يؤدي تقسيم العملاء في القطاع المصرفي دورًا حاسمًا في فهم سلوكيات العملاء المتنوعة وتصميم استراتيجيات مالية مستهدفة. تستخدم هذه الدراسة خوارزميتي K-Means و DBSCAN لتحليل البيانات المصرفية واكتشاف أنماط سلوك العملاء. أدت عملية التجميع باستخدام K-Means (k=5) إلى إنتاج خمس مجموعات متميزة من العملاء، كل منها تتميز باختلافات في مبلغ القرض، وحد الائتمان، رصيد الحساب، ونقاط المكافآت. تُظهر هذه التجمعات تمييزًا ذا مغزى، مثل العملاء الذين لديهم تعرض مرتفع للقروض وحدود ائتمان معتدلة مقارنةً بالمجموعات التي لديها قروض أصغر ولكن تجمع نقاط مكافآت أعلى. بالمقابل، أنتجت DBSCAN (eps=1.9، minₛample=5) ثلاث تجمعات. كانت معظم نقاط البيانات مركزة في تجمع كبير واحد، بينما شكلت القليل مجموعات صغيرة بها ضوضاء كبيرة. أكدت مقاييس التقييم أيضًا على تفوق K-Means على DBSCAN. حقق K-Means أداءً أفضل (Silhouette = 0.09، DBI = 2.8، CHI = 820)، مما يدل على فصل معتدل وقابلية للتفسير. في المقابل، أظهرت DBSCAN درجة Silhouette سلبية (-0.354) ومؤشر Calinski-Harabasz منخفض (3.608)، مما يدل على تجمعات محددة بشكل ضعيف. تشير هذه النتائج إلى أن K-Means أكثر فعالية في تقسيم عملاء البنوك، حيث يقدم رؤى أوضح عن التوصيف، بينما DBSCAN أقل ملاءمة بسبب تجانس البيانات وتوزيعها.
درس موكوداسر وآخرون (Mon,) هذا السؤال.