دانشگاه نبی اکرم(ص) مدیریت بازاریابی هوشمند 2783-5405 7 2 2026 06 22 Value-Based Allocation Strategy for Banking Facilities: Leveraging Big Data and Machine Learning to Optimize the Customer-Bank Relationship استراتژی تخصیص ارزش‌محور تسهیلات بانکی: بهره‌گیری از کلان‌داده و یادگیری ماشینی برای بهینه‌سازی رابطه مشتری-بانک 86 107 734500 JABM.3.2.15564.35125656565917 FA معصومه وکیلی گروه مدیریت فناوری اطلاعات، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران. سید احمد شایان نیا گروه مدیریت صنعتی، واحد فیروزکوه، دانشگاه آزاد اسلامی، فیروزکوه، ایران. مریم رحمتی گروه مدیریت، واحد چالوس، دانشگاه آزاد اسلامی، چالوس، ایران. رضا رادفر گروه مدیریت صنعتی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران. Journal Article 2026 02 14 In the era of smart marketing and big data, the ability of banks to accurately identify customers and optimally allocate financial resources is a key factor for increasing organizational confidence and productivity. This research focuses on designing an intelligent big data-based banking facility allocation model that aims to go beyond simply reducing risk and move towards maximizing the value of eligible customers. Using existing financial and credit records, K-Means clustering was first used to separate customers into three distinct risk-taking groups (low, medium, high risk). Then, a Random Forest model with a prediction accuracy of 96% was used to accurately assess the risk profile of each cluster. The main innovation of the research lies in the allocation stage, where a hybrid optimization method including Analytic Hierarchy Process (AHP) and Particle Swarm Algorithm (PSO) was used to optimize the loan allocation parameters. The results show that this hybrid approach not only significantly reduces credit risk, but also improves the overall efficiency of the bank by intelligently directing resources towards profitable sectors. This model provides a powerful tool for making accurate credit decisions, based on customer value, and in line with the strategic marketing goals of banks. در عصر بازاریابی هوشمند و کلان‌داده، توانایی بانک‌ها در شناخت دقیق مشتریان و تخصیص بهینه منابع مالی، عاملی کلیدی برای افزایش اطمینان و بهره‌وری سازمانی است. این تحقیق بر طراحی یک مدل هوشمند تخصیص تسهیلات بانکی مبتنی بر کلان‌داده متمرکز است که هدف آن فراتر از صرفاً کاهش ریسک، حرکت به سمت به حداکثر رساندن ارزش مشتریان واجد شرایط است. با استفاده از سوابق مالی و اعتباری موجود، ابتدا خوشه‌بندی K-Means برای تفکیک مشتریان به سه گروه متمایز ریسک‌پذیری (کم، متوسط، پرریسک) به کار گرفته شد. سپس، مدل جنگل تصادفی (Random Forest) با دقت پیش‌بینی ۹۶٪ برای ارزیابی دقیق پروفایل ریسک هر خوشه به کار گرفته شد. نوآوری اصلی تحقیق در مرحله تخصیص نهفته است؛ جایی که از یک روش بهینه‌سازی ترکیبی شامل تحلیل سلسله مراتبی (AHP) و الگوریتم ازدحام ذرات (PSO) استفاده شد تا پارامترهای تخصیص وام‌ها بهینه گردند. نتایج نشان می‌دهد این رویکرد ترکیبی نه تنها ریسک اعتباری را به شکل معناداری کاهش می‌دهد، بلکه با هدایت هوشمند منابع به سمت بخش‌های سودآور، بهره‌وری کلی بانک را ارتقا می‌بخشد. این مدل، ابزاری قدرتمند برای اتخاذ تصمیمات اعتباری دقیق، مبتنی بر ارزش مشتری، و در راستای اهداف بازاریابی استراتژیک بانک‌ها فراهم می‌آورد. https://www.jnabm.ir/article_734500_7bc3ae96cc404329b0782ad9cdec6e65.pdf