مطالعات کمی در مدیریت صنعت بانکداری به منظور افزایش رضایتمندی و سودآوری مشتریان (مطالعه موردی: بانک ملت)

محورهای موضوعی : مدیریت

محمد مرادی ¹ (دانشجوی دکتری مدیریت، دانشکده مدیریت، واحد اراک، دانشگاه آزاد اسلامی، اراک، ایران)
محمد صادق حری ² (دانشیار، گروه مدیریت، دانشکده مدیریت، واحد اراک، دانشگاه آزاد اسلامی، اراک، ایران)
ایرج نوری ³ (استادیار، گروه مدیریت، دانشکده مدیریت، واحد اراک، دانشگاه آزاد اسلامی، اراک، ایران)

تاریخ دریافت : 1402/04/22 تاریخ پذیرش : 1402/06/30 تاریخ انتشار : 1402/06/01

کلید واژه: مدیریت ریسک اعتباری, اعتبار سنجی مشتریان, RFM, شبکه عصبی SOM,

چکیده مقاله :

مؤسسات اعتباری برای در اختیار قرار دادن انواع تسهیلات اعطایی به مشتریان خود، نیاز به انجام بررسی‌های کاملی به منظور شناخت متقاضیان از ابعاد کیفی و کمّی دارند تا از این راه، ارزیابی کاملی از سنجش توان بازپرداخت و محاسبه احتمال عدم بازپرداخت تسهیلات و خدمات تأمین مالی از سوی آنان به عمل آید، این بررسی‌ها را به طور عام اعتبارسنجی گویند. هدف از انجام این تحقیق رتبه‌بندی گروه‌های مشتریان و تعیین بخش‌های برتر از آنها می‌باشد تا با استفاده از آن شرکت کارگزاری بتواند عملیات تخصیص اعتبار را به نحوی مکانیزه انجام دهد. برای این منظور پس از پیش پردازش اولیه از داده‌ها، آنها به شکل مدل RFM ١ پردازش می‌شوند. سپس با استفاده از شبکه عصبی SOM ٢ به عنوان یکی از الگوریتم‌های خوشه بندی، مشتریان به ١٠ خوشه تبدیل خواهند شد. در ادامه با استفاده از مدل پیشنهادی، خوشه‌ها رتبه‌بندی می‌شوند. خوشه‌های برتر شناسایی و عملیات اعطای تسهیلات برای اعضای این خوشه‌ها انجام می‌شود. در نهایت سه خوشه ٥، ١ و ٧ به عنوان خوشه‌های برتر تعیین شدند که به عنوان مشتریان هدف می‌باشند. ضریب تسهیلات اعطایی به این سه خوشه برتر به ترتیب 271/0، 173/0 و 556/0 می‌باشد.

چکیده انگلیسی:

In order to provide all kinds of facilities to their customers, credit institutions need to carry out complete surveys in order to know the applicants from qualitative and quantitative aspects, in order to fully evaluate the ability to repay and calculate the probability of non-repayment of facilities and services. Financially, these surveys are generally called validation. The purpose of this research is to rank the groups of customers and determine the best parts of them so that the brokerage company can perform credit allocation in a mechanized way. For this purpose, after the initial pre-processing of the data, they are processed in the form of RFM 1 model. Then, using the SOM 2 neural network as one of the clustering algorithms, the customers will be divided into 10 clusters. In the following, using the proposed model, the clusters are ranked. The best clusters are identified and the operation of granting facilities is done for the members of these clusters. Finally, three clusters 5, 1 and 7 were determined as the best clusters, which are the target customers. The coefficient of facilities granted to these top three clusters is 0.271, 0.173 and 0.556 respectively.