Da bismo razumeli kako podaci revolucionarno utiču na angažman klijenata u bankarstvu, sjedili smo s Amitom Tanejom, autorom nedavne studije „Analiza ponašanja klijenata u bankarstvu: iskorištavanje velikih podataka za poboljšanje personaliziranih usluga”, objavljene u Međunarodnom časopisu za inovativna istraživanja u znanosti, inženjerstvu i tehnologiji. P: Možete li sažeti glavnu ideju iza vašeg istraživanja? Središte studije vrti se oko toga kako banke iskorištavaju analizu velikih podataka kako bi razumjele i predvidjele ponašanje klijenata preciznije nego ikad prije. Amit:  P: To zvuči moćno. Kakvu vrstu podataka o klijentima analiziraju banke? Banke obično analiziraju tri glavne vrste podataka: Amit: Povijest transakcija – To uključuje podatke o učestalosti, volumenu i vrsti finansijskih transakcija. Demografski podaci – dob, prihod, spol, zanimanje i lokacija svi pomažu kupcima u segmentu. Online dnevnici aktivnosti – Koliko često se korisnik prijavljuje, s kojim uslugama komunicira i koliko vremena provodi na određenim platformama, sve se prati kako bi se mogle procijeniti preferencije i angažman. P: Kako banke razumiju tako velike i raznovrsne podatke? Veliko pitanje. To je mjesto na koje dolazi strojno učenje. Dve ključne tehnike na koje se fokusiramo u članku su: Amit:  Clustering (nekontrolirano učenje): Ovo grupira kupce sa sličnim ponašanjem. Na primjer, možemo identificirati obrasce u potrošnji i segmentirati kupce kao „transaktore“, „revolvere“ ili „inaktivne“ korisnike. Segmentacija (nadzirano učenje): Ovo koristi drveće odluka ili algoritme najbližih susjeda za klasifikaciju kupaca na osnovu poznatih rezultata ili karakteristika. P: Koji su se skupovi podataka koristili u vašoj analizi? Uglavnom smo koristili: Amit:  Bankarski marketing set podataka iz UCI Machine Learning Repository, koji uključuje realne kampanje i demografske podatke iz portugalske banke. Kaggle Customer Segmentation dataset, koji, iako je anoniman, odličan je za modeliranje realističnog bankarskog ponašanja koristeći demografske i transakcijske podatke. P: Postoji li neki prediktivni uvid u modeliranje koje biste željeli podijeliti? Definitivno. Izgradili smo nekoliko prediktivnih modela za predviđanje rezultata kao što su stope odgovora klijenata ili kampanje. Najbolje se izvodi sa: Amit:  Random Forest algorithms  91% preciznost 93% preciznost 90 odsto sećanja To je nadmašilo druge modele kao što su logistička regresija i drveće odluka. P: Je li se ovaj pristup pretvorio u opipljiva poboljšanja za banke? Da, i rezultati su bili impresivni. Evo dva konkretna rezultata: Amit: Uspeh segmentacije klijenata: Na primer, banke bi mogle prilagoditi ponude razumijevanjem segmenata kao što su korisnici s visokim transakcijama u odnosu na one s niskim angažmanom. Personalizirane preporuke: To je dovelo do povećanja zadovoljstva kupaca. U stvari, ta ocjena zadovoljstva porasla je za oko 1 punu točku (na ljestvici od 5 bodova) nakon implementacije personaliziranih preporuka. P: A šta je sa lojalnošću kupaca i churn? Kamatne stope od 2019. do 2021. pokazuju dosljedan pad sa 12% na 6% kada su banke prešle sa tradicionalnog marketinga na strategije zasnovane na velikim podacima. Amit: P: Dakle, koji je odabir za rukovodioce banaka? Predviđanjem potreba kupaca, personaliziranjem usluga i proaktivnim smanjenjem troškova, banke mogu ostati relevantne i izgraditi trajne odnose sa kupcima u brzo se mijenjajućem digitalnom okruženju. Amit:  P: Zadnje pitanje, šta je sledeće za ovo polje? Sljedeća granica je integracija analitike u realnom vremenu i personalizovanja zasnovanog na AI-u.Zamislite banku koja ne samo da zna vaše navike potrošnje, već prilagođava svoje ponude vašem načinu života u realnom vremenu. Amit:

This story contains new, firsthand information uncovered by the writer.

Between Two Computer Monitors: This story includes an interview between the writer and guest/interviewee. 

Ovaj audio je proizveden na originalnom jeziku priče!

Kako Big Data preoblikuje korisničko iskustvo u bankarstvu

About Author

KOMENTARI

HANG TAGS

OVAJ ČLANAK JE PREDSTAVLJEN U

Related Stories

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps