ในสภาพแวดล้อมการเงินที่เปลี่ยนแปลงอย่างรวดเร็วในปัจจุบันการวิเคราะห์ข้อมูลขนาดใหญ่ได้กลายเป็นมากกว่าแค่คําพูด แต่ก็เป็นสินทรัพย์เชิงกลยุทธ์ เพื่อเข้าใจว่าข้อมูลมีอิทธิพลต่อการมีส่วนร่วมของลูกค้าในด้านธนาคารอย่างไร เราได้สัมผัสกับ Amit Taneja ผู้เขียนของการศึกษาล่าสุด“ การวิเคราะห์พฤติกรรมของลูกค้าในธนาคาร: การใช้ประโยชน์จากข้อมูลขนาดใหญ่เพื่อปรับปรุงบริการที่กําหนดเอง” ที่เผยแพร่ใน International Journal of Innovative Research in Science, Engineering and Technology Q: คุณสามารถสรุปความคิดหลักที่อยู่เบื้องหลังการวิจัยของคุณได้หรือไม่ ความสําคัญของการศึกษาคือวิธีการที่ธนาคารใช้การวิเคราะห์ข้อมูลขนาดใหญ่เพื่อเข้าใจและคาดการณ์พฤติกรรมของลูกค้าอย่างแม่นยํากว่าที่เคย เราพูดถึงการใช้ชุดข้อมูลขนาดใหญ่เช่นประวัติการทําธุรกรรมข้อมูลประชากรและบันทึกกิจกรรมดิจิตอลเพื่อให้บริการทางการเงินที่กําหนดเองสูง Amit:  คําถาม: มันฟังดูมีประสิทธิภาพ ประเภทของข้อมูลลูกค้าที่ธนาคารวิเคราะห์หรือไม่ ธนาคารมักจะวิเคราะห์ข้อมูลสามประเภทหลัก: Amit: ประวัติการทําธุรกรรม – นี่รวมถึงข้อมูลเกี่ยวกับความถี่ปริมาณและประเภทของการทําธุรกรรมทางการเงิน ข้อมูลประชากร - อายุรายได้เพศอาชีพและตําแหน่งทั้งหมดช่วยให้ลูกค้าแบ่งปัน บันทึกกิจกรรมออนไลน์ - บ่อยครั้งที่ผู้ใช้เข้าสู่ระบบบริการที่พวกเขาโต้ตอบกับและเวลาที่พวกเขาใช้จ่ายบนแพลตฟอร์มเฉพาะทั้งหมดจะถูกตรวจสอบเพื่อวัดความต้องการและการมีส่วนร่วม คําถาม: วิธีการธนาคารเข้าใจข้อมูลขนาดใหญ่และหลากหลายเช่นนี้ คําถามที่ยอดเยี่ยม นี่คือที่การเรียนรู้เครื่องมาถึง สองเทคนิคหลักที่เรามุ่งเน้นในบทความคือ Amit:  การจัดกลุ่ม (การเรียนรู้โดยไม่ได้รับการดูแล): นี่คือการจัดกลุ่มลูกค้าที่มีพฤติกรรมคล้ายกัน ตัวอย่างเช่นเราสามารถระบุรูปแบบในการใช้จ่ายและกลุ่มลูกค้าเป็น “ผู้ทําธุรกรรม” “ผู้ใช้ revolvers” หรือ “ไม่ใช้งาน” ผู้ใช้ การแยกส่วน (การเรียนรู้ที่ได้รับการดูแล): นี้ใช้ต้นไม้ตัดสินใจหรืออัลกอริทึมเพื่อนบ้านที่ใกล้ที่สุดเพื่อจัดประเภทลูกค้าตามผลลัพธ์หรือคุณสมบัติที่รู้จัก คําถาม: ชุดข้อมูลใดที่ใช้ในการวิเคราะห์ของคุณ เราใช้ส่วนใหญ่: Amit:  ชุดข้อมูลการตลาดธนาคารจาก UCI Machine Learning Repository ซึ่งรวมถึงแคมเปญจริงและข้อมูลประชากรจากธนาคารโปรตุเกส Kaggle Customer Segmentation Dataset ซึ่งในขณะที่เป็นตัวอักษรเหมาะสําหรับการจําลองพฤติกรรมธนาคารที่สมจริงโดยใช้ข้อมูลประชากรและข้อมูลการทําธุรกรรม ถาม: ความเห็นเกี่ยวกับการจําลองการคาดการณ์ใด ๆ ที่คุณต้องการแบ่งปัน? แน่นอน เราได้สร้างรูปแบบการคาดการณ์หลายรูปแบบเพื่อคาดการณ์ผลลัพธ์เช่นอัตราการตอบสนองของลูกค้าหรือแคมเปญ ตัวอย่างเช่นการใช้ชุดข้อมูลการตลาดธนาคาร ดําเนินการที่ดีที่สุดกับ: Amit:  Random Forest algorithms  ความแม่นยํา 91% ความแม่นยํา 93% 90% ความทรงจํา นี้เอาชนะรูปแบบอื่น ๆ เช่น Regression Logistic และ Decision Trees คําถาม: วิธีการนี้แปลเป็นการปรับปรุงที่เห็นได้ชัดสําหรับธนาคารหรือไม่ ใช่และผลลัพธ์ที่น่าประทับใจ นี่คือผลลัพธ์ที่เฉพาะเจาะจงสองประการ: Amit: ประสบความสําเร็จในการแบ่งปันลูกค้า: ตัวอย่างเช่นธนาคารสามารถปรับแต่งข้อเสนอโดยการเข้าใจกลุ่มเช่นผู้ใช้ที่มีการทําธุรกรรมสูง versusผู้ที่มีการมีส่วนร่วมต่ํา คําแนะนําที่กําหนดเอง: สิ่งเหล่านี้นําไปสู่ความพึงพอใจของลูกค้าเพิ่มขึ้น ในความเป็นจริงคะแนนความพึงพอใจนั้นเพิ่มขึ้นประมาณ 1 จุดเต็ม (ในระดับ 5 จุด) หลังจากใช้คําแนะนําที่กําหนดเอง Q: และสิ่งที่เกี่ยวกับความภักดีของลูกค้าและ churn? การปรับแต่งข้อมูลขนาดใหญ่ได้รับการพิสูจน์ให้ลดความเสียหายอย่างมาก อัตราแลกเปลี่ยนจาก 2019-2021 แสดงให้เห็นถึงการลดลงอย่างสม่ําเสมอจาก 12% ถึง 6% เมื่อธนาคารเปลี่ยนจากกลยุทธ์การตลาดแบบดั้งเดิมไปยังกลยุทธ์ที่ใช้ข้อมูลขนาดใหญ่ Amit: คําถาม: ดังนั้นสิ่งที่นําไปใช้กับผู้นําธนาคาร การวิเคราะห์ข้อมูลขนาดใหญ่ไม่เพียง แต่เป็นข้อได้เปรียบในการแข่งขัน แต่ก็กลายเป็นความจําเป็นอย่างรวดเร็ว โดยการคาดการณ์ความต้องการของลูกค้าปรับแต่งบริการและลดค่าใช้จ่ายอย่างมีนัยสําคัญธนาคารสามารถยังคงเกี่ยวข้องและสร้างความสัมพันธ์กับลูกค้าที่ยั่งยืนในภูมิทัศน์ดิจิตอลที่เปลี่ยนแปลงอย่างรวดเร็ว Amit:  ถาม: คําถามสุดท้ายคืออะไรต่อไปสําหรับสาขานี้ ขอบเขตต่อไปคือการรวมการวิเคราะห์แบบเรียลไทม์และการปรับแต่งที่ขับเคลื่อนด้วย AI ลองจินตนาการว่าธนาคารไม่เพียง แต่รู้นิสัยการใช้จ่ายของคุณ แต่ยังปรับข้อเสนอของพวกเขาให้เหมาะกับชีวิตของคุณในเวลาจริง นั่นคือจุดที่เรากําลังไป 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. 

เสียงนี้ผลิตในภาษาต้นฉบับของเรื่องราว!

วิธีข้อมูลขนาดใหญ่จะเปลี่ยนรูปร่างประสบการณ์ลูกค้าในธนาคาร

About Author

ความคิดเห็น

แขวนแท็ก

บทความนี้ถูกนำเสนอใน

Related Stories

MAKING FRIENDS.

Meet Hubstaff: HackerNoon Company of the Week

How AWS, Bosch & Brave Reach 4M+ Tech Pros on HackerNoon

Meet ScyllaDB: HackerNoon Company of the Week

MAKING FRIENDS.

Meet Hubstaff: HackerNoon Company of the Week

How AWS, Bosch & Brave Reach 4M+ Tech Pros on HackerNoon

Meet ScyllaDB: HackerNoon Company of the Week

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps