Për të kuptuar se si të dhënat po revolucionarizojnë angazhimin e klientëve në bankë, ne u ulëm me Amit Taneja, autor i studimit të kohëve të fundit “Analiza e sjelljes së klientëve në bankë: Shfrytëzimi i të dhënave të mëdha për të përmirësuar shërbimet e personalizuara”, i botuar në revistën ndërkombëtare të kërkimeve inovative në shkencë, inxhinieri dhe teknologji. Q: A mund të përmbledhni idenë kryesore prapa hulumtimit tuaj? Thelbi i studimit rrotullohet rreth asaj se si bankat po shfrytëzojnë analizat e të dhënave të mëdha për të kuptuar dhe parashikuar sjelljen e konsumatorëve më saktë se kurrë më parë. Amit:  Q: Kjo tingëllon e fuqishme. çfarë lloj të dhënash të konsumatorëve janë bankat duke analizuar? Bankat zakonisht analizojnë tre lloje të mëdha të të dhënave: Amit: Historia e transaksioneve – Kjo përfshin të dhënat për frekuencën, vëllimin dhe llojin e transaksioneve financiare. Të dhënat demografike – Mosha, të ardhurat, gjinia, profesioni dhe vendndodhja të gjitha ndihmojnë klientët e segmentit. Online Activity Logs – Sa shpesh një përdorues hyni, cilat shërbime ata ndërveprojnë me, dhe sa kohë ata shpenzojnë në platforma të caktuara janë të gjitha monitoruar për të matur preferencat dhe angazhimin. P: Si i kuptojnë bankat të dhënat kaq të mëdha dhe të ndryshme? Pyetje e madhe.Kjo është ajo ku vjen mësimi i makinës.Dy teknika kyçe që ne përqendrohemi në letër janë: Amit:  Klustrimi (mësimi pa mbikëqyrje): Kjo grupon klientët me sjellje të ngjashme. për shembull, ne mund të identifikojmë modelet në shpenzimet dhe klientët e segmentit si "transaktorë", "revolverë" ose "inaktive" përdorues. Segmentimi (mësimi i mbikëqyrur): Kjo përdor pemët e vendimit ose algoritmet e fqinjëve më të afërt për të klasifikuar klientët bazuar në rezultatet ose karakteristikat e njohura. Q: Cilat grupe të të dhënave janë përdorur në analizën tuaj? Ne përdorim kryesisht: Amit:  Dataset Bank Marketing nga UCI Machine Learning Repository, e cila përfshin të dhënat reale të fushatës dhe demografike nga një bankë portugeze. Seti i të dhënave Kaggle Customer Segmentation, i cili, edhe pse anonimizuar, është i shkëlqyeshëm për modelimin e sjelljes bankare realiste duke përdorur të dhënat demografike dhe transaksionet. P: Çdo njohuri parashikuese të modelimit që do të donit të ndani? Ne kemi ndërtuar disa modele parashikuese për të parashikuar rezultate të tilla si shpenzimet e klientëve ose normat e reagimit të fushatës. për shembull, duke përdorur grupin e të dhënave Bank Marketing, Punon më së miri me: Amit:  Random Forest algorithms  91% saktësi 93% saktësi 90 për qind e kujtimeve Kjo i tejkaloi modelet e tjera si Regresioni Logistik dhe Pemët e Vendimit. P: A ka çuar ky qasje në përmirësime të dukshme për bankat? Po, dhe rezultatet ishin mbresëlënëse. Këtu janë dy rezultate konkrete: Amit: Suksesi i segmentimit të klientëve: Për shembull, bankat mund të përshtaten me ofertat duke kuptuar segmente si përdoruesit me transaksione të larta kundrejt atyre me angazhim të ulët. Rekomandimet e personalizuara: Këto çuan në rritje të kënaqësisë së konsumatorëve.Në fakt, këto vlerësime të kënaqësisë u rritën me rreth 1 pikë të plotë (në një shkallë prej 5 pikësh) pas zbatimit të rekomandimeve të personalizuara. Q: Dhe çfarë për besnikërinë e konsumatorëve dhe churn? Kostoja e të dhënave nga 2019-2021 tregon një rënie të vazhdueshme nga 12% në 6% kur bankat kaluan nga strategjitë tradicionale të marketingut në strategjitë e mëdha të të dhënave. Amit: Q: Pra, çfarë është marrja për udhëheqësit e bankave? Analiza e të dhënave të mëdha nuk është vetëm një avantazh konkurrues, por po bëhet shpejt një domosdoshmëri.Me parashikimin e nevojave të klientëve, personalizimin e shërbimeve dhe zvogëlimin proaktiv të shpenzimeve, bankat mund të mbeten relevante dhe të ndërtojnë marrëdhënie të qëndrueshme me klientët në një peizazh digjital në ndryshim të shpejtë. Amit:  Q: Pyetja e fundit çfarë është e ardhshme për këtë fushë? Kufiri i ardhshëm është integrimi i analitikës në kohë reale dhe personalizimit të udhëhequr nga AI. Imagjinoni një bankë që jo vetëm që i njeh zakonet tuaja të shpenzimeve, por që i përshtatet ofertës së saj stilit tuaj të jetesës në kohë reale. 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. 

Kjo audio është prodhuar në gjuhën origjinale të tregimit!

Si të dhënat e mëdha po rishfaqin përvojën e klientit në bankë

About Author

KOMENTE

VARUR TAGS

KY ARTIKU U PARAQIT NË

Related Stories

Rrjeti SQD sapo vrau emetimet e tokenëve.Ja çfarë paguan 16 miliardë dollarë në DeFi TVL

Rrjeti SQD sapo vrau emetimet e tokenëve.Ja çfarë paguan 16 miliardë dollarë në DeFi TVL

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps