Щоб зрозуміти, як дані революціонують залучення клієнтів до банківської діяльності, ми сіли разом з Амітом Танеєю, автором недавнього дослідження «Аналіз поведінки клієнтів в банківській сфері: використання великих даних для покращення персоналізованих послуг», опублікованого в International Journal of Innovative Research in Science, Engineering and Technology. П: Чи можете ви підсумувати основну ідею, що стоїть за вашим дослідженням? Суть дослідження полягає в тому, як банки використовують аналітику великих даних, щоб зрозуміти і передбачити поведінку клієнтів більш точно, ніж будь-коли раніше.Ми говоримо про використання великих наборів даних, таких як історія транзакцій, демографічні дані та журнали цифрової активності, щоб забезпечити високо персоналізовані фінансові послуги. Amit:  Q: Це звучить потужно. Які дані про клієнтів аналізують банки? Банки, як правило, аналізують три основних типи даних: Amit: Історія транзакцій – це дані про частоту, обсяг і тип фінансових операцій. Демографічні дані – вік, дохід, стать, професія та місцезнаходження – все це допомагає сегментувати клієнтів. Online Activity Logs - Як часто користувач входить, з якими сервісами вони взаємодіють, і скільки часу вони витрачають на конкретних платформах - все моніториться, щоб оцінити переваги та залучення. Запитання: Як банки розуміють такі великі і різноманітні дані? Відмінне питання. ось де входить машинне навчання. Дві ключові технології, на яких ми зосереджуємося в статті: Amit:  Групування (непідконтрольне навчання): Це групує клієнтів з подібною поведінкою.Наприклад, ми можемо визначити закономірності в витратах і сегментації клієнтів як «транзакторів», «револьверів» або «неактивних» користувачів. Сегментація (наглядове навчання): Це використовує дерева рішень або алгоритми найближчих сусідів для класифікації клієнтів на основі відомих результатів або характеристик. В: Які набори даних були використані у вашому аналізі? Ми в основному використовуємо: Amit:  Банківський маркетинговий набір даних з репозиторію машинного навчання UCI, який включає реальні кампанії та демографічні дані з португальського банку. Набір даних сегментації клієнтів Kaggle, який, хоча і анонімний, відмінно підходить для моделювання реалістичної банківської поведінки з використанням демографічних та транзакційних даних. П: Якісь прогнозні уявлення про моделювання, які ви хотіли б поділитися? Ми побудували кілька прогнозних моделей для прогнозування результатів, таких як відгуки клієнтів або показники реакції кампанії. Найкраще виконується з: Amit:  Random Forest algorithms  91% точність 93% точність 90% відгуків Це перевершило інші моделі, такі як логістична регресія та рішення дерев. Запитання: Чи перетворився цей підхід на відчутні поліпшення для банків? Так, і результати були вражаючими. Ось два конкретних результати: Amit: Успіх сегментації клієнтів: наприклад, банки можуть налаштувати пропозиції, розуміючи сегменти, такі як користувачі з високими транзакціями проти тих, що мають низький рівень залучення. Персоналізовані рекомендації: Це призвело до збільшення задоволеності клієнтів.Насправді, ці оцінки задоволеності зросли приблизно на 1 повний пункт (на 5-точковій шкалі) після реалізації персоналізованих рекомендацій. Q: А як щодо лояльності клієнтів і відданості? Зазначимо, що показники з 2019-2021 рр. показують послідовний спад з 12% до 6%, коли банки перейшли від традиційного маркетингу до стратегій, заснованих на великих даних. Amit: Запитання: Тож, що це за привід для банківських лідерів? Аналітика великих даних - це не тільки конкурентна перевага, вона швидко стає необхідністю.Предбачаючи потреби клієнтів, персоналізуючи послуги та активно зменшуючи витрати, банки можуть залишатися актуальними і будувати довготривалі відносини з клієнтами в швидко мінливому цифровому ландшафті. Amit:  В: Останнє питання, що буде далі для цієї області? Наступна межа полягає в інтеграції аналітики в режимі реального часу та персоналізації за допомогою штучного інтелекту.Уявіть собі банк, який не тільки знає ваші звички витрат, але і адаптує свої пропозиції до вашого способу життя в реальному часі. 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. 

Це аудіо створено мовою оригіналу історії!

Як великі дані перетворюють досвід клієнтів у банківському секторі

About Author

КОМЕНТАРІ

ПОВІСИТИ БИРКИ

ЦЯ СТАТТЯ БУЛА ПРЕДСТАВЛЕНА В

Related Stories

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps