عصر ایران- یک پژوهش منتشر شده از سوی دانشگاه وستکلیف آمریکا به موضوع پیش بینی رفتار مشتری با استفاده از هوش مصنوعی در صنعت بانکداری و بیمه به عنوان یکی از مهم ترین ابزارهای تصمیم گیری در موسسات مالی می پردازد. بانک ها و شرکت های بیمه هر روز حجم بسیار زیادی از داده های مشتریان را تولید و ذخیره می کنند. این داده ها شامل تراکنش های مالی، میزان استفاده از خدمات، سوابق خرید محصولات، تعاملات دیجیتال و اطلاعات رفتاری مشتریان است.
استفاده درست از این اطلاعات می تواند به سازمان ها کمک کند تا رفتار آینده مشتریان را بهتر پیش بینی کنند و تصمیم های دقیق تری در زمینه بازاریابی، مدیریت ریسک و جلوگیری از تقلب بگیرند.
در سال های اخیر روش های سنتی تحلیل داده دیگر پاسخگوی پیچیدگی رفتار مشتریان نبوده اند. به همین دلیل بسیاری از موسسات مالی به سمت مدل های یادگیری ماشین و هوش مصنوعی حرکت کرده اند. این مدل ها قادر هستند الگوهای پنهان در داده ها را شناسایی کنند و با دقت بالایی رفتار احتمالی مشتریان را پیش بینی نمایند. مقاله حاضر نیز با همین هدف طراحی شده و یک چارچوب عملی برای پیش بینی رفتار مشتری در محیط ترکیبی بانکداری و بیمه ارائه می دهد.
در این پژوهش از داده های ناشناس 120000 مشتری طی یک بازه زمانی 24 ماهه استفاده شده است. اطلاعات مشتریان شامل داده های تراکنشی، تعداد ورود به سامانه های دیجیتال، میزان استفاده از محصولات بانکی و بیمه ای، تماس با مرکز خدمات و ویژگی های جمعیت شناختی بوده است.
پژوهشگران تلاش کرده اند با استفاده از این اطلاعات چهار رفتار مهم مشتریان را پیش بینی کنند. این چهار رفتار شامل خرید محصول جدید، احتمال ترک مشتری، احتمال ثبت خسارت بیمه و احتمال تقلب مالی بوده است.
برای جلوگیری از خطا در پیش بینی، داده ها به صورت زمانی تفکیک شده اند. اطلاعات 18 ماه اول برای ساخت ویژگی ها و آموزش مدل ها استفاده شده و داده های 6 ماه پایانی برای ارزیابی عملکرد مدل ها در نظر گرفته شده است. این روش باعث می شود مدل ها رفتار آینده مشتری را به شکل واقعی تری پیش بینی کنند و از نشت اطلاعات جلوگیری شود.
یکی از مهم ترین بخش های این مطالعه مربوط به مهندسی ویژگی ها است. پژوهشگران ویژگی های مختلفی از داده های خام استخراج کرده اند تا مدل های یادگیری ماشین بتوانند رفتار مشتریان را بهتر درک کنند. برخی از این ویژگی ها شامل میزان فعالیت مالی مشتری، تعداد تراکنش ها، مدت زمان همکاری با بانک، میزان استفاده از خدمات دیجیتال، تعداد محصولات فعال و روند تغییرات مالی مشتری در طول زمان بوده است.
در این پژوهش از چند مدل مختلف یادگیری ماشین استفاده شده است. مدل رگرسیون لجستیک به عنوان مدل پایه انتخاب شده و سپس مدل های پیشرفته تری مانند Random Forest و XGBoost مورد استفاده قرار گرفته اند.
علاوه بر این یک مدل ترکیبی یا Stacked Ensemble نیز طراحی شده که خروجی مدل های دیگر را با هم ترکیب می کند تا دقت پیش بینی افزایش پیدا کند. نتایج نشان داده اند که مدل ترکیبی در بیشتر وظایف عملکرد بهتری نسبت به مدل های دیگر داشته است.
ارزیابی مدل ها با استفاده از معیارهای مختلفی انجام شده است. معیارهایی مانند AUC ، PR-AUC ، دقت ، Recall و F1 برای بررسی کیفیت پیش بینی ها مورد استفاده قرار گرفته اند. همچنین برای سنجش میزان تطابق احتمال های پیش بینی شده با واقعیت از Brier Score و نمودارهای کالیبراسیون استفاده شده است. نتایج نشان داده اند که مدل ترکیبی توانسته عملکرد بسیار مطلوبی در تمامی وظایف ارائه دهد و احتمال های دقیق تری تولید کند.
یکی از بخش های مهم مقاله مربوط به استفاده از روش SHAP برای توضیح تصمیم های مدل های هوش مصنوعی است. در بسیاری از کاربردهای مالی تنها دقت مدل اهمیت ندارد، بلکه لازم است مدیران و کارشناسان بدانند چرا یک مشتری به عنوان مشتری پرریسک یا مستعد ترک شناسایی شده است. روش SHAP این امکان را فراهم می کند که تاثیر هر ویژگی بر تصمیم مدل مشخص شود.
نتایج تحلیل SHAP نشان داده اند که عواملی مانند میزان تعامل دیجیتال، مدت زمان همکاری مشتری با بانک و سطح فعالیت مالی بیشترین تاثیر را بر پیش بینی ها داشته اند. به عنوان مثال مشتریانی که در ماه های اخیر کمتر وارد سامانه های دیجیتال شده اند یا روند کاهش موجودی حساب داشته اند، احتمال بیشتری برای ترک بانک داشته اند. همچنین در پیش بینی تقلب، ویژگی هایی مانند افزایش ناگهانی مبلغ تراکنش ها یا ارتباط با ارائه دهندگان خدمات مشکوک تاثیر زیادی داشته اند.
در بخش دیگری از مطالعه، پژوهشگران یک شبیه سازی عملیاتی انجام داده اند تا تاثیر واقعی استفاده از این مدل ها در محیط کسب و کار را بررسی کنند. در حوزه بازاریابی، مشتریانی که بیشترین احتمال خرید محصول جدید را داشته اند هدف کمپین های تبلیغاتی قرار گرفته اند. نتایج نشان داده که استفاده از مدل های هوش مصنوعی می تواند نرخ تبدیل مشتریان را حدود 18 درصد افزایش دهد.
در زمینه مدیریت ریزش مشتری نیز مشخص شده که تمرکز بر مشتریانی که بیشترین احتمال ترک را دارند می تواند میزان ریزش را حدود 12 درصد کاهش دهد. این موضوع برای بانک ها اهمیت زیادی دارد زیرا جذب مشتری جدید معمولا هزینه بیشتری نسبت به حفظ مشتری فعلی دارد.
در بخش تشخیص تقلب و بررسی خسارت های بیمه ای نیز مدل ها توانسته اند عملکرد موثری داشته باشند. با استفاده از پیش بینی های مدل، تیم های بررسی تقلب توانسته اند تعداد پرونده هایی را که نیاز به بررسی دستی دارند بین 30 تا 40 درصد کاهش دهند و در عین حال نرخ کشف تقلب همچنان در سطح مناسبی باقی مانده است. این موضوع باعث صرفه جویی در زمان و هزینه سازمان می شود.
مقاله همچنین به اهمیت شفافیت، عدالت و نظارت بر مدل های هوش مصنوعی اشاره می کند. در صنایع مالی تصمیم های اشتباه یا تبعیض آمیز می توانند پیامدهای جدی داشته باشند. به همین دلیل پژوهشگران تاکید می کنند که مدل های هوش مصنوعی باید به صورت مداوم از نظر دقت، عدالت و تغییر رفتار مشتریان بررسی شوند. همچنین لازم است در تصمیم های حساس همچنان نقش انسان حفظ شود و مدل ها تنها به عنوان ابزار کمکی استفاده شوند.
یکی دیگر از نکات مهم مطالعه این است که داده های مورد استفاده فقط مربوط به یک موسسه مالی بوده است. بنابراین ممکن است عملکرد مدل ها در بانک ها یا شرکت های بیمه دیگر متفاوت باشد. به همین دلیل پژوهشگران پیشنهاد می کنند در آینده این چارچوب روی داده های متنوع تر و در مقیاس بزرگ تر آزمایش شود.
در پایان می توان گفت این پژوهش نشان می دهد که ترکیب یادگیری ماشین، مهندسی ویژگی و روش های توضیح پذیر مانند SHAP می تواند ابزار بسیار قدرتمندی برای پیش بینی رفتار مشتریان در بانکداری و بیمه باشد. این فناوری ها علاوه بر افزایش دقت تصمیم گیری، امکان بهبود تجربه مشتری، کاهش تقلب و افزایش بهره وری عملیاتی را فراهم می کنند. با این حال استفاده موفق از آن ها نیازمند نظارت مستمر، رعایت اصول اخلاقی و توجه به شفافیت در تصمیم گیری است.