ამჟამად, დიდი მონაცემთა ანალიტიკა უფრო მეტია, ვიდრე უბრალოდ ბედნიერი, ეს არის სტრატეგიული მახასიათებლები. იმისათვის, რომ იცოდეთ, თუ როგორ მონაცემები შეუწყობს მომხმარებლის ინტეგრირება ბანკში, ჩვენ შეუწყვიტოს Amit Taneja- სთან ერთად, რომელიც გამოქვეყნდა “კონტაქტო ქცევის ანალიზი ბანკში: დიდი მონაცემების გამოყენება პერსონალური მომსახურების გაუმჯობესებლად”, International Journal of Innovative Research in Science, Engineering and Technology- ში. Q: შეგიძლიათ შეტყობინოთ ძირითადი იდეა თქვენი კვლევა? ძირითადად, ამ კვლევის ძირითადი ძირითადი ძირითადი ძირითადი ძირითადი ძირითადი ძირითადი ძირითადი ძირითადი ძირითადი ძირითადი ძირითადი ძირითადი ძირითადი ძირითადი ძირითადი ძირითადი ძირითადი ძირითადი ძირითადი ძირითადი ძირითადი ძირითადი ძირითადი ძირითადი ძირითადი ძირითადი ძირითადი ძირითადი ძირითადი ძირითადი ძირითადი ძირითადი ძირითადი ძირითადი ძირითადი ძირითადი ძირითადი ძირითადი ძირითადი ძირითადი ძირითადი ძირითადი ძირითადი ძირითადი ძირითადი ძირითადი ძირითადი ძირითადი ძირითადი ძირითადი ძირითადი ძირითადი ძირითადი ძირითადი ძირითადი ძირითადი ძირითადი ძირითადი ძირითადი ძირითადი ძირითადი ძირითადი Amit:  Q: ეს ხდის ძლიერი. რა ტიპის მომხმარებლის მონაცემები ბანკები ანალიზი? ბანკები ჩვეულებრივ 3 ძირითადი ტიპის მონაცემების ანალიზი: Amit: სავაჭრო ისტორია - ეს მოიცავს მონაცემები ფინანსური სავაჭრო სიხშირის, მოცულობის და ტიპის შესახებ. Demographic მონაცემები - ასაკი, შემოსავლის, სქესის, პროფესიის და ადგილი ყველა დახმარება segment მომხმარებელს. Online Activity Logs - როგორ ხშირად მომხმარებლის ჩაწერება, რა მომსახურება ისინი ინტეგრირებენ, და თუ რამდენად ხანგრძლივი ისინი გაქვთ კონკრეტული პლატფორმაებში, ყველა მონიტორინირებულია, რათა შეამციროს პარამეტრები და ინტეგრირება. Q: როგორ ბანკები განიხილოს ასეთი დიდი და მრავალფეროვანი მონაცემები? დიდი კითხვა. ეს არის ადგილი, სადაც მანქანა სასწავლო მოდის. ორი ძირითადი ტექნოლოგია, რომელიც ჩვენ შეუზღუდავ ამ სტატიაში, არის: Amit:  Clustering (შემატარული სასწავლო): ეს ჯგუფი კლიენტებს, რომლებიც შეიცავს მსგავსი ქცევა. მაგალითად, ჩვენ შეგვიძლია აირჩიოთ მოდელები გადახდის და სექციონირების კლიენტებს, როგორც “თანატორები”, “ბორბორბორბორბორბორბორბორბორბორბორბორბორბორბორბორბორბორბორბორბორბორბორბორბორბორბორბორბორბორბორბორბორბორბორბორბორბორბორბორბორბორბორბორბორბორბორბორბორბორბორბორბორბორბორბორბორბორბორბორბორბორბ Segmentation (შემატარული სწავლის): ეს გამოიყენებს გადაწყვეტილებების ხეები ან k-შემატარული ალგორტატები კლიენტების კლასიკის მიხედვით ცნობილი შედეგები ან თვისებები. Q: რა მონაცემები გამოიყენება თქვენი ანალიზი? ჩვენ ძირითადად გამოიყენება: Amit:  საბანკო მარკეტინგი მონაცემთა კომპლექტი UCI Machine Learning Repository, რომელიც მოიცავს რეალურ კამპანიაში და პორტატული ბანკში მოდული მონაცემები. Kaggle კლიენტების Segmentation მონაცემთა სერტიფიკაცია, რომელიც, მიუხედავად იმისა, რომ ანონიმური, დიდი არის რეალური ბანკის ქცევის მოდულების გამოყენებით დეტალური და სავაჭრო მონაცემების გამოყენებით. Q: ნებისმიერი პროგნოზი მოდელის მიმოხილვა გსურთ გაუზიაროთ? რა თქმა უნდა. ჩვენ აშენდა რამდენიმე პროგნოზი მოდელი, რათა პროგნოზი შედეგები, როგორიცაა მომხმარებლის churn ან კამპანია რეაგირების სიჩქარეები. მაგალითად, გამოყენებით ბანკის მარკეტინგის მონაცემთა კომპლექტი, საუკეთესო შესრულება: Amit:  Random Forest algorithms  91% სიზუსტით 93% სიზუსტით 90 დონე ეს შეჩერდა სხვა მოდელები, როგორიცაა Logistic Regression და Decision Trees. Q: ეს მიმოხილვა შეიცვალა პრაქტიკული გაუმჯობესება ბანკებს? Yes, and the results were impressive. აქ არის ორი კონკრეტული შედეგები: Amit: მომხმარებლის სექციონირების წარმატება: მაგალითად, ბანკები შეუძლიათ საბაჟო გთავაზობთ, რათა გაიგოთ სექციონები, როგორიცაა მაღალი სავაჭრო მომხმარებლები და დაბალი ინტეგრიზაციის. კონფიდენციალურობის რეკომენდაციები: ეს გაზრდის მომხმარებლის კმაყოფილება. ფაქტობრივად, კონფიდენციალურობის რეკომენდაციები გაიზარდა დაახლოებით 1 სრული პერსონალი (5 პერსონალური სფეროში) მას შემდეგ, რაც კონფიდენციალურობის რეკომენდაციები გააკეთეს. Q: და რა არის მომხმარებლის ფანჯარაობა და churn? Churn ფასები 2019–2021 წლიდან აჩვენებს შეუზღუდავი შემცირება 12% -დან 6% -ზე, როდესაც ბანკები გადაიხადეს ტრადიციული მარკეტინგის დიდი მონაცემების მორგებული სტრატეგიებს. Amit: Q: ასე რომ, რა არის takeaway ბანკის მენეჯერი? დიდი მონაცემთა ანალიტიკა არ არის მხოლოდ კონკურენტული უპირატესობა, ეს სწრაფად გახდება საჭიროება. მომხმარებლის საჭიროებების მიმოხილვა, მომსახურების персонализация და პროექტურად შეამციროს შერჩევა, ბანკები შეუძლიათ გაგრძელდეს relevance და შექმნათ გრძელვადიანი მომხმარებლის ურთიერთობები სწრაფად ცვლილებენ ციფრული ფართობი. Amit:  Q: ბოლო კითხვა, რა არის შემდეგი ამ სფეროში? Next frontier არის ინტეგრირებული რეალურ დროში ანალიტიკა და AI-driven პერსონალიზაცია. იმიტომ, რომ ბანკი, რომელიც არა მხოლოდ იცის თქვენი გადახდის ნარკოტიკები, არამედ განკუთვნილია მისი შეთავაზებები თქვენი lifestyle- ს რეალურ დროში. ეს არის, სადაც ჩვენ განიხილოს. 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. 

ეს აუდიო დამზადებულია სიუჟეტის ორიგინალურ ენაზე!

როგორ Big Data განკუთვნილია მომხმარებლის გამოცდილება ბანკის

About Author

კომენტარები

დაკიდეთ ტეგები

ეს სტატია იყო წარმოდგენილი

Related Stories

dYdX Unveiled: The Revolutionary Platform Changing the Face of Decentralized Trading

Karak and Space and Time Join Forces to Revolutionize Blockchain Security

DAO-Funded Hardware Wallet Kampela Secures Polkadot Network Investment

Karl Ludwig Sand: Murder in the 1800s by Alexandre Dumas - Table of Links

dYdX Unveiled: The Revolutionary Platform Changing the Face of Decentralized Trading

Karak and Space and Time Join Forces to Revolutionize Blockchain Security

DAO-Funded Hardware Wallet Kampela Secures Polkadot Network Investment

Karl Ludwig Sand: Murder in the 1800s by Alexandre Dumas - Table of Links

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps