在当今快速发展的金融环境中,大数据分析已成为不仅仅是一个口号,它是一种战略资产,为了了解数据如何改变客户参与银行业,我们与Amit Taneja,最近的研究作者“客户行为分析在银行业:利用大数据来改善个性化服务”的作者坐下来,发表在国际科学,工程和技术创新研究杂志 问:你能概括你的研究背后的主要想法吗? 这项研究的核心是银行如何利用大数据分析来比以往任何时候都更准确地理解和预测客户行为,我们正在谈论利用大型数据集,如交易历史、人口数据和数字活动日志,以提供高度个性化的金融服务。 Amit:  问:这听起来很强大?银行正在分析什么样的客户数据? 银行通常会分析三种主要类型的数据: Amit: 交易历史 – 这包括金融交易的频率、量和类型数据。 人口统计数据 - 年龄,收入,性别,职业和位置都帮助客户。 在线活动日志 - 用户登录的频率,他们与哪些服务互动,以及他们在特定平台上花费的时间都被监控以衡量偏好和参与度。 问:银行如何理解如此庞大和多样化的数据? 很棒的问题,这就是机器学习所在的位置。我们在论文中关注的两个关键技术是: Amit:  聚合(不受监督的学习):这将类似行为的客户群体化,例如,我们可以识别支出和分区客户的模式为“交易者”、“反弹者”或“不活跃”用户。 细分(监督学习):这使用决策树或 k - 最接近的邻居算法来根据已知的结果或特征来分类客户。 问:您的分析中使用了哪些数据集? 我们主要使用: Amit:  来自UCI机器学习库的银行营销数据集,其中包括来自葡萄牙银行的真实活动和人口统计数据。 Kaggle客户细分数据集,虽然匿名,但非常适合使用人口和交易数据来模拟现实的银行行为。 问:您想分享的任何预测模型见解? 我们建立了几种预测模型来预测结果,例如客户回应率或竞选响应率,例如使用银行营销数据集, 最好用: Amit:  Random Forest algorithms  91%的准确性 93%的精度 九成回忆 这超过了其他模型,如物流回归和决策树。 问:这种方法是否为银行带来了实实在在的改善? 是的,结果令人印象深刻,这里有两个具体的结果: Amit: 客户细分成功:例如,银行可以通过了解高交易用户和低参与者的类别来定制报价。 个性化推荐:这些导致了客户满意度的增加,实际上,在实施个性化推荐后,满意度的分数增加了大约1个全点(在5个点的范围内)。 问:如何看待客户忠诚度和诚信? 从2019年到2021年,大数据驱动的个性化已被证明会大大减少支出,因为银行从传统的营销转向大数据驱动的策略,从12%下降到6%。 Amit: 問:那麼,銀行領導人的接觸是什麼呢? 通过预测客户需求,个性化服务,并主动减少负担,银行可以在快速变化的数字环境中保持相关性和建立持久的客户关系。 Amit:  Q:最后一个问题,这个领域的下一步是什么? 下一个边界是整合实时分析和人工智能驱动的个性化。想象一个银行,不仅知道你的支出习惯,而且在实时调整其报价,以适应你的生活方式。 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. 

該音頻是用故事的原始語言製作的！

大数据如何重塑银行客户体验

About Author

註釋

標籤

这篇文章刊登在

Related Stories

想赢得 HackerNoon 写作比赛吗？以下是 #crypto-api 比赛获奖者的推荐

扬帆起航：利用数据湖开发生产级 RAG 应用程序

看不见的层面：为什么用户访谈是不可替代的资产

Floki 的 Valhalla 成为印度环斯里兰卡赛事联合赞助商

想赢得 HackerNoon 写作比赛吗？以下是 #crypto-api 比赛获奖者的推荐

扬帆起航：利用数据湖开发生产级 RAG 应用程序

看不见的层面：为什么用户访谈是不可替代的资产

Floki 的 Valhalla 成为印度环斯里兰卡赛事联合赞助商

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps