Υπολογιστικά υποβοηθούμενη λήψη διοικητικών αποφάσεων στο τραπεζικό μάρκετινγκ

Abstract

Στη συγκεκριμένη εργασία, αξιοποιήθηκαν δεδομένα από έναν Πορτογαλικό τραπεζικό οργανισμό, συμπεριλαμβανομένων χιλιάδων διαβαθμισμένων περιπτώσεων επικοινωνίας της τράπεζας με πελάτες. Εξετάζονται δεκαέξι μεταβλητές απόφασης όπως η ηλικία, η οικογενειακή κατάσταση, η επαγγελματική κατάσταση, η απασχόληση, το επίπεδο εκπαίδευσης, τα δάνεια, τα αποτελέσματα προηγούμενων επαφών, ο αριθμός επαφών κατά τη διάρκεια της καμπάνιας, ο μήνας επικοινωνίας κτλ. Η έρευνα χρησιμοποιεί καινοτόμες τεχνικές, βασική στατιστική ανάλυση και μεθόδους βελτιστοποίησης για ταξινόμηση. Οι πειραματικές διαδικασίες περιλαμβάνουν προσπάθειες αναδιαμόρφωσης πεδίων μεταβλητών τιμών, επιλογή χαρακτηριστικών και εξισορρόπηση δεδομένων. Στόχος της διπλωματικής είναι η εφαρμογή μεθόδων επαγωγικής μάθησης για να εκτιμήσουμε εάν ένας πελάτης μπορεί να συνάψει προθεσμιακή κατάθεση ή όχι. Μέσω της πειραματικής διαδικασίας ρυθμίζουμε κατάλληλα τον αλγόριθμο ταξινόμησης για να ελαχιστοποιήσουμε τα σφάλματα και να παρέχουμε πληροφορίες για τη εξαγωγή κριτηρίων μάρκετινγκ τραπεζών. Όσον αφορά την μεθοδολογία της παρούσας εργασίας σε πρώτη φάση έγινε δευτερογενής έρευνα για την συλλογή δεδομένων και περιγραφική στατιστική ανάλυση για κάθε μεταβλητή. Ενώ αμέσως μετά, μέσα από πειραματική διαδικασία ορίσαμε ένα πρόβλημα ταξινόμησης 2 κλάσεων (2-class classification problem) («ναι» για την δυνατότητα προθεσμιακής κατάθεσης, «όχι» διαφορετικά). Τα αρχικά πειράματα πραγματοποιήθηκαν με τη χρήση αλγόριθμου επαγωγικής μάθησης και με όλες τις περιγραφικές μεταβλητές. Στη συνέχεια η πρώτη πειραματική φάση περιλάμβανε ομαδοποίηση τιμών των μεταβλητών εισόδου για ομογενοποίηση. Η δεύτερη Πειραματική Φάση περιλάμβανε πειράματα ταξινόμησης με το νέο σύνολο δεδομένων και βελτιστοποίηση παραμέτρων. Παράλληλα, φτιάξαμε ένα σετ δοκιμών με 4.522 περιπτώσεις (10%) και ένα σταθερό σετ με 40.689 περιπτώσεις (90%) για να καταλήξουμε στη βελτιστοποίηση του μοντέλου. Ενώ σε τρίτη φάση δημιουργήσαμε ένα μοντέλο 15 μεταβλητών εισόδου και προσπαθήσαμε να πετύχουμε αυξημένη ακρίβεια ταξινόμησης μέσα από τη διαδικασία use train set, cross-validation, test set και boosting. Μέσα από τα αποτελέσματα θέλουμε να προσδιορίσουμε τα βέλτιστα κριτήρια για την απόκτηση προθεσμιακής κατάθεσης πελατών, ένα μοντέλο ταξινόμησης με αυξημένη ακρίβεια καθώς επίσης και πληροφορίες για στρατηγικές μάρκετινγκ τραπεζών. Η παρούσα έρευνα έχει ως στόχο να συμβάλει στη βελτίωση των στρατηγικών στόχευσης πελατών για την απόκτηση προθεσμιακών καταθέσεων σε τραπεζικό πλαίσιο. Ο συνδυασμός προηγμένων τεχνικών, στατιστικών αναλύσεων και επαναληπτικού πειραματισμού αναμένεται να αποδώσει ένα ισχυρό και ακριβές μοντέλο ταξινόμησης, παρέχοντας πολύτιμες πληροφορίες για την αποτελεσματική λήψη αποφάσεων στις πρακτικές μάρκετινγκ των τραπεζών. Τέλος, μέσα από την πειραματική διαδικασία ξεχωρίσαμε κάποιους κανόνες οι οποίοι συγκέντρωσαν την υψηλότερη ακρίβεια ταξινόμησης με ποσοστό πάνω από 95% καθιστώντας τους εξαιρετικά αξιόπιστους για μελλοντικές προβλέψεις.