of Information Technology Management; Management and Economy School; Tarbiat Modares University; Tehran, Iran;
4 Professor, Department of Industrial Management, Tarbiat Modarres University, Tehran, Iran.
چکیده [English]

Purpose: Nowadays, customers in any industry are not just looking for a product and expect to receive a personalized service based on their needs and create a different experience from the organization. From another point of view, the design of services according to the customer's needs will require a careful examination of the data related to the customer in different dimensions. Therefore, knowing the customer requires a systematic approach in order to identify the goals, influencing factors, algorithms and methods suitable for this field. Methodology: The upcoming research has analyzed the dimensions of customer recognition in the banking industry and its considerations with a data-oriented approach and the application of machine learning. The research method is applied according to the purpose and is meta-Synthesis according to the collection of information. To select the articles, 43 documents published in the period of 2016-2022 were identified as relevant and valid documents by searching in the reliable databases of Web of Science and Scopus, and further, with a meta- Synthesis approach, they were studied and coded. Results: The results of meta-synthesis led to the identification of three main categories: 1) Customer identification objectives: understanding customer insight, identifying customer risk, organizational goals, determining customer lifetime value and product management 2) Customer identification factors: demographic, financial and behavioral and 3) machine learning algorithms: Probabilistic, Neural Networks, Ensemble, Regularization, Regression, Bayesian, Decision Tree, Dimensionality Reduction, Instanced Based and Clustering. Conclusion: Based on the findings of the current research, according to the purpose of customer identification, available data and selected factors, basic and combined algorithms can be a way forward, but the important point is accurate data pre-processing. Another point is that no distinction has been made between real and legal customers, and most studies have focused on real customers, which can be attributed to the complexity of the chain of financial interactions of legal customers. Also, considering the banks' lack of emphasis on branches regarding the need to complete the information contained in the account opening forms or the lack of designing a suitable service to complete the information on electronic platforms, a more accurate understanding of the customer requires a review of these processes. It is worth mentioning that in none of the studies, customer recognition was done using only demographic factors, and depending on the purpose of the study, the factors were used in combination.

کلیدواژه‌ها [English]

  • Customer recognition
  • customer identification factors
  • machine learning
  • meta-synthesis
  • banking industry