مدیریت بازاریابی هوشمند

مدیریت بازاریابی هوشمند

استراتژی تخصیص ارزش‌محور تسهیلات بانکی: بهره‌گیری از کلان‌داده و یادگیری ماشینی برای بهینه‌سازی رابطه مشتری-بانک

مقالات آماده انتشار

نوع مقاله : مقاله علمی-پژوهشی

نویسندگان
معصومه وکیلی 1
سید احمد شایان نیا 2
مریم رحمتی 3
رضا رادفر 4
1 گروه مدیریت فناوری اطلاعات، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.
2 گروه مدیریت صنعتی، واحد فیروزکوه، دانشگاه آزاد اسلامی، فیروزکوه، ایران.
3 گروه مدیریت، واحد چالوس، دانشگاه آزاد اسلامی، چالوس، ایران.
4 گروه مدیریت صنعتی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.
چکیده
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.
کلیدواژه‌ها
مدل هوشمند
اعطای تسهیلات بانکی
کلان داده
یادگیری ماشین
تحلیل سلسله مراتبی

موضوعات

عنوان مقاله English

Value-Based Allocation Strategy for Banking Facilities: Leveraging Big Data and Machine Learning to Optimize the Customer-Bank Relationship

نویسندگان English

Masoumeh Vakili 1
Seyed Ahmad Shayannia 2
Maryam Rahmaty 3
Reza Radfar 4
1 Department of Information Technology Management, SR.C., Islamic Azad University, Tehran, Iran.
2 Department of Industrial Management, Fi.C., Islamic Azad University, Firoozkooh, Iran.
3 Department of Management, Cha.C., Islamic Azad University, Chalus, Iran.
4 Department of Industrial Management, SR.C., Islamic Azad University, Tehran, Iran.
چکیده English

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.

کلیدواژه‌ها English

Intelligent model
bank lending
big data
machine learning
analytic hierarchy process
Owusu Kwateng, K., Agyei, J., & Amanor, K. (2019). Examining the efficiency of IT applications and bank performance. Industrial Management & Data Systems, 119(9), 2072-2090.
Gaayire, R., Nikoi, S. N., & Adams, R. (2023). Improving banking and financial services in Ghana with big data analytics, A case study of amantin and kasei community bank. International Journal of Latest Technology in Engineering & Management (IJLTEM), 8(2), 7-13.
Isenberg, D. T., Sazu, M. H., & Jahan, S. A. (2022). How Banks Can Leverage Credit Risk Evaluation to Improve Financial Performance. CECCAR Business Review, 3(9), 62-72.
Eni, L. N., Chaudhary, K., Raparthi, M., & Reddy, R. Evaluating the Role of Artificial Intelligence and Big Data Analytics in Indian Bank Marketing. Tuijin Jishu/Journal of Propulsion Technology, 44(3).
Wibisono, O., Ari, H. D., Widjanarti, A., Zulen, A. A., & Tissot, B. (2019). The use of big data analytics and artificial intelligence in central banking. IFC Bulletins, Bank for International Settlements.
Sazu, M. H., & Jahan, S. A. (2022). Impact of blockchain-enabled analytics as a tool to revolutionize the banking industry. Data Science in Finance and Economics, 2(3), 275-293.
Addy, W. A., Ugochukwu, C. E., Oyewole, A. T., Ofodile, O. C., Adeoye, O. B., & Okoye, C. C. (2024). Predictive analytics in credit risk management for banks: A comprehensive review. GSC Advanced Research and Reviews, 18(2), 434-449.
Chang, V., Hahm, N., Xu, Q. A., Vijayakumar, P., & Liu, L. (2024). Towards data and analytics driven B2B-banking for green finance: A cross-selling use case study. Technological Forecasting and Social Change, 206, 123542.
Salleh, K. A., & Janczewski, L. (2019). Security considerations in big data solutions adoption: Lessons from a case study on a banking institution. Procedia Computer Science, 164, 168-176.
Sazu, M. H., & Jahan, S. A. (2022). How Big Data Analytics is transforming the finance industry. Bankarstvo, 51(2), 147-172.
Shoetan, P. O., Oyewole, A. T., Okoye, C. C., & Ofodile, O. C. (2024). Reviewing the role of big data analytics in financial fraud detection. Finance & Accounting Research Journal, 6(3), 384-394.
Ahmadi, S. (2024). A comprehensive study on integration of big data and AI in financial industry and its effect on present and future opportunities. International Journal of Current Science Research and Review, 7(01), 66-74.
Mohammed, A. B., Al-Okaily, M., Qasim, D., & Al-Majali, M. K. (2024). Towards an understanding of business intelligence and analytics usage: Evidence from the banking industry. International Journal of Information Management Data Insights, 4(1), 100215.
Olabanji, S. O., Oladoyinbo, O. B., Asonze, C. U., Oladoyinbo, T. O., Ajayi, S. A., & Olaniyi, O. O. (2024). Effect of adopting AI to explore big data on personally identifiable information (PII) for financial and economic data transformation. Available at SSRN 4739227.
Hung, J. L., He, W., & Shen, J. (2020). Big data analytics for supply chain relationship in banking. Industrial Marketing Management, 86, 144-153.
Indriasari, E., Gaol, F. L., & Matsuo, T. (2019, July). Digital banking transformation: Application of artificial intelligence and big data analytics for leveraging customer experience in the Indonesia banking sector. In 2019 8th International Congress on Advanced Applied Informatics (IIAI-AAI) (pp. 863-868). IEEE.
Al-Dmour, H., Saad, N., Basheer Amin, E., Al-Dmour, R., & Al-Dmour, A. (2023). The influence of the practices of big data analytics applications on bank performance: filed study. VINE Journal of Information and Knowledge Management Systems, 53(1), 119-141.
Ali, Q., Salman, A., Yaacob, H., Zaini, Z., & Abdullah, R. (2020). Does big data analytics enhance sustainability and financial performance? The case of ASEAN banks. The Journal of Asian Finance, Economics and Business, 7(7), 1-13.
AL-Khatib, A. W. (2022). Intellectual capital and innovation performance: the moderating role of big data analytics: evidence from the banking sector in Jordan. EuroMed Journal of Business, 17(3), 391-423.
Liao, K., Ma, C., Zhang, J., & Wang, Z. (2024). Does big data infrastructure development facilitate bank fintech innovation? Evidence from China. Finance Research Letters, 65, 105540.
Liu, Y., Li, X., & Zheng, Z. (2024). Smart natural disaster relief: Assisting victims with artificial intelligence in lending. Information Systems Research, 35(2), 489-504.
Mahgoub, A. (2024). Optimizing Bank Loan Approval with Binary Classification Method and Deep Learning Model. Open Journal of Business and Management, 12(3), 1970-2001.
Sadok, H., & Assadi, D. (2024). The contribution of AI-Based analysis and rating models to financial inclusion: the Lenddo case for women-led SMEs in developing countries. In Artificial Intelligence, Fintech, and Financial Inclusion (pp. 11-25). CRC Press.
Kang, J. K. (2024). Gone with the big data: Institutional lender demand for private information. Journal of Accounting and Economics, 77(2-3), 101663.
Yin, X. (2024). The Effects of Big Data on Commercial Banks. Available at SSRN 4784409.
Shi, B., Bai, C., & Dong, Y. (2024). A big data analytics method for assessing creditworthiness of SMEs: fuzzy equifinality relationships analysis. Annals of Operations Research, 1-31.
Wang, J., Deng, H., & Zhao, X. (2024). Big data, green loans and energy efficiency. Gondwana Research.
 Saaty, T. L. (1980). The analytic hierarchy process: Planning, priority setting, resource allocation. McGraw-Hill.
 
مدیریت بازاریابی هوشمند

مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از 02 اسفند 1404

  • تاریخ دریافت 25 بهمن 1404
  • تاریخ بازنگری 02 اسفند 1404
  • تاریخ پذیرش 02 اسفند 1404