شناسایی کاربران مخرب در سیستم بانکداری الکترونیک و بهره گیری از روش RFM توسعه یافته جهت ارزیابی میزان وفاداری مشتریان

در چند دهه اخیر اقتصاد جهانی با پدیده پول شویی و آثار مخرب آن بر اقتصاد کشورها مواجه بوده است. کشف پول شویی یکی از حوزه هایی است که ابزارهای داده کاوی می توانند در کشف آن مفید و موثر باشند. امروزه شناسایی مشتریان معتبر جهت ارائه تسهیلات در بانک حائز اهمیت می باشد از سوی دیگر با افزایش تقلب در بانکداری شناسایی مشتریان متقلب نیز حائز اهمیت خواهد بود. در این پژوهش با ایجاد یک درخت تصمیم فازی و تزریق بردارهای رفتاری کاربران به آن اقدام به آموزش درخت می گردد. خروجی درخت فازی می تواند مخاطره آمیز بودن رفتار کاربر را مشخص نماید. جهت شناسایی افراد پرمخاطره بایستی ویژگی هایی از حساب های مشتریان استخراج شود. به عنوان مثال می توان از واریانس تراکنش های مالی و مکان جابجایی پول نام برد. در بخش دیگری از تحقیق با استفاده از ویژگی های RFM و دسته بند MLP اقدام به شناسایی مشتریان وفادار در سیستم می گردد. سه ویژگی تازگی، تواتر و مبلغ خرید را برای هر مشتری مورد بررسی قرار داده و بر اساس آنها به مشتری امتیاز داده می شود. دسته بند مورد نظر جهت طبقه بندی کاربران، معتبر شبکه های عصبی می باشد. نتایج تحقیق جاری نشان از دقت بالای روش پیشنهادی در مقایسه با روش های قبلی دارد.

کلیدواژه ها:

بانکداری الکترونیکی ، تقلب ، شناسایی مشتریان معتبر ، درخت تصمیم فازی