سامانه پشتیبانی خدمات اطلاعات

  اخبار و اعلانات

 آمار

تعداد نشریات161
تعداد شماره‌ها6,532
تعداد مقالات70,504
تعداد مشاهده مقاله124,124,282
تعداد دریافت فایل اصل مقاله97,232,749
Mohammadi, Shabnam, Alizadeh, Somayeh. (1393). Analyzing the Problems of Ayandeh Bank Branches across the Country Using Data Mining Technique. , 6(2), 333-350. doi: 10.22059/jitm.2014.50875
Shabnam Mohammadi; Somayeh Alizadeh. "Analyzing the Problems of Ayandeh Bank Branches across the Country Using Data Mining Technique". , 6, 2, 1393, 333-350. doi: 10.22059/jitm.2014.50875
Mohammadi, Shabnam, Alizadeh, Somayeh. (1393). 'Analyzing the Problems of Ayandeh Bank Branches across the Country Using Data Mining Technique', , 6(2), pp. 333-350. doi: 10.22059/jitm.2014.50875
Mohammadi, Shabnam, Alizadeh, Somayeh. Analyzing the Problems of Ayandeh Bank Branches across the Country Using Data Mining Technique. , 1393; 6(2): 333-350. doi: 10.22059/jitm.2014.50875

Analyzing the Problems of Ayandeh Bank Branches across the Country Using Data Mining Technique

Journal of Information Technology Management
مقاله 9، دوره 6، شماره 2، مهر 2014، صفحه 333-350    اصل مقاله (393.12 K)
نوع مقاله: Research Paper
شناسه دیجیتال (DOI): 10.22059/jitm.2014.50875
نویسندگان
Shabnam Mohammadi* 1؛ Somayeh Alizadeh2
1MSc. Student of IT, K.N.Toosi University, Tehran, Iran
2Assistant Prof of industrial Engineering, K.N.Toosi University, Tehran, Iran
چکیده
In order to manage problems and complaints of customers and branches, many banks in the country outsource parts of their customer relationship management to companies such as call centers. Since this important unit is managed out of the banks, analyzing the data and evaluating the performance of call centers are very important. On the other hand, many banks are not able to analyze and do not know how to use hidden patterns in the data. Hence, by presenting RFS model in this paper, we have tried to cluster bank branches based on R factor (recently announced problem), F (frequency or number of difficulties) and S (branches satisfaction with call center) and find the relationship between these factors and mentioned problems. Moreover, call center's ability to resolve problems of branches of each cluster can be assessed using S Factor. Branches were distributed into four optimized clusters based on their behavior pattern. Finally, the results were analyzed and the recommendations were presented to improve the performance of call centers.
کلیدواژه‌ها
CRM؛ Clustering؛ Customer Satisfaction؛ k-means algorithm
عنوان مقاله [English]
تحلیل مشکلات شعب بانک آینده در سراسر کشور با استفاده از روش داده کاوی
نویسندگان [English]
شبنم محمدی1؛ سمیه علیزاده2
1دانشجوی کارشناسی ارشد فناوری اطلاعات-تجارت الکترونیک. دانشگاه صنعتی خواجه نصیر طوسی، تهران، ایران
2استادیار دانشکده صنایع دانشگاه خواجه نصیر طوسی، تهران، ایران
چکیده [English]
بسیاری از بانک­­های کشور به منظور مدیریت مشکلات و شکایات مشتریان و شعب خود، بخشی از واحد مدیریت ارتباط با مشتریان را به شرکت­هایی از قبیل مراکز تماس برون سپاری می­کنند. با توجه به اینکه این واحد مهم در خارج از بانک­ها مدیریت می­شود لذا تحلیل داده­های آن و ارزیابی عملکرد مراکز تماس از اهمیت بسیاری برخوردار است از سوی دیگر بسیاری از بانک­ها توانایی تحلیل و چگونگی استفاده از الگوهای پنهان موجود در داده­ها را ندارند، به همین منظور در این مقاله سعی داریم تا با ارائه مدل RFS، شعب بانک را بر اساس شباهت فاکتورهای R به معنی تازگی اعلام مشکل، F فرکانس یا تعداد مشکلات و S میزان رضایت شعب از مرکز تماس، خوشه بندی نموده وارتباط میان فاکتورهای موجود با نوع مشکلات اعلام شده را بیابیم. همچنین با بررسی فاکتور S می­توان توانایی مرکز تماس در جهت رفع مشکلات شعب هر خوشه را ارزیابی نمود. شعب بر اساس الگوی رفتارشان در چهار خوشه بهینه توزیع شده، نتایج تحلیل و در پایان پیشنهادهایی به منظور بهبود عملکرد مرکز تماس  ارائه شده است.
کلیدواژه‌ها [English]
مدیریت ارتباط با مشتری, الگوریتم k-means, خوشه بندی, رضایت مشتریان
آمار
تعداد مشاهده مقاله: 4,243
تعداد دریافت فایل اصل مقاله: 4,642


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب