پیش بینی ریزش مشتریان بانک با استفاده از یادگیری ماشین(مقاله علمی وزارت علوم)
منبع:
تحقیقات مالی دوره ۲۷ تابستان ۱۴۰۴ شماره ۲
218 - 245
حوزه‌های تخصصی:
هدف: در بازارهای رقابتی، شرکت ها روی برقراری روابط بلندمدت با مشتریان و تقویت وفاداری تمرکز دارند. به علت هزینه های سنگین جذب مشتری جدید، کسب وکارها روی نگهداری مشتریان موجود تمرکز می کنند. پیش بینی مشتریانی که احتمال روی گردانی آن ها در آینده وجود دارد، بخش مهمی از راهبرد حفظ مشتری است. در این مقاله پیش بینی ریزش مشتری در صنعت بانکداری، روی دادگان واقعی مشتریان یکی از بانک های بزرگ ایران انجام شده است. روش: در صنعت بانکداری، کاهش شدید میانگین مانده مؤثر یک مشتری در یک بازه زمانی نسبت به بازه زمانی قبلی، به عنوان ریزش مشتری در نظر گرفته می شود. در این مقاله، ابتدا با پردازش حجم زیادی از تراکنش های بانکی در یک بازه زمانی مشخص، ویژگی های رفتاری متفاوت در سطوح مختلف برای مشتریان به دست آمد؛ سپس برای پیش بینی ریزش، از الگوریتم های پُراستفاده در یادگیری ماشین و روش های یادگیری جمعی استفاده شد. در ادامه، با استفاده از روش های یادگیری عمیق و واحدهای نوین آن، معماری مدل مدنظر ارائه شد. در نهایت، با انجام آزمایش های جامع، عملکرد روش های نام برده بررسی شد. یافته ها: این پژوهش در یکی از بانک های بزرگ ایران اجرا شد و آزمایش ها روی دادگان واقعی مشتریان بانک صورت پذیرفت. در این آزمایش ها، از اطلاعات جمعیت شناختی و رفتار گذشته مشتریان بهره گرفته شد؛ اما از اطلاعات شخصی افراد استفاده نشد تا حریم خصوصی مشتریان حفظ شود. در آزمایش های صورت گرفته، پیش بینی ریزش مشتری روی بازه زمانی یک ماهه انجام گرفت. بدین ترتیب دو بازه یک ماهه متوالی مدنظر قرار گرفت و ویژگی های رفتاری مشتریان، از بازه زمانی اول استخراج شد. متغیر هدف نیز از مقایسه میانگین مانده مؤثر در بازه های زمانی اول و دوم به دست آمد. در صورتی که میانگین مانده مؤثر یک مشتری، در بازه دوم نسبت به بازه اول با بیش از ۷۰درصد کاهش همراه بود، به عنوان ریزش در نظر گرفته شد. در نتایج به دست آمده الگوریتم های یادگیری جمعی و همچنین مدل های عمیق ارائه شده، عملکرد بهتری را نسبت به مدل های مبنا نشان دادند. افزایش اندازه مجموعه آموزش در عملکرد بهتر مدل ها مؤثر بود. مدل تقویت گرادیان با 8984/0 بیشترین مساحت زیر منحنی مشخصه عامل گیرنده نسبت به مجموعه اعتبارسنجی را به دست آورد. نتیجه گیری: استخراج ویژگی های رفتاری از تراکنش های بانکی مشتریان و استفاده از روش های یادگیری جمعی و همچنین مدل های ارائه شده مبتنی بر یادگیری عمیق، در پیش بینی ریزش مشتری مؤثرند. پس از تحلیل رفتار و شناسایی مشتریان در شرف روی گردانی، پیشنهادهایی برای جلوگیری از ریزش و حفظ مشتری ارائه شد. برای نمونه، تفکیک مشتریان بر اساس سن، شغل، تحصیلات و غیره به منظور ارائه خدمات و تولید محصولات بانکی بر این مبنا، ایجاد تنوع در خدمات موجود، ارائه خدمات مورد نیاز مشتریان از طریق بسترهای مجازی و در صورت نیاز در محل فعالیت و زندگی مشتریان، تسهیل در ارائه خدمات مطلوب به مشتریان، افزایش اعتماد مشتریان از طریق ارائه کاربردیِ امن و همچنین، حفاظت از اطلاعات مشتریان، به حفظ مشتری کمک می کند.