Để hiểu cách dữ liệu đang cách mạng hóa sự tham gia của khách hàng trong lĩnh vực ngân hàng, chúng tôi đã ngồi xuống với Amit Taneja, tác giả của nghiên cứu gần đây “Phân tích hành vi khách hàng trong ngân hàng: Tận dụng dữ liệu lớn để nâng cao dịch vụ cá nhân hóa”, được công bố trên Tạp chí Nghiên cứu sáng tạo về khoa học, kỹ thuật và công nghệ quốc tế. Q: Bạn có thể tóm tắt ý tưởng chính đằng sau nghiên cứu của bạn? Cốt lõi của nghiên cứu xoay quanh cách các ngân hàng đang khai thác phân tích dữ liệu lớn để hiểu và dự đoán hành vi của khách hàng chính xác hơn bao giờ hết.Chúng tôi đang nói về việc tận dụng các bộ dữ liệu quy mô lớn như lịch sử giao dịch, dữ liệu nhân khẩu học và nhật ký hoạt động kỹ thuật số để cung cấp các dịch vụ tài chính được cá nhân hóa cao. Amit:  Q: Điều đó nghe có vẻ mạnh mẽ. loại dữ liệu khách hàng mà các ngân hàng đang phân tích? Các ngân hàng thường phân tích ba loại dữ liệu chính: Amit: Lịch sử giao dịch - Điều này bao gồm dữ liệu về tần suất, khối lượng và loại giao dịch tài chính. Dữ liệu nhân khẩu học – Tuổi tác, thu nhập, giới tính, nghề nghiệp và vị trí tất cả đều giúp khách hàng phân khúc. Nhật ký hoạt động trực tuyến – Người dùng đăng nhập thường xuyên như thế nào, các dịch vụ mà họ tương tác với và thời gian họ dành trên các nền tảng cụ thể đều được theo dõi để đánh giá sở thích và sự tham gia. Hỏi: Làm thế nào các ngân hàng có ý nghĩa với dữ liệu lớn và đa dạng như vậy? Đó là nơi mà máy học đi vào. Hai kỹ thuật chính mà chúng tôi tập trung vào trong bài báo là Amit:  Clustering (học không giám sát): Điều này nhóm khách hàng có hành vi tương tự. ví dụ, chúng tôi có thể xác định các mô hình trong chi tiêu và phân đoạn khách hàng là “trader”, “revolvers”, hoặc “inactive” người dùng. Segmentation (học theo giám sát): Điều này sử dụng cây quyết định hoặc thuật toán hàng xóm gần nhất để phân loại khách hàng dựa trên kết quả hoặc đặc điểm đã biết. Q: Những bộ dữ liệu nào đã được sử dụng trong phân tích của bạn? Chúng tôi chủ yếu sử dụng: Amit:  Bộ dữ liệu tiếp thị ngân hàng từ kho lưu trữ học máy UCI, bao gồm các chiến dịch thực tế và dữ liệu nhân khẩu học từ một ngân hàng Bồ Đào Nha. Bộ dữ liệu phân đoạn khách hàng Kaggle, mặc dù ẩn danh, rất tốt cho việc mô hình hóa hành vi ngân hàng thực tế bằng cách sử dụng dữ liệu nhân khẩu học và giao dịch. Q: Bất kỳ cái nhìn sâu sắc về mô hình dự đoán nào bạn muốn chia sẻ? Chắc chắn. chúng tôi đã xây dựng một số mô hình dự đoán để dự đoán kết quả như khách hàng churn hoặc tỷ lệ phản ứng chiến dịch. Ví dụ, sử dụng bộ dữ liệu Marketing ngân hàng, Hoạt động tốt nhất với: Amit:  Random Forest algorithms  91% độ chính xác 93% Độ chính xác 90% nhớ lại Điều này vượt qua các mô hình khác như Logistic Regression và Decision Trees. Hỏi: Cách tiếp cận này có chuyển thành những cải tiến hữu hình cho các ngân hàng không? Có, và kết quả rất ấn tượng. Dưới đây là hai kết quả cụ thể: Amit: Thành công phân đoạn khách hàng: Ví dụ, các ngân hàng có thể tùy chỉnh các đề nghị bằng cách hiểu các phân đoạn như người dùng giao dịch cao so với những người tham gia thấp. Các khuyến nghị cá nhân hóa: Điều này dẫn đến sự hài lòng của khách hàng. trên thực tế, điểm hài lòng đó tăng khoảng 1 điểm đầy đủ (trên thang điểm 5 điểm) sau khi thực hiện các khuyến nghị cá nhân hóa. Q: Và những gì về khách hàng trung thành và churn? Tỷ lệ churn từ 2019-2021 cho thấy sự sụt giảm liên tục từ 12% xuống 6% khi các ngân hàng chuyển từ tiếp thị truyền thống sang các chiến lược dựa trên dữ liệu lớn. Amit: Q: Vì vậy, những gì là takeaway cho các nhà lãnh đạo ngân hàng? Bằng cách dự đoán nhu cầu của khách hàng, cá nhân hóa dịch vụ và chủ động giảm chi phí, các ngân hàng có thể duy trì sự liên quan và xây dựng mối quan hệ khách hàng lâu dài trong một bối cảnh kỹ thuật số thay đổi nhanh chóng. Amit:  Q: Câu hỏi cuối cùng là gì tiếp theo cho lĩnh vực này? Biên giới tiếp theo là tích hợp phân tích thời gian thực và cá nhân hóa dựa trên AI. Hãy tưởng tượng một ngân hàng không chỉ biết thói quen chi tiêu của bạn mà còn điều chỉnh các ưu đãi theo lối sống của bạn theo thời gian thực. 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. 

Nghe bài viết này bằng Tiếng Anh, đọc bởi robot thông minh của HackerNoon

Làm thế nào Big Data đang định hình lại trải nghiệm khách hàng trong ngân hàng

About Author

BÌNH LUẬN

chuyên mục

BÀI VIẾT NÀY CŨNG CÓ MẶT TẠI

Related Stories

287 Stories To Learn About Blockchain Development

178 Stories To Learn About Essay

179 Stories To Learn About Reading

223 Stories To Learn About Science

287 Stories To Learn About Blockchain Development

178 Stories To Learn About Essay

179 Stories To Learn About Reading

223 Stories To Learn About Science

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps