خلاصة:
بانکها در فضای رقابتی شدید تلاش میکنند تا به منابع مالی بیشتری دست پیدا کنند. با توجه به بالاتر بودن هزینههای جذب مشتری جدید نسبت به نگهداری مشتریان موجود، عمده تلاش بانکها روی حفظ سپردههای موجود مشتریان در بانک متمرکز است. لذا پیشبینی رویگردانی مشتریان پیش از وقوع برای بانکها از اهمیت ویژهای برخوردار است. تقریباً در تمامی تحقیقات مرتبط در بانکها مشتریان به دو دسته رویگردان و غیر رویگردان با یک تعریف ثابت از رویگردانی تقسیم شدهاند؛ اما در شرایط بانکداری ایران نمیتوان از یک تعریف ثابت برای رویگردانی استفاده نمود؛ بنابراین لازم است که رویگردانی را بهصورت دینامیک و در قالب وضعیتهای مختلف تعریف کنیم. برای این منظور در این تحقیق مفهوم زنجیره وضعیت معرفی میشود که تغییرات وضعیت رویگردانی جزئی مشتریان طی زمان را مشخص میکند. با بهکارگیری این زنجیرهها و استفاده ترکیبی از تکنیکهای خوشهبندی سلسلهمراتبی و همچنین ماشینهای بردار پشتیبان، مدلی برای پیشبینی رویگردانی جزئی مشتریان بانکها ساخته شد. برای ساختن نمونه عملی و ارزیابی دقت پیشبینی، پنج سال دادههای واقعی مشتریان یک بانک اروپایی و همچنین سه سال دادههای مشتریان سه بانک ایرانی مورد استفاده قرار گرفتند. نتایج حاکی از دقت بالای پیشبینی در مدلهای ساختهشده روی هر چهار بانک بهخصوص با افزایش طول زنجیرههای وضعیت در دادههای آزمون است.
Banks are endeavoring to gain more funds in a highly competitive environment. Given the higher costs of attracting new customers than retaining existing ones, most banks focus on maintaining their existing customers. Therefore, it is quite important for the banks to predict the customer churn in advance. In almost all related research works in banking, customers are divided into two types of static categories: “churners” and “loyal” customers. However, due to the nature of banking particularly in Iran, it is necessary to define churn in a dynamic manner in a variety of circumstances. In this study, the concept of state chain is introduced, which identifies changes in customers’ partial churn status over time. Using the sequence of chains and a combination of hierarchical clustering techniques as well as support vector machine, a model was developed to predict partial churn of bank customers. To construct a practical sample and to evaluate the prediction accuracy, 5 years of real European bank customers’ data as well as 3 years of customers’ data from three different Iranian banks were used. The results indicate a high level of prediction accuracy for the model in all 4 banks, particularly when longer sequences of states are used.
ملخص الجهاز:
همان طور که در بخش مرور ادبیات نیز اشاره کرده ایم ، در بیشتر مقالات حوزه رویگردانی در بانکداری، مشتریان به دو دسته رویگردان و غیر رویگردان ٣ تقسیم شده اند و از تکنیک های طبقه بندی٤ برای ساختن مدل های پیش بینی استفاده میشود؛ اما ارائه تعریفی ثابت برای رویگردانی به خصوص در صنعت بانکداری ایران بسیار ساده انگارانه است .
آدیمو و اوینیی (٢٠١٥) در تحقیقشان مدلی برای پیش بینی رفتار مشتریان مبتنی بر برخی تکنیک های داده کاوی شامل k-means و JRip پیشنهاد کرده اند که بر اساس داده های رفتار مشتریان در یک بانک خصوصی در نیجریه انجام شده است (آدیمو و اوینیی ٣، ٢٠١٥) کیم و همکارانش (٢٠١٣) در تحقیق خود با استفاده از تکنیک PLS٤ یک مدل پیش بینی رویگردانی توسعه دادند و سپس با در نظر گرفتن متغیرهای قابل کنترل بازاریابی و همچنین هزینه های مدیریتی مترتب بر آن ها، به ساخت و حل مدل بهینه سازی هزینه های بازاریابی در مدیریت نگهداشت مشتری پرداختند (کیم و همکاران ، ٢٠١٣).
در این مقاله در یک بازه زمانی سه ساله تمامی داده های تراکنش های مشتریان برای مدل سازی مورد استفاده قرار گرفته است و که مدل ساخته شده می تواند به ازای هر مشتری در خصوص وضعیت رویگردانی پیش بینی ارائه نماید.
1. Support Vector Machine جدول ٧: نمونه ای از (٢)SVM برای ١٠٠٠ مشتری بانک اروپایی {مراجعه شود به فایل جدول الحاقی} در این تحقیق مدل پیش بینی با استفاده از SVM روی داده های آموزش هر چهار بانک با طول زنجیره ١ تا ١٩ ساخته شد.
A new hybrid classification algorithm for customer churn prediction based on logistic regression and decision trees.