مدیریت مالی هوشمند

مدیریت مالی هوشمند

بخش‌بندی مشتریان حقیقی بانک با شاخص‌های توسعه‌یافته RFM و الگوریتم MiniBatchKMeans

نوع مقاله : مقاله پژوهشی

نویسندگان
زهرا شاهی شاوون 1
محمد رضا رستمی 2
بیژن نهاوندی 3
1 گروه مدیریت مالی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
2 دانشیار ، مدیریت مالی، دانشکده علوم اجتماعی و اقتصادی دانشگاه الزهرا، تهران، ایران
3 گروه مدیریت صنعتی و فناوری، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
10.25843/JIFM.2025.8563.78453
چکیده
شناخت دقیق مشتریان و تفکیک آنان به گروه‌های همگن، یکی از پیش‌نیازهای اصلی تصمیم‌گیری هوشمند در بانکداری داده‌محور است. پژوهش حاضر با هدف طراحی و ارزیابی مدل خوشه‌بندی مقیاس‌پذیر مشتریان حقیقی بانک مبتنی بر منطق RFM توسعه‌یافته و الگوریتم MiniBatchKMeans انجام شد. داده‌های عملیاتی یکی از بانک‌های خصوصی کشور پس از تجمیع در سطح مشتری، کنترل کیفیت، مهندسی ویژگی، تبدیل‌های لگاریتمی مناسب، کنترل مقادیر افراطی و استانداردسازی بدون نشت داده برای مدل‌سازی آماده شدند. فضای نهایی خوشه‌بندی شامل ده ویژگی مقاوم و قابل ردیابی بود: لگاریتم علامت‌دار ارزش مالی، سودآوری و میانگین مانده؛ لگاریتم تأخر و تناوب؛ نسبت و شدت دیجیتال؛ تنوع کانال و تنوع خدمات؛ و حاشیه سود مقاوم. با توجه به وجود تنها ۲۵۷ رخداد مثبت ریسک، متغیرهای ریسک از فضای خوشه‌بندی حذف و در لایه پسینی کنترل ریسک نگهداری شدند. برای انتخاب تعداد خوشه، مقادیر k از ۲ تا ۸ با معیارهای Silhouette، Davies-Bouldin، Calinski-Harabasz، پایداری چندبذری ARI و جاکارد و حداقل سهم گروه ارزیابی شدند. ساختار نهایی دوگروهی با Silhouette برابر ۰٫۵۵۱۹، Davies-Bouldin برابر ۰٫۹۰۰۹، Calinski-Harabasz برابر ۱۱۹۹۹٫۱۳، میانگین ARI برابر ۰٫۹۹۷۶ و میانگین جاکارد برابر ۰٫۹۹۸۶ انتخاب شد. از ۳۷۸٬۳۱۲ مشتری مدل‌پذیر، ۶۶٫۷۴ درصد در گروه کم‌دیجیتال‌تر و کم‌ارزش‌تر و ۳۳٫۲۶ درصد در گروه دیجیتال‌تر و با ارزش مالی بالاتر قرار گرفتند. همچنین ۹٬۳۰۷ رکورد با پایه مالی هم‌زمان صفر به‌جای تشکیل یک خوشه مصنوعی، در صف کنترل کیفیت نگهداری شدند. یافته‌ها نشان می‌دهد MiniBatchKMeans می‌تواند برای بخش‌بندی مقیاس‌پذیر و قابل تفسیر مشتریان بانکی مفید باشد، مشروط بر آنکه نام‌گذاری خوشه‌ها توصیفی باقی بماند و به پیش‌بینی آینده، علیت یا ریسک اعتباری تعبیر نشود.
کلیدواژه‌ها
خوشه‌بندی مشتریان
RFM توسعه‌یافته
MiniBatchKMeans
بانکداری داده‌محور
مدیریت ارتباط با مشتری
موضوعات

عنوان مقاله English

Bank Customer Segmentation Using Extended RFM Indicators and MiniBatchKMeans Algorithm

نویسندگان English

Zahra Shahi Shavoon 1
Mohammadreza Rostami 2
Bjian Nahavandi 3
1 Department of Financial Management, Science and Research Branch, Islamic Azad University, Tehran, Iran
2 Associate Professor, Financial Management, Faculty of Social and Economic Sciences, Alzahra University, Tehran, Iran
3 Department of Industrial Management and Technology, Science and Research Branch, Islamic Azad University, Tehran, Iran
چکیده English

Accurate customer knowledge and robust segmentation are prerequisites for data-driven banking. This study designs and evaluates a scalable clustering model for individual bank customers using extended RFM concepts and MiniBatchKMeans. Operational data from a private bank were aggregated at customer level and processed through data-quality controls, signed logarithmic transformations for skewed financial variables, outlier control, and standardized preprocessing fitted without leakage. The final clustering space contained ten robust and traceable features: signed-log financial value, profitability and average balance; log-transformed recency and frequency; digital ratio and digital intensity; channel diversity and service diversity; and a robust profit-margin indicator. Because only 257 positive risk events were observed, risk variables were excluded from the clustering space and retained as a separate post-clustering governance layer. Cluster counts from k=2 to k=8 were assessed using Silhouette, Davies-Bouldin, Calinski-Harabasz, multi-seed ARI, aligned Jaccard stability, and minimum cluster size. The final two-cluster solution achieved Silhouette=0.5519, Davies-Bouldin=0.9009, Calinski-Harabasz=11999.13, mean ARI=0.9976 and mean Jaccard=0.9986. Among 378,312 clusterable customers, 66.74% belonged to a less-digital/lower-financial-value group and 33.26% to a more-digital/higher-financial-value group; 9,307 records with simultaneously zero financial base were kept in a separate data-quality queue rather than interpreted as a customer segment. The results support MiniBatchKMeans as a scalable and interpretable tool for banking customer segmentation, while emphasizing that cluster labels are descriptive and should not be treated as causal, credit-risk, or future-behavior predictions.

کلیدواژه‌ها English

customer clustering
extended RFM
MiniBatchKMeans
data-driven banking
customer relationship management
ایمانی، ع.، و عباسی، م. (۱۳۹۶). خوشه‌بندی مشتریان بر مبنای مدل RFM با استفاده از الگوریتم C-means فازی: مورد مطالعه فروشگاه زنجیره‌ای رفاه شهر زاهدان. پژوهش‌های مدیریت عمومی، ۱۰۳۷، ۲۵۱–۲۷۶. https://doi.org/10.22111/jmr.2017.3686
تقوی‌فرد، م. ت.، خانی، ا. م.، و لطفی، ف. (۱۴۰۰). خوشه‌بندی مشتریان در حوزه بانکداری الکترونیک با بهره‌گیری از تراکنش‌های الکترونیکی و اطلاعات دموگرافیک: مورد مطالعه بانک رفاه. مدیریت تبلیغات و فروش، ۲۳، ۴۸–۶۴. https://doi.org/10.52547/JABM.2.3.48
خاتمی فیروزآبادی، س. م. ع.، تقوی‌فرد، م. ت.، سجادی، س. خ. ا.، و بامدادصوفی، ج. (۱۳۹۸). ارائه مدل بهینه‌سازی چندهدفه تخصیص خدمت به مشتریان بانک به‌کمک داده‌کاوی و شبیه‌سازی. پژوهش در مدیریت تولید و عملیات، ۱۰۲، ۱۶۱–۱۸۰. https://doi.org/10.22108/jpom.2019.107082.1082
زارعی، س.، مهدیان، ع.، مصلاح، ز.، و صحبت‌زاده، ر. (۱۴۰۴). اعتبارسنجی هوشمند و پیش‌بینی رفتار آینده مشتری بانک: رویکرد مبتنی بر داده با مدل RFM و خوشه‌بندی. فصل‌نامه مطالعاتی در مدیریت بانکی و بانکداری اسلامی، ۱۱(تابستان)، ۳۱–۷۹. https://doi.org/10.22034/jifb.2025.544969.1635
غریب، ا.، طلوعی، ع.، حیدرزاده، ک.، و رادفر، ر. (۱۳۹۷). شناسایی الگوهای غالب رفتار مشتریان بانک در طول زمان بخش‌های مختلف: مطالعه موردی بانک انصار. تحقیقات بازاریابی نوین، ۸۴، ۱۴۹–۱۶۵. https://doi.org/10.22108/nmrj.2019.109137.1575
یوسفی‌زاد، ا.، و ثریایی، ع. (۱۳۹۷). بررسی و خوشه‌بندی مشتریان بر‌اساس مدل RFM و طراحی الگویی برای ارائه خدمات به مشتریان کلیدی. پژوهشنامه مدیریت اجرایی، ۱۰۲۰، ۱۷۵–۱۹۸. https://doi.org/10.22080/jem.2019.15814.2834
Aliyev, M., Ahmadov, E., Gadirli, H., Mammadova, A., & Alasgarov, E. (2020). Segmenting bank customers via RFM model and unsupervised machine learning. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2008.08662
Barkhordar, E., Shirali-Shahreza, M. H., & Sadeghi, H. R. (2021). Clustering of Bank Customers using LSTM-based encoder-decoder and Dynamic Time Warping. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2110.11769
Barroso, M., & Laborda, J. (2022). Digital transformation and the emergence of the Fintech sector: Systematic literature review. Digital Business, 2(2), 100028. https://doi.org/10.1016/j.digbus.2022.100028
Bult, J. R., & Wansbeek, T. (1995). Optimal selection for direct mail. Marketing Science, 14(4), 378–394. https://doi.org/10.1287/mksc.14.4.378
Carvalho, H., & Maciel, F. (2026). RFM-Based Customer Segmentation: A Pedagogical case study for Marketing Analytics Education. Journal for Advancement of Marketing Education, 34(1). https://doi.org/10.63963/001c.157562
Dawood, E. a. E., Elfakhrany, E., & Maghraby, F. A. (2019). Improve profiling bank customer’s behavior using machine learning. IEEE Access, 7, 109320–109327. https://doi.org/10.1109/access.2019.2934644
Duan, Y., Edwards, J. S., & Dwivedi, Y. K. (2019). Artificial intelligence for decision making in the era of Big Data – evolution, challenges and research agenda. International Journal of Information Management, 48, 63–71. https://doi.org/10.1016/j.ijinfomgt.2019.01.021
Dwivedi, Y. K., Hughes, L., Ismagilova, E., Aarts, G., Coombs, C., Crick, T., Duan, Y., Dwivedi, R., Edwards, J., Eirug, A., Galanos, V., Ilavarasan, P. V., Janssen, M., Jones, P., Kar, A. K., Kizgin, H., Kronemann, B., Lal, B., Lucini, B., . . . Williams, M. D. (2019). Artificial Intelligence (AI): Multidisciplinary perspectives on emerging challenges, opportunities, and agenda for research, practice and policy. International Journal of Information Management, 57, 101994. https://doi.org/10.1016/j.ijinfomgt.2019.08.002
Falcón, A. W. C., Sánchez, R. V., Periche, I. C. Z., & Rumiche, V. L. R. (2025). The influence of security perception on banking profitability: A systematic study based on digital customer segmentation. Multidisciplinary Reviews, 9(7), 2026358. https://doi.org/10.31893/multirev.2026358
Filho, A. L. C. V., Leonardo, D. L., & Kleina, M. (2025). A graph-based approach to customer segmentation using the RFM model. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2505.08136
Gan, W., Zhou, P., Wan, S., Zeng, J., & Qi, Z. (2024). RFMI-based Customer Segmentation with K-means. 2024 IEEE International Conference on Big Data (BigData), Washington, DC, USA, 8286–8295. https://doi.org/10.1109/bigdata62323.2024.10825251
Gerling, C., & Lessmann, S. (2024). Leveraging AI and NLP for Bank Marketing: A Systematic Review and Gap analysis. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2411.14463
Gul, R., & Al-Faryan, M. a. S. (2023). From insights to impact: leveraging data analytics for data-driven decision-making and productivity in banking sector. Humanities and Social Sciences Communications, 10(1). https://doi.org/10.1057/s41599-023-02122-x
Handojo, A., Pujawan, N., Santosa, B., & Singgih, M. L. (2023). A multi layer recency frequency monetary method for customer priority segmentation in online transaction. Cogent Engineering, 10(1). https://doi.org/10.1080/23311916.2022.2162679
Hicks, S. C., Liu, R., Ni, Y., Purdom, E., & Risso, D. (2021). mbkmeans: Fast clustering for single cell data using mini-batch k-means. PLoS Computational Biology, 17(1), e1008625. https://doi.org/10.1371/journal.pcbi.1008625
Hsieh, N. (2004). An integrated data mining and behavioral scoring model for analyzing bank customers. Expert Systems With Applications, 27(4), 623–633. https://doi.org/10.1016/j.eswa.2004.06.007
John, J. M., Shobayo, O., & Ogunleye, B. (2024). An exploration of clustering algorithms for customer segmentation in the UK retail market. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2402.04103
Mancisidor, R. A., Kampffmeyer, M., Aas, K., & Jenssen, R. (2019). Learning Latent Representations of Bank Customers With The Variational\n Autoencoder. arXiv (Cornell University). https://doi.org/10.48550/arxiv.1903.06580
Mousaeirad, S. (2020). Intelligent vector-based customer segmentation in the banking industry. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2012.11876
Nofal, S. (2024). Identifying highly-valued bank customers with current accounts based on the frequency and amount of transactions. Heliyon, 10(13), e33490. https://doi.org/10.1016/j.heliyon.2024.e33490
Pandey, A. K., Goyal, A., & Sikka, N. (2024). RE-RFME: Real-Estate RFME Model for customer segmentation. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2404.17177
Plotnikova, V., Dumas, M., Nolte, A., & Milani, F. (2022). Designing a data mining process for the financial services domain. Journal of Business Analytics, 6(2), 140–166. https://doi.org/10.1080/2573234x.2022.2088412
Sculley, D. (2010). Web-scale k-means clustering. Proceedings of the 19th International Conference on World Wide Web, 1177–1178. https://doi.org/10.1145/1772690.1772862
Sinaga, K. P., & Yang, M. (2020). Unsupervised K-Means clustering algorithm. IEEE Access, 8, 80716–80727. https://doi.org/10.1109/access.2020.2988796
Wang, D. (2025). Parallelization of K-Means and spatial join algorithms on heterogeneous platforms using Apache Spark and GPU integration for enhanced AI information management. Informatica, 49(30). https://doi.org/10.31449/inf.v49i30.10302
Wilbert, H. J., Hoppe, A. F., Sartori, A., Stefenon, S. F., & Silva, L. A. (2023). Recency, Frequency, Monetary Value, Clustering, and Internal and External Indices for Customer Segmentation from Retail Data. Algorithms, 16(9), 396. https://doi.org/10.3390/a16090396
Yan, X., Li, Y., Nie, F., & Li, R. (2025). Bank customer segmentation and marketing strategies based on improved DBSCAN algorithm. Applied Sciences, 15(6), 3138. https://doi.org/10.3390/app15063138
Yongjie, Z., & Shanyue, J. (2025). The impact of bank digital transformation on the financial performance of commercial banks. SAGE Open, 15(3). https://doi.org/10.1177/21582440251365342