۱۱ خرداد ۱۳۹۹
صفحه اصلی / داده‌کاوی و تحلیل رفتار مشتریان / داده‌کاوی در صنعت بانکداری
داده‌کاوی در صنعت بانکداری
داده‌کاوی در صنعت بانکداری نقش بسیار مهم و کلیدی دارد.

داده‌کاوی در صنعت بانکداری

تحلیل داده‌های مشتریان در صنعت بانکداری

مدیران بانکی معمولاً میزی انباشته از گزارش‌های مختلف دارند. همچنین داشبوردهای کامپیوتری که به آن‌ها امکان تهیه گزارش از داده‌ها و نیز خلاصه کردن بخش‌هایی از داده‌ها را به آن ها می‌دهد. تجربه نشان داده است که این گزارش‌های تجاری معمول، فقط خلاصه‌هایی ازآنچه درگذشته رخ‌داده است را بیان می‌کنند. این گزارش‌ها معمولاً یک عکس فوری از زمان حال و یا گذشته کسب‌وکار به نمایش می‌گذارند و در مورد اینکه چرا رخدادهای مختلف اتفاق افتاده است یا اینکه چطور مدیران و رئیسان بانکی می‌توانند بر رخدادهای بعدی تأثیر بگذارند و آن‌ها را پیش‌بینی نمایند، اطلاعاتی ارائه نمی‌دهند.

امروزه بانک‌ها و موسسات مالی داده‌های زیادی را از مشتریان خود در اختیار دارند. اگر می‌خواهیم از دانش پنهان در داده‌های مشتریان استفاده کنیم می‌بایست توان تحلیلی داده‌های مشتریان را در سازمان ایجاد کنیم تا بتوانیم با استفاده از توان تحلیلی به الگو، مدل و مفهومی فراتر از داده‌های خام دست یابیم و اگر توان تحلیل داده‌ها وجود نداشته باشد، جمع‌آوری این حجم از داده نه‌تنها هیچ فایده‌ای ندارد بلکه هزینه‌هایی را نیز برای جمع‌آوری و نگهداری در سازمان در پی خواهد داشت. ازاین‌رو داده‌کاوی برای بانک‌ها و مؤسسات مالی به یک حوزه مهم و راهبردی تبدیل‌شده است. داده‌کاوی فرایند تجزیه‌وتحلیل داده‌ها از دیدگاه‌های مختلف و خلاصه‌سازی آن در قالب اطلاعات ارزشمند است که به بانک‌ها برای جستجوی الگوی پنهان در یک گروه و کشف روابط ناشناخته در داده‌ها کمک می‏رساند.

داده‌کاوی کاربردهای فراوانی در صنعت مالی و بانکداری دارد. در ادامه این مقاله به برخی از این کاربردها اشاره می کنیم:

  • گروه‌بندی مشتریان و تحلیل گروه مشتریان طلایی

یکی از کارهای مهمی که می‌تواند در حوزه تحلیل داده‌ها انجام شود، خوشه‌بندی مشتریان بر اساس ویژگی‌های رفتاری آن‌ها و سپس محاسبه ارزش مشتریان هر گروه می‌باشد. بر این اساس گروه مشتریان طلایی مشخص می‌شوند. مسئولان بانک می توانند مشتریان گروه طلایی را  بر اساس اطلاعات حساب مشتری، استفاده از سرویس‌های بانکی، استفاده از خدمات بانکداری الکترونیک و … مورد تحلیل قرار دهند. بانک می‌بایست برای حفظ گروه مشتریان طلایی برنامه‌ریزی‌های لازم را انجام دهد. در ادامه نمونه ای از این برنامه‌ها ارائه شده است.

برای حفظ مشتریان طلایی باید آن‌ها را در مرکز توجه قرار داد؛

  • می‌بایست خدمات جدید بانک را پیش از همه در اختیار این گروه از مشتریان قرار داد؛
  • ارائه خدمات ویژه به مشتریان این گروه؛
  • به مشتریان طلایی ثابت کنیم که رضایت آن‌ها برای ما اهمیت دارد؛
  • اجرای برنامه‌های وفاداری و ارائه پاداش به مشتریان طلایی؛
  • ارائه خدمات ویژه با سرعت، دقت و صرفه‌جویی در زمان مشتری؛
  • ایجاد تجربه خوشایند در هنگام دریافت تسهیلات؛
  • ارائه خدمات خاص؛
  • ارائه خدمات مشاوره‌ای؛
  • ارائه انواع خدمات بانکداری آنلاین؛
  • ایجاد امکان سرمایه‌گذاری در بازارهای مختلف.
  • پیش‌بینی امکان از دست دادن مشتریان

با توجه به رقابتی شدن صنعت بانکداری در سال‌های اخیر، حفظ مشتریان برای بانک‌ها از اهمیت بسیاری برخوردار است. استفاده از مدل‌های رده‌بندی برای پیش‌بینی ریزش مشتری می‌تواند کمک قابل‌توجهی برای بانک‌ها باشد. ازآنجاکه هزینه‌های حفظ و نگهداشت مشتری بسیار کمتر از هزینه جذب مشتری جدید است، می‌توان گفت نرخ ریزش مشتریان یکی از معیارهای کلیدی کسب‌وکار محسوب می‌گردد. استفاده از مدل های پیش‌بینی ریزش مشتری در بانک‌ها موجب کاهش نرخ از دست دادن مشتریان می‌شود؛ چراکه با استفاده از این مدل، مسئول بانک پیش از دست دادن کامل مشتریان ناراضی به شناسایی آن‌ها می‌پردازد و با ارائه راهکارهای به‌موقع در جهت حفظ آن‌ها گام برمی‌دارد. توجه نمایید که تنها افزایش اندکی در نرخ حفظ مشتریان می‌تواند به میزان زیادی سودآوری بانک را افزایش دهد.

  • شناسایی و ردیابی تقلب در تراکنش‌های بانکی

با پیشرفت‌های روزافزون درزمینه ­ی استفاده از فناوری اطلاعات و شکل‌گیری  بانکداری الکترونیکی، بستر مناسب‌تری برای انجام تقلب در بانک‌ها فراهم‌شده و شناسایی کلاه‌برداری‌ها به‌مراتب پیچیده‌تر شده است. از سوی دیگر طی سال‌های اخیر با افزایش دسترسی به داده‌های مشتریان و استفاده از روش‌های داده‌کاوی می‌توان به تحلیل داده‌های مشتریان پرداخت. یکی از کاربردهای داده‌کاوی کشف تقلبات بانکی است. تقلبات بانکی در حال حاضر بسیار گسترده شده‌اند و موجب ضررهای مادی و غیرمادی بسیاری به بانک و مشتریانش می‌شوند. به‌علاوه، این تقلبات باعث کاهش شهرت و خوش‌نامی بانک‌ها نیز می‌گردد. در همین راستا در صنعت بانکداری می توان با استفاده از تکنیک‌های رده‌بندی در داده‌کاوی، به ردیابی و کشف تقلب در تراکنش‌های بانکی پرداخت. مسئولین بانک با استفاده از مدل حاصل از الگوریتم رده‌بندی می‌تواند به‌موقع رویدادهای نامطلوب مالی را پیش‌بینی کرده از وقوع آن‌ها جلوگیری کند. استفاده از روش‌های هوشمندی همانند داده‌کاوی که با استفاده از آن‌ها بتوان سرعت کشف تقلبات را افزایش داد تأثیر بسزایی در عملکرد بانک دارد.

  • پیش‌بینی سپرده‌گذاری بلندمدت مشتریان و اقدام به بازاریابی مستقیم

امروزه در صنعت بانکداری جذب منابع مالی و افزایش سپرده‌گذاری‌ها به یکی از مهم‌ترین واصلی‌ترین موضوعات بانکداری تبدیل‌شده به‌نحوی‌که رقابت شدیدی بین آن‌ها در این زمینه ایجادشده است. بانک‌ها می‌توانند با جذب هوشمندانه هر مشتری و هموار کردن راه برای سپرده‌گذاری وی، به هدف افزایش سرمایه خود دست‌یافته و به مشتریان نشان دهند که عملکرد آن‌ها در مقایسه با رقبایشان بهتر بوده است. به علت اهمیت این موضوع، در صنعت بانکداری می‌توان از تکنیک‌های داده‌کاوی به‌منظور پیش‌بینی تمایل مشتریان به سپرده‌گذاری استفاده نمود. بانک‌ها با استفاده از مدل‌های رده‌بندی در داده‌کاوی می‌توانند مشتریان بالقوه سودآور را شناسایی کنند و از طریق بازاریابی مستقیم، این مشتریان را ترغیب به سپرده‌گذاری‌های بلندمدت نمایند. بین سپرده‌های بانکی و افزایش عملکرد بانک‌ها رابطه مثبت و معناداری وجود دارد، به‌این‌ترتیب که با افزایش سپرده‌گذاری مشتریان، عملکرد بانک‌ها در جذب منابع بهبود می‌یابد.

  • تشخیص مشتریان مورد اعتماد در هنگام اعطای وام

از دیگر کاربردهای مهم داده‌کاوی در صنعت بانکداری، شناسایی مشتریان مورد اعتماد به‌منظور اعطای وام است. در بانک‌ها این موضوع با عنوان ریسک اعتباری مطرح می‏شود. پیش‌بینی ریسک اعتباری با استفاده از تکنیک‌های داده‌کاوی هم برای مشتریان حقیقی و هم برای مشتریان حقوقی انجام گردید. در صنعت بانکداری بر مبنای ویژگی‌های در دسترس از مشتریان قدیمی، می توان یک مدل احتمالی با استفاده از الگوریتم‌های رده‌بندی پدید آورد و آن را برای پیش‌بینی ریسک اعطای وام به مشتریان به کار گرفت. این مدل، رفتار پیش از دریافت وام مشتری جدید را با رفتار پیش از دریافت وام مشتریان قدیمی که قبلاً از بانک وام دریافت کرده‌اند مقایسه می‌کند. هدف از ارائه این مدل‌ها تعیین مشتریان پرمخاطره و عدم اعطای وام به آن‌هاست. مدل ارائه‌شده می‌تواند مشتریانی که رفتارشان بیشترین تشابه را با رفتار مشتریان پرمخاطره قدیمی دارد، به‌عنوان مشتریان پرمخاطره احتمالی مشخص سازد. تحلیل گران داده می‌توانند مدل‌های داده‌کاوی را در اختیار مسئولان بخش اعطای اعتبار وام قرار دهند. با استفاده از مدل‌های پیش‌بینی ریسک اعتباری، احتمال عدم بازپرداخت تسهیلات از سوی مشتریان کاهش پیدا می‌کند و موجب می‌شود اقدامات لازم برای پیشگیری و یا مقابله با زیان‌های احتمالی در نظر گرفته شود.

دریافت اقساط وام در سررسید تسهیلات اعطایی موجب ورود جریان‌های نقدینگی به چرخه عملیاتی می‌شود. افزایش مطالبات سررسید گذشته و معوق بانک‌ها نسبت به‌کل تسهیلات اعطایی بیانگر کاهش کیفیت دارایی‌های شبکه بانکی است که بی‌ثباتی‌های مالی احتمالی را در پی دارد. بنابراین منطقی است که در بانک ها با عملکرد درست سیستم ارائه تسهیلات و استفاده از مدل‌های رده‌بندی در تعیین ریسک اعتباری مشتریان پیش از اعطای وام به آن‌ها، در پی بهبود عملکرد بانک باشیم.

در مقالات بعدی با کاربردهای داده‌کاوی و تحلیل داده‌ها در صنایع و حوزه‌های مختلف همراه با شما خواهیم بود. 

 

درباره شقایق ابوالمکارم

دکترا مهندسی صنایع، متخصص داده کاوی با بیش از پنج سال سابقه مشاوره، تدریس و پژوهش در این حوزه است. تا کنون دوره های متععد داده کاوی را در دانشگاه های مختلفی نظیر دانشگاه تهران ،دانشگاه آزاد تهران جنوب و دانشگاه علوم و تحقیقات برگزار نموده است. همچنین طی دوره های آموزشی متعدد به تدریس داده کاوی در مرکز دانش مدیریت ارتباط با مشتری(مُدام) پرداخته و پروژه های داده‌کاوی اطلاعات مشتریان را انجام داده است.

مقاله پیشنهادی

کریسپ (CRSIP-DM)

کریسپ ، فرآیندی متداول برای اجرای پروژه‌های داده‌کاوی

یکی از معروف‌ترین فرآیند ها «کریسپ» (CRSIP-DM) است که یک روش صنعتی آزمایش‌شده برای اجرای پروژه‌های داده‌کاوی به شمار می‏رود که در این مقاله در مورد ان توضیح می دهیم.

پاسخی بگذارید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

Time limit exceeded. Please complete the captcha once again.