ИСПОЛЬЗОВАНИЕ АЛГОРИТМА МАШИННОГО ОБУЧЕНИЯ ДЛЯ ВЫЯВЛЕНИЯ СЛАБЫХ МЕСТ В ПРОЦЕССЕ ВЗАИМОДЕЙСТВИЯ БАНКА И КЛИЕНТОВ
Аннотация
В условиях цифровой трансформации финансового сектора и усиления конкуренции за обязательства коммерческие банки сталкиваются с необходимостью оптимизации своих маркетинговых коммуникаций. Традиционная модель привлечения депозитов-массовый телемаркетинг («холодные звонки») – характеризуется низкими показателями конверсии и высокими операционными затратами, что создает барьеры в бизнес-процессах. Это исследование предлагает методологию обнаружения и устранения таких ограничений на основе алгоритмов машинного обучения. На основе эмпирических данных (11 162 наблюдения) были созданы и проверены модели бинарной классификации (логистическая регрессия, Random Forest, Gradient Boosting). Доказано, что переход к предварительной аналитике позволяет выявить до 43% нецелевого трафика, снизить затраты на привлечение клиентов (CAC) и изменить процесс продаж. С точки зрения экономической эффективности особое внимание уделяется интерпретации показателей Precision и Recall.
Ключевые слова:
банковский маркетинг, машинное обучение, бинарная классификация, узкие места, прогнозная аналитика, градиентный бустинг, Рэндэм Форест, оптимизация бизнес-процессов, управление даннымиБиблиографические ссылки
[1] Moro, S., Cortez, P., & Rita, P. (2014). A data-driven approach to predict the success of bank telemarketing. Decision Support Systems, 62, 22-31.
[2] Sahoo D., et al. (2021). Comparative Analysis of Machine Learning Algorithms for Credit Risk Assessment. Journal of Financial Data Science, 3(1), 45-58.
[3] Goldratt E. M. (2022). The Goal: A Process of Ongoing Improvement. North River Press.
[4] Van der Aalst W. M. P. (2020). Process Mining: Data Science in Action. Springer.
[5] Chen T., & Guestrin C. (2016). XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD.
[6] Breiman L. (2001). Random Forests. Machine Learning, 45(1), 5-32.
[7] Hastie T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning. Springer.
[8] Lurdes C., & Pratas, J. (2021). Bank Marketing Strategies Optimization using Data Mining. International Journal of Economics and Finance, 13(4).
[9] Provost F., & Fawcett, T. (2013). Data Science for Business. O'Reilly Media.
[10] ГОСТ Р ИСО/МЭК 2382-2015. Информационные технологии. Словарь.
[11] Zakaryazad A., & Duman, E. (2016). A profit-driven Artificial Neural Network based credit scoring approach. Neural Computing and Applications.
[12] Keramati A., et al. (2020). Improving the performance of customer churn prediction using ensemble learning. Neurocomputing.
[13] Lessmann S., et al. (2015). Benchmarking state-of-the-art classification algorithms for credit scoring. Journal of the Operational Research Society.
[14] Olson D. L., & Wu, D. D. (2020). Enterprise Risk Management Models. Springer.
[15] Zhang D. (2021). Customer acquisition cost optimization through predictive modeling. Journal of Marketing Analytics, 9(4).
[16] Blattberg R.C., et al. (2008). Database Marketing: Analyzing and Managing Customers. Springer.
[17] Brown I., & Miguéis V. L. (2022). Predicting Bank Term Deposit Subscriptions. Journal of Business Analytics.
[18] Kumar V., & Reinartz W. (2018). Customer Relationship Management. Springer Textbooks.
[19] Садыков Т. (2022). Машинное обучение в финансовом риск-менеджменте. Наука и технологии, 10(2).
[20] Идрисов А. (2021). Цифровая трансформация банков второго уровня. Экономический вестник, 4.
