داده کاوی در صنعت بانکداری
تعداد صفحات : 51 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
مقدمه2
فصل اول3
1-1- فرایند کشف دانش و داده کاوی.. 3
1-1-1- درک قلمرو 3
1-1-2- انتخاب داده ها 4
1-1-3- پاکسازی و پردازش اولیه. 4
1-1-4- کشف الگوها 4
1-1-5- تفسیر و نمایش الگوها 4
1-1-6- ارائه دانش... 5
1-2- معرفی برخی از روشهای داده کاوی.. 5
1-3- تحلیل انحراف.. 6
1-4- نمایه سازی.. 7
1-5- قوانین وابستگی. 7
1-6- تحلیل توالی. 8
1-7- خوشه بندی.. 9
1-8- دسته بندی.. 12
1-9- پیش بینی. 12
1-9-1- درخت های تصمیمTree-based methods13
1-10- شبکه های عصبی مصنوعی. 14
1-10-1- شبکه عصبی چیست؟ 14
1-10-2- تطبیق های خود سازمانده 17
1-10-3- تکنیک های نزدیکترین همسایه(Nearest Neighbor Techniques) 17
1-10-4- استدلال مبتنی بر حافظه ((Memory-Based reasoning17
1-11- الگوریتم ژنتیک.. 20
1-12- بهینه سازی.. 22
فصل دوم24
2-1- داده کاوی در بازاریابی و مدیریت ارتباط با مشتریان بانک24
2-2- مدیریت ارتباط با مشتری و پروفایل سازی از ان ها 25
2-2-1- شناسایی مشتریان. 26
2-2-2- جذب مشتریان. 27
2-2-3- حفظ مشتریان. 27
2-2-4- توسعه مشتریان. 27
2-2-5- مراقبت از مشتری.. 29
2-2-6- داده کاوی و تحلیل رویگردانی مشتریان. 31
2-3- کاربرد های داده کاوی در کشف تقلب سوئ استفاده های مالی32
2-4-داده کاوی و پیش بینی عملکرد بانک.. 37
2-5- داده کاوی در ارزیابی اعتبار مشتریان بانک.. 39
3-5- کاربرد داده کاوی در ارزیابی عملکرد بانک ها 52
4-5- نتیجه گیری: 55
5-5- منابع.56
برچسب ها:
داده کاوی در صنعت بانکداری کاربرد داده کاوی در صنعت بانکداری ODM داده کاوی ارزیابی اعتبار مشتریان ارزیابی عملکرد بانک کشف تقلب سوء استفاده مالی جذب مشتری مدیریت ارتباط با مشتری بهینه سازی الگوریتم ژنتیک نزدیکترین همسایه شبکه های عصبی