چکیده ارزش مشتری به تعامل بالقوه مشتریان با شرکت در طول دوره‌های زمانی مشخص اشاره می-‌کند. هنگامی که شرکت‌ها ارزش مشتری را درک کنند و به این موضوع پی ببرند که ارزش مشتری می‌تواند خدمات سفارشی‌سازی شده را برای مشتریان مختلف ارائه کند، آنگاه به مدیریت روابط مشتری موثر دست می‌یابند. این پژوهش بر صنعت بانکداری متمرکز بوده و به طور سیستماتیک تکنیک‌ داده‌کاوی و مباحث مدیریتی را جهت تجزیه و تحلیل ارزش مشتریان، یکپارچه‌سازی می‌کند. در گام نخست روش تحلیل سلسله مراتبی فازی برای وزن-دهی به متغیرهای موجود مورد بررسی قرار می‌گیرد تا میزان تاثیر هر یک از معیارهای مدل DFMT در فرآیند ارزش گذاری مشتریان مشخص گردد. سپس مدل DFMT به عنوان ورودی به تکنیک داده کاوی k-means‌ اعمال می گردد. با استفاده از مدل امتیازدهی پیشنهادی، هرم ارزش مشتری تشکیل می‌شود که مشتریان را در 4 طیف ارزشی دسته بندی می‌کند. در هرم ارزش مشتری بدست آمده از جامعه آماری 285 مشتری شعب بانک تجارت زنجان، طیف اول؛ مشتریان پلاتینیومی هستند که ردیف‌های ارزشی H1 و H2را شامل می‌شوند که از سطح سودآوری بالایی، برخوردار هستند. طیف دوم؛ مشتریان طلایی که ردیف‌های ارزشی H3 ، H4 و H5 را شامل می‌شود. طیف سوم؛ مشتریان نقره‌ای هستند که ردیف‌های ارزشی H6 ، H7 و H8 را شامل می‌شود. طیف چهارم؛ مشتریان سربی که ردیف‌های ارزشی H9 و H10 را شامل می‌شود. در واقع این طیف منابع دریافتی از بانک را به هدر داده و بانک باید برای کار با آنها میزان ریسک بالایی را بپذیرد.

چکیده مؤسسات اعتباری برای در اختیار قرار دادن انواع تسهیلات اعطایی به مشتریان خود ، نیاز به انجام بررسی های کاملی به منظور شناخت متقاضیان از ابعاد کیفی و کمّی دارند، تا از این طریق، ارزیابی کاملی از سنجش توان بازپرداخت و محاسبه احتمال عدم بازپرداخت تسهیلات و خدمات تأمین مالی از سوی آنان، به عمل آید، این بررسی ها را به طور عام اعتبارسنجی گویند. هدف از انجام این تحقیق رتبه بندی گروه های مشتریان و تعیین بخش های برتر از آنها می باشد تا با استفاده از آن شرکت کارگزاری بتواند عملیات تخصیص اعتبار را به نحوی مکانیزه انجام دهد. در اینجا پس از پیش پردازش اولیه از داده ها ،آنها به شکل مدل RFM پردازش می شوند. سپس با استفاده از شبکه عصبی SOM به عنوان یکی از الگوریتم های خوشه بندی، مشتریان به 10 خوشه تبدیل خواهند شد. در ادامه با استفاده از مدل پیشنهادی، خوشه ها رتبه بندی می شوند. خوشه های برتر شناسایی و عملیات اعطای تسهیلات برای اعضای این خوشه ها انجام می شود. در نهایت سه خوشه 5، 1 و 7 به عنوان خوشه های برتر تعیین شدند که به عنوان مشتریان هدف می باشند. ضریب تسهیلات اعطایی به این سه خوشه برتر به ترتیب 0.271 ، 0.173 و 0.556 می باشد.

چکیده امروزه، سرمایه‌گذاری در بورس، بخش مهمی از اقتصاد کشور را تشکیل می‌دهد. به همین دلیل پیش‌بینی قیمت سهام برای سهامداران از اهمیت خاصی برخوردار شده است تا بتوانند بالاترین بازده را از سرمایه‌گذاری خود کسب کنند. از سوی دیگر، شاخص قیمت سهام نشان دهنده وضعیت کلی بازار سهام است و می‌تواند به پیش‌بینی سهامداران جهت سرمایه‌گذاری کمک کند. اغلب در سالهای گذشته از روشهای کلاسیک برای پیش‌بینی قیمت سهام استفاده می‌کردند، اما با پیشرفت و توسعه مداوم روشهای فرا ابتکاری، شبکه های عصبی و شبکه های عصبی فازی، کاربردهای روزافزونی در مبحث پیش‌بینی شاخص قیمت سهام پیدا کرده‌اند. در این تحقیق، سه رویکرد مطرح می‌شود: 1) پیش‌بینی شاخص قیمت سهام با رویکرد روشهای کلاسیک؛ 2) رویکرد هوش مصنوعی؛ 3) رویکرد ترکیبی. به این منظور ابتدا ارزیابی عملکرد روشهای کلاسیک از قبیل روشهای هموارسازی نمایی، تحلیل روند، ARIMA و هوش مصنوعی از قبیل شبکه‌‌های عصبی و شبکه‌های عصبی فازی انجام شده است، سپس سناریو سوم، یعنی طراحی مدل ترکیبی از ARIMA ، شبکه‌های عصبی و شبکه‌های عصبی فازی مورد بررسی قرار گرفته است. نتایج تحقیق بیانگر آن است که توانایی مدل ترکیبی نسبت به تمامی روشهای هوش مصنوعی و کلاسیک بالاتر است.

چکیده در میان جریانهای موجود در هر زنجیره تأمین (مالی، اطلاعات و مواد)، جریان مواد با توجه به سهم آن در بهای تمام شده محصول از اهمیت قابل توجهی برخوردار می‌باشد. این مقاله سعی بر آن دارد تا با به‌کارگیری روش الگوریتم ژنتیک، مدلی در جهت تخصیص مناسب سفارشها در سطوح مختلف زنجیره با توجه به حداقل کردن هزینه‌های مورد نظر مسأله ارائه کند. جوابهای مدل ارائه شده بر مبنای الگوریتم ژنتیک با سایر روشهای متداول جستجوی الگو همچون Latin Hypercube، Nelder-Mead در قالب هزینه مقایسه شده است که شواهد حاکی از برتری روش الگوریتم ژنتیک نسبت به سایر روشها است.