استراتژی تخصیص ارزش محور تسهیلات بانکی: بهره گیری از کلان داده و یادگیری ماشینی برای بهینه سازی رابطه مشتری-بانک

در عصر بازاریابی هوشمند و کلان داده، توانایی بانک ها در شناخت دقیق مشتریان و تخصیص بهینه منابع مالی، عاملی کلیدی برای افزایش اطمینان و بهره وری سازمانی است. این تحقیق بر طراحی یک مدل هوشمند تخصیص تسهیلات بانکی مبتنی بر کلان داده متمرکز است که هدف آن فراتر از صرفا کاهش ریسک، حرکت به سمت به حداکثر رساندن ارزش مشتریان واجد شرایط است. با استفاده از سوابق مالی و اعتباری موجود، ابتدا خوشه بندی K-Means برای تفکیک مشتریان به سه گروه متمایز ریسک پذیری (کم، متوسط، پرریسک) به کار گرفته شد. سپس، مدل جنگل تصادفی (Random Forest) با دقت پیش بینی 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 بهینه سازی ترکیبی شامل تحلیل سلسله مراتبی (AHP) و الگوریتم ازدحام ذرات (PSO) استفاده شد تا پارامترهای تخصیص وام ها بهینه گردند. نتایج نشان می دهد این رویکرد ترکیبی نه تنها ریسک اعتباری را به شکل معناداری کاهش می دهد، بلکه با هدایت هوشمند منابع به سمت بخش های سودآور، بهره وری کلی بانک را ارتقا می بخشد. این مدل، ابزاری قدرتمند برای اتخاذ تصمیمات اعتباری دقیق، مبتنی بر ارزش مشتری، و در راستای اهداف بازاریابی استراتژیک بانک ها فراهم می آورد.

کلیدواژه ها:

مدل هوشمند ، اعطای تسهیلات بانکی ، کلان داده ، یادگیری ماشین ، تحلیل سلسله مراتبی