Quarterly Journal of Economic Research and Policies

fa واکاوی و کشف الگوهای رفتاری مشتریان بانک در حوزه خدمات بانکداری الکترونیکی با رویکرد علم داده Exploration and Discovery of Customer Behavioral Patterns in Electronic Banking Services Using a Data Science Approach تخصصي Special پژوهشي Research بانک‌ها نقش کلیدی در اقتصاد ایران ایفا می‌کنند و با گسترش بانکداری الکترونیکی، استفاده از خدمات بانکی به بخش جدایی‌ناپذیر زندگی اقتصادی افراد تبدیل شده است. یکی از چالش‌های مهم مدیران بانکی، شناسایی الگوهای رفتاری مشتریان در حوزه‌هایی مانند وفاداری، اعتبارسنجی و مدیریت ریزش است. این پژوهش با هدف کشف این الگوها در بستر بانکداری الکترونیکی و با استفاده از روش‌های داده‌کاوی انجام شده است. داده‌های پژوهش شامل بیش از 9/6 میلیون تراکنش متعلق به حدود 340 هزار مشتری بانک سینا در یک دوره هشت‌ماهه است. ابتدا با استفاده از مدل RFM، شاخص‌های تازگی، تکرار و ارزش پولی سنجیده شد و سپس مشتریان با الگوریتم‌های خوشه‌بندی تحلیل شدند. نتایج نشان داد روش K-Means با سه خوشه بهترین عملکرد را داشته و مشتریان را به سه گروه «وفادار»، «در معرض ریسک» و «بالقوه» تقسیم می‌کند. یافته‌ها حاکی از آن است که مشتریان وفادار (40٪) بیش از 80٪ تراکنش‌ها را انجام می‌دهند، در حالی که مشتریان پرریسک سهم کمی دارند. همچنین همراه‌بانک مهم‌ترین کانال تراکنشی شناخته شد. نتایج نشان می‌دهد تحلیل داده‌محور می‌تواند به بهبود تصمیم‌گیری، افزایش وفاداری و کاهش ریزش مشتریان کمک کند. Banks play a key role in the Iranian economy, and with the expansion of electronic banking, the use of banking services has become an integral part of people's economic lives. One of the important challenges for bank managers is to identify customer behavior patterns in areas such as loyalty, creditworthiness, and churn management. This research aims to discover these patterns in the context of electronic banking and using data mining methods. The research data includes more than 6.9 million transactions belonging to about 340,000 Sina Bank customers over an eight-month period. First, using the RFM model, the indicators of novelty, repetition, and monetary value were measured, and then the customers were analyzed with clustering algorithms. The results showed that the K-Means method with three clusters performed best and divided the customers into three groups: "loyal," "at risk," and "potentia". The findings indicate that loyal customers (40%) conduct more than 80% of transactions, while high-risk customers have a small share. Mobile banking was also identified as the most important transaction channel. The results show that data-driven analytics can help improve decision-making, increase loyalty, and reduce customer churn. بانکداری الکترونیکی, رفتار مشتری, خوشه‌بندی مشتریان, کشف قواعد انجمنی, مدل RFM association rule discovery, customer behavior,customer clustering, Electronic banking, RFM model 208 272 http://qjerp.ir/browse.php?a_code=A-10-3744-1&slc_lang=fa&sid=1 Sayyed Mohammad Sadegh Davoudi سیدمحمدصادق داودی sms_davoudi@semnan.ac.ir 100319475328460019443 100319475328460019443 No Faculty of Economics, Management and Administrative Sciences, Semnan University دانشکده اقتصاد، مدیریت و علوم اداری Sayyed Kazem Ebrahimi سیدکاظم ابراهیمی kebrahimi@semnan.ac.ir 100319475328460019444 100319475328460019444 Yes Department of Accounting, Faculty of Economics, Management and Administrative Sciences, Semnan University گروه آموزشی حسابداری دانشکده اقتصاد، مدیریت و علوم اداری Abbas Toloui Ashlaqi عباس طلوعی اشلقی toloei@gmail.ir 100319475328460019445 100319475328460019445 No Faculty of Economics and Management, Islamic Azad University, Science and Research Branch دانشکده اقتصاد و مدیریت