پیش بینی ریزش مشتریان بانک با استفاده از یادگیری ماشین (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
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.Predicting Bank Customer Churn Using Machine Learning
Objective In competitive markets, companies focus on establishing long-term relationships with their customers and strengthening their loyalty. Due to the high costs associated with acquiring new customers, businesses tend to focus on retaining existing ones. Predicting which customers are likely to churn in the future plays a crucial role in shaping effective customer retention strategies. To predict customer churn and identify its drivers, companies use customer information and historical data recorded from them. This paper investigates customer churn prediction in the banking industry using real customer data from one of the largest banks in Iran. Methods To analyze and predict customer behavior, two equal and consecutive periods were considered. Customer behavior in the first period was used to predict a target variable in the second period. A significant drop in the average effective balance during the second period, compared to the first, was defined as the indicator of customer churn. By processing a large volume of banking transactions in the first period and aggregating them at different levels, various behavioral features for customers. We selected. One fixed validation set and three training sets of different sizes were selected. To address the issue of dataset imbalance, class weights were determined based on the ratio of class sizes, ensuring that the minority class received greater weight during the training process. To predict customer churn, widely used machine learning algorithms—including Naive Bayes, k-Nearest Neighbors, Support Vector Machine, Logistic Regression, and Decision Tree—were applied, along with ensemble learning methods such as Random Forest, Adaptive Boosting, and Gradient Boosting. Subsequently, deep learning methods were applied, and a model incorporating modern modules such as residual connections and layer normalization—similar to state-of-the-art architectures—was proposed. Exhaustive experiments were conducted to evaluate the performance of the aforementioned methods. Results The results showed that ensemble learning algorithms and the proposed deep learning models outperformed the baseline models. Additionally, increasing the size of the training set contributed to improved model performance. Among the traditional machine learning classification algorithms, the decision tree trained on two training sets obtained the highest AUC ROC on the validation set with 0.8531 and 0.8597. The gradient boosting model obtained the overall highest AUC ROC on the validation set with 0.8984 and 0.9010. Deep learning-based single models achieved AUC-ROC values of 0.8825, 0.8909, and 0.8958, outperforming all traditional methods and two ensemble learning approaches while performing competitively with the gradient boosting algorithm. Conclusion Extracting behavioral features from customers' banking transactions and applying ensemble methods, along with the proposed deep learning-based models, proves effective in predicting banking customer churn, particularly in cases of a significant decrease in the average effective balance.
تبلیغات
