- Thông tin giao dịch khách hàng. - Đối với khách hàng tham gia dịch vụ vay. - Thông tin khách hàng sử dụng thẻ. - Bảng 4.1: Loại thẻ sử dụng của khách hàng theo nghề nghiệp. - Biểu đồ 4.1: Thông tin giới tính khách hàng. - Biểu đồ 4.3: Nghề nghiệp của khách hàng. - Biểu đồ 4.4: Loại khách hàng sử dụng dịch vụ tại ngân hàng. - Biểu đồ 4.6: Thời gian tham gia dịch vụ theo loại khách hàng. - Biểu đồ 4.7: Các loại thẻ được sử dụng bởi khách hàng. - Biểu đồ 4.8: Thu nhập bình quân của khách hàng theo loại thẻ sử dụng. - Biểu đồ 4.14: Hạn mức sử dụng theo nhóm khách hàng. - Biểu đồ 4.15: Nhóm khách hàng xếp loại theo. - Những khách hàng trong nghiên cứu được chọn có thời gian tham giao dịch vụ từ trên 12 tháng trở lên. - Khách hàng cố tình gian lận trong việc cung cấp hồ sơ ban đầu cho Ngân hàng, nhưng nhân viên tiếp nhận &. - Để ngân hàng hiểu hơn về hành vi khách hàng, đặc điểm lựa chọn dịch vụ của khách hàng, việc phân tích hành vi khách hàng từ nguồn dữ liệu big data là cực kỳ quan trọng. - Đánh giá đặc điểm tiếp cận vốn vay của khách hàng. - Nguồn tài nguyên từ Big Data phản ánh một cách trung thực nhất về hành vi và lịch sử tiêu dùng của khách hàng theo thời gian. - Để hạn chế những thông tin nhiễu, các khách hàng được chọn đưa vào nghiên cứu có thời gian tham gia dịch vụ trên 12 tháng. - CIF ID Khách hàng. - Type of customer Loại khách hàng vay. - Khách hàng tín dụng thẻ + Khách hàng cá nhân. - Khách hàng kinh doannh gia đình. - Access date Ngày đăng ký dịch vụ của khách hàng Ngày 6. - Gender Giới tính khách hàng Biến định danh. - Age Tuổi của khách hàng Giá trị liên tục. - Education Trình độ học vấn của khách hàng Biến định danh 11. - Phân tích lòng trung thành của khách hàng đối với dịch vụ. - M là Monetary tức đo lường tổng giá trị mà khách hàng thực hiện giao dịch trong khoảng thời gian nghiên cứu. - Dữ liệu được trích xuất chọn ra khách hàng thuộc khu vực Thành phố Hồ Chí Minh.. - Đối với hoạt động kinh doanh, dữ liệu này sẽ ghi lại tất cả lịch sử tiêu dùng của khách hàng trong suốt thời gian giao dịch. - Các ứng dụng của Big data trong lĩnh vực BankingPhân tích các thói quen chi tiêu của khách hàng. - Các ngân hàng có khả năng truy cập trực tiếp nguồn thông tin, dữ liệu lịch sử dồi dào liên quan đến các thói quen, hành vi chi tiêu của khách hàng. - thời gian khách hàng sử dụng dịch vụ của ngân hàng, v.v. - Phân khúc khách hàng và xem xét (thẩm định) hồ sơ. - Dựa vào database mà ngân hàng có thể thu hút thêm, hay giữ chân khách hàng bằng cách giới thiệu thêm các dịch vụ khác. - Hoặc ngân hàng có đề xuất các vay ngắn hạn cho các khách hàng có thói quen chi tiêu. - Xây dựng hệ thống thu thập các phản hồi khách hàng (feedback) và phân tích chúng Khách hàng có thể để lại phản hồi sau mỗi lần giao dịch hay mỗi lần nhận được tư vấn từ trung tâm hỗ trợ chăm sóc khách hàng (customer call center) hoặc thông qua các biểu mẫu phản hồi, nhưng thường xuyên ( hay có thể nói nhiều khả năng) chia sẻ ý kiến thông qua các phương tiện truyền thông xã hội (social media) hơn ví dụ Facebook, Zalo. - một dạng dữ liệu Big Data – lấy được từ mạng xã hội hay social media ví dụ như hồ sơ của khách hàng trên Facebook. - Thay đổi cách thức cung cấp dịch vụ đến khách hàng. - Đôi khi khách hàng cũng có thể là nguồn gốc của một vấn đề. - Hồ sơ tín dụng của khách hàng. - Thông tin về kỳ hạn vay của khách hàng (ngắn hạn, trung hạn hay dài hạn. - Nhờ vào dữ liệu về lịch sử giao dịch và hồ sơ tín dụng của khách hàng, ngân hàng sẽ có thể xác định hay nhận được cảnh báo nếu có điều gì bất thường xảy ra trong quá trình hoạt động, cung cấp dịch vụ đến khách hàng. - Việc phát hiện sớm hành vi gian lận của khách hàng là cực kỳ quan trọng. - Điều này sẽ giúp ngân hàng xác định được đâu là khách hàng mới và đâu là khách hàng cũ. - Ví dụ trong nghiên cứu này, thời gian số liệu nghiên cứu là 12 tháng, tổng số lần giao dịch của khách hàng đến ngân hàng sẽ được xác định trong trường hợp này. - Thông tin này một phần nào đó cũng sẽ xác định được sự hài lòng của khách hàng đối với dịch vụ của đơn vị kinh doanh. - (iii) Monetary là tổng giá trị số dư của khách hàng tại ngân hàng trong thời gian nghiên cứu. - Qua đó, công ty sẽ có thông tin dữ liệu để phân loại mức dư nợ hoặc số dư nợ của khách hàng. - Lin (2005) đã chứng minh rằng giá trị của R và F càng cao, khách hàng càng có thể giúp việc đo lường về hành vi sử dụng dịch vụ của khách hàng tại ngân hàng.. - Chi tiết phân khúc khách hàng theo RFM được mô tả chi tiết theo bảng 2.3.. - Thuật toán C5.0, được xem là thuật toán phân lớp dữ liệu dựa trên cây quyết định của thông tin giao dịch khách hàng. - Bước 1: Xác định sự gian lận của việc đánh giá hồ sơ ban đầu do khách hàng cung cấp. - Thời kỳ của giao dịch khách hàng. - Với nguồn thông tin vừa nêu, hồ sơ của khách hàng sẽ được đánh giá xếp hạng (RANK_HOSO) được xem như là trường mục tiêu (target field).. - Bước 2: Xác định sự gian lận sau khi khách hàng đã được tham gia dịch vụ trên 12 tháng. - Cụ thể dựa vào lần dịch vụ gần nhất (Recency)- Tần suất tham gia giao dịch (Frequency)- Tổng số tiền/số dư tài khoàn tham gia giao dịch (Monetary) của khách hàng. - Đồng thời trong bước này, có kết hợp với số dư của khách hàng tham gia giao dịch. - Điều này cũng có thể do khách hàng không được lòng nhân viên nên vì thế kết quả xếp hạng thấp ban đầu.. - Đã có nhiều công trình nghiên cứu rất thành công trong việc sử dụng Big Data để phân tích mức độ tiêu dùng của khách hàng. - Mọi giao dịch của khách hàng tại ngân hàng đều tạo ra hồ sơ điện tử, các bản sao lưu được lưu theo quy định của pháp luật. - Ngân hàng có khả năng truy cập trực tiếp và tiếp cận thông tin một cách dễ dàng, các dữ liệu lịch sử liên quan đến thói quen và hành vi chi tiêu của khách hàng. - khi khách hàng sử dụng các sản phẩm dịch vụ ngân hàng. - Phân tích các thói quen chi tiêu của khách hàng. - Phân khúc khách hàng và thẩm định hồ sơ. - tín dụng ngắn hạn cho phân khúc khách hàng có thói quen chi tiêu "thoải mái". - Xây dựng hệ thống thu thập các phản hồi của khách hàng (feedback) và phân tích chúng. - Thay đổi cách thức cung cấp dịch vụ đến khách hàng.. - Bất cứ khi nào thông tin giao dịch của khách hàng được nhập vào. - Với thời đại công nghệ 4.0 hiện nay, các ngân hàng ngày nay có hàng nghìn cách để tìm hiểu nhu cầu của khách hàng. - Dựa vào dữ liệu về lịch sử giao dịch và hồ sơ tín dụng của khách hàng, ngân hàng sẽ có thể xác định hay nhận định được cảnh báo những bất thường xảy ra trong quá trình hoạt động, cung cấp dịch vụ cho khách hàng. - Số khách hàng trong nghiên cứu là khách hàng đang tham gia giao dịch tại một phòng giao dịch của quận.. - Thông tin này phần nào cho thấy, khách hàng tham. - Tỷ lệ khách hàng thuộc nhóm đã hưu chiếm một tỷ lệ rất nhỏ 0.2%. - Như đã nêu trong số liệu được trích ra, số khách hàng trong nghiên cứu phải có thời gian tham gia dịch vụ (length of stay) trên 12 tháng trở lên. - Có nhiều loại thẻ được sử dụng bởi khách hàng trong nghiên cứu. - Loại thẻ sử dụng theo nghề nghiệp và thu nhập của khách hàng. - Thứ hai, phân tích sự gian lận để tìm ra lỗi của việc đánh giá hồ sơ ban đầu của khách hàng tham gia dịch vụ và đối chiếu với lịch sử tham gia giao dịch của khách hàng. - Khách hàng được đưa vào phân tích là khách hàng hiện đang tham gia giao dịch tại SCB và có thời gian tham gia dịch vụ trên 12 tháng. - Sau đó, trường này sẽ được dự báo dựa trên các thông tin ban đầu hồ sơ được xét duyệt của 5,232 khách hàng. - LOAI_HOSO Hồ sơ khách hàng Khách hàng mới (43,5. - Khách hàng cũ (22,3. - Khách hàng phát hành mới (17,9. - Khách hàng gia hạn/đánh giá lại (16,3%). - Như ở bảng 4.3, lịch sử giao dịch của khách hàng đối với SCB so với các ngân hàng khác (đối thủ) thông tin như sau: (i) Không sử dụng dịch vụ ngân hàng SCB trước đó (DV NH SCB) trước đó (3,2. - DU_NO_BQ Dư nợ của khách hàng Triệu đồng/tháng: Min= 5 triệu đồng;. - SUDUNG_NHKHAC Thông tin khách hàng sử dụng dịch vụ ngân hàng SCB và ngân hàng khác.. - Tương tự áp dụng trường hợp hồ sơ ban đầu được xếp hạng mức trung bình (AVER) nhưng được thuật toán cho kết quả dự báo nhóm này thuộc nhóm đánh giá cao (HIGH) sau khi dự báo dựa vào lịch sử giao dịch của khách hàng. - Ví dụ ban đầu hồ sơ của khách hàng được xếp loại tốt (HIGH), sau quá trình giao dịch, nhóm khách hàng được cũng được thuật toán dự báo thuộc nhóm có hành vi tốt (HIGH), tương tự áp dụng cho trường hợp nhóm trung bình (AVER) và nhóm hồ sơ không tốt (LOW). - Trong khi đó nhóm khách hàng được xếp vào gian lận vừa (YES_GIANLAN. - Điều này có thể cho thấy, những khách hàng này có thể là những nhóm khách hàng cũ. - KQ_GIAN_LAN: Kết quả khách hàng được xếp theo nhóm gian lận Tóm tắt chương:. - Những khách hàng trong nghiên cứu được chọn có thời gian tham gia dịch vụ từ trên 12 tháng trở lên. - Điều này giúp việc hạn chế những thông tin nhiễu đối với những khách hàng có thời gian tham gia dịch vụ dưới 12 tháng. - Điều này có nghĩa là, một khi thời gian tham gia dịch vụ càng lâu, hành vi khách hàng được sử dụng trong phân tích, cho kết quả dự báo sẽ chính xác hơn.. - Sự gian lận có thể xảy ra từ phía nhân viên tham gia trực tiếp thẩm định hồ sơ và gian lận đến từ chủ đích của khách hàng. - Việc phân tích này là dựa vào số liệu hồ sơ gốc ban đầu do phía khách hàng cung cấp và dựa vào lịch sử tham gia giao dịch của khách hàng có trên 12 tháng tham gia dịch vụ tại SCB. - (2) Giải pháp quan tâm trong kiểm soát, đánh giá hồ sơ, giám sát hành vi tham gia dịch vụ của khách hàng. - Điều này có thể làm mất đi lòng tin của khách hàng có qui mô hoặc hạn mức lớn. - Mô hình Fraud đã giúp cho việc xác định tỷ lệ khách hàng không gian lận chiếm 64%
Xem thử không khả dụng, vui lòng xem tại trang nguồn hoặc xem
Tóm tắt