KMAN Publication Inc. تکنولوژی در کارآفرینی و مدیریت استراتژیک 3041-8585 در دست انتشار 1405 10 01 Designing a Model for Customer Behavior Analysis in Banking Using Artificial Intelligence طراحی مدل تحلیل رفتار مشتری در بانک با استفاده از هوش مصنوعی 1 17 10.61838/kman.jtesm.485 FA علی رستمی گروه مدیریت فناوری اطلاعات، واحد بین الملل کیش، دانشگاه آزاد اسلامی، کیش، ایران احمد قبادی الوار گروه مدیریت بازرگانی، واحد خرم آباد، دانشگاه آزاد اسلامی، خرم آباد، ایران محمد ملکی نیا گروه مدیریت فناوری اطلاعات، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران Journal Article 1405/01/20 <p>This study aimed to develop and validate a model for analyzing and predicting bank customers’ behavior using artificial intelligence. This research was basic-applied in terms of purpose, sequential exploratory mixed-methods in terms of data type, cross-sectional in terms of data collection time, and based on content analysis and meta-synthesis in the qualitative phase and descriptive-survey procedures in the quantitative phase. In the qualitative phase, the statistical population included all studies related to customer behavior in banking systems and the factors and indicators affecting its analysis and prediction, published in valid databases between 2000 and 2025. After screening through the PRISMA procedure, 84 studies were selected for final analysis. Extracted concepts were classified into components and broader dimensions. In the quantitative phase, combined data from banking customers, along with the views of banking experts and customer-relationship specialists, were used. A researcher-made questionnaire derived from the qualitative phase was applied to assess the model components. Customer behavior prediction was performed using decision tree, support vector machine, and deep learning based on Transformer architecture. The qualitative findings led to the identification of 49 concepts, 22 components, and 12 main dimensions. The identified components included individual characteristics, financial status, responsiveness, reliability, assurance, digital experience, in-person experience, transparency, security, service satisfaction, value satisfaction, offer characteristics, communications, campaign response, brand value, transaction patterns, consumption patterns, channel preference, cooperation continuity, brand advocacy, reduced use, and offer acceptance. In the quantitative phase, the decision tree model showed the strongest predictive performance, with an R² of 0.8327, MAE of 0.0421, and RMSE of 0.0532. The support vector machine model ranked second, followed by the deep learning model, although all three algorithms demonstrated acceptable predictive capability. The proposed model demonstrated that integrating demographic, financial, behavioral, experiential, transactional, and marketing-related data can provide a valid basis for analyzing and predicting bank customers’ behavior. The findings indicate that artificial intelligence algorithms, particularly decision trees, can support banks in identifying hidden behavioral patterns, personalizing services, reducing customer churn, improving campaign effectiveness, and strengthening managerial decision-making in customer relationship management.</p> <p>هدف این پژوهش ارائه و اعتبارسنجی مدلی برای تحلیل و پیش‌بینی رفتار مشتریان بانکی با استفاده از هوش مصنوعی بود. پژوهش حاضر از نظر هدف، بنیادی-کاربردی؛ از نظر نوع داده، آمیخته کیفی-کمی متوالی با رویکرد اکتشافی؛ از نظر زمان گردآوری داده‌ها، مقطعی؛ و از نظر روش اجرا در بخش کیفی مبتنی بر تحلیل محتوا و فراترکیب و در بخش کمی توصیفی-پیمایشی بود. در بخش کیفی، جامعه پژوهش شامل مقالات مرتبط با رفتار مشتریان در نظام بانکی و شاخص‌های مؤثر بر تحلیل و پیش‌بینی آن بود که طی سال‌های 2000 تا 2025 در پایگاه‌های معتبر منتشر شده بودند. پس از اجرای فرایند غربالگری بر اساس روش PRISMA، 84 مقاله وارد تحلیل نهایی شد. در بخش کمی، داده‌های ترکیبی مرتبط با مشتریان نظام بانکی و دیدگاه خبرگان و کارشناسان بانکی مورد استفاده قرار گرفت. مؤلفه‌های استخراج‌شده در قالب پرسشنامه محقق‌ساخته ارزیابی شدند و برای پیش‌بینی رفتار مشتریان از الگوریتم‌های درخت تصمیم، ماشین بردار پشتیبان و یادگیری عمیق مبتنی بر معماری Transformer استفاده شد. نتایج بخش کیفی به شناسایی 49 مفهوم، 22 مؤلفه و 12 بعد اصلی منجر شد. مؤلفه‌های اصلی شامل ویژگی‌های فردی، وضعیت مالی، پاسخگویی، قابلیت اعتماد، تضمین، تجربه دیجیتال، تجربه حضوری، شفافیت، امنیت، رضایت از خدمات، رضایت از ارزش، ویژگی‌های پیشنهاد، ارتباطات، پاسخ به کمپین، ارزش برند، الگوهای تراکنش، الگوهای مصرف، ترجیح کانال، استمرار همکاری، حمایت از برند، کاهش استفاده و پذیرش پیشنهاد بودند. در بخش کمی، مدل درخت تصمیم با ضریب تعیین 0.8327، خطای MAE برابر با 0.0421 و خطای RMSE برابر با 0.0532 بهترین عملکرد را نشان داد. پس از آن، ماشین بردار پشتیبان و یادگیری عمیق به‌ترتیب عملکرد مناسبی در پیش‌بینی رفتار مشتری داشتند. مدل پیشنهادی نشان داد که ترکیب داده‌های جمعیت‌شناختی، مالی، رفتاری، تجربی، تراکنشی و بازاریابی می‌تواند مبنایی معتبر برای تحلیل و پیش‌بینی رفتار مشتریان بانکی فراهم کند. یافته‌ها بیانگر آن است که الگوریتم‌های هوش مصنوعی، به‌ویژه درخت تصمیم، می‌توانند به بانک‌ها در شناسایی الگوهای پنهان رفتاری، شخصی‌سازی خدمات، کاهش ریزش مشتری و بهبود تصمیم‌گیری مدیریتی کمک کنند.</p> https://journaltesm.com/index.php/journaltesm/article/download/485/477