تاکسونومی شناسایی مشتریان صنعت بانکی با بکارگیری یادگیری ماشین:مروری نظامند با رویکرد فراترکیب

امروزه، مشتری در هیچ صنعتی صرفاً به‌دنبال محصول نیست و دریافت سرویس شخصی‌سازی‌شده‌ مبتنی ‌بر نیازمندی‌های خود و خلق تجربه‌ای متفاوت از سازمان را انتظار دارد. از نگاه دیگر، طراحی سرویس‌های متناسب با نیاز مشتری مستلزم بررسی موشکافانه داده‌های مرتبط با مشتری در ابعاد مختلف است. بنابراین، شناخت مشتری نیازمند نگرشی نظام‌مند است تا اهداف، فاکتورهای تاثیرگذار، الگوریتم‌ها و روش‌های مناسب این حوزه ‌شناسایی شود. پژوهش پیش رو با رویکرد فراترکیب، ابعاد حوزه شناخت مشتری صنعت بانکی و ملاحظات آن را با رویکرد داده‌محور و به‌کارگیری یادگیری ماشین تحلیل نموده است. از این رو، روش پژوهش بر حسب هدف کاربردی و بر حسب گردآوری اطلاعات فراترکیب است. برای انتخاب مقاله‌ها با جست‌و‌جو در پایگاه داده‌های معتبر «وب‌آوساینس» و «اسکوپوس»، 43 سند که در فاصله زمانی 2016- 2022 منتشر شده، به‌عنوان اسناد مرتبط و معتبر شناسایی و در ادامه نیز با رویکرد فراترکیب، بررسی و کدگذاری شدند. نتایج حاصل از فراترکیب منجر به شناسایی سه مقوله اصلی، 1) اهداف شناسایی مشتری: درک بینش نسبت به مشتری، شناسایی ریسک مشتری، اهداف سازمانی، تعیین ارزش طول عمر مشتری و مدیریت محصول،‌ 2) فاکتورهای شناسایی مشتری: جمعیت‌شناختی، مالی و رفتاری،‌ و 3) الگوریتم‌های یادگیری ماشین: probabilistic،neural networks ،ensemble ، regularization، regression، bayesian، decision tree، dimensionality reduction، instanced based و clustering گردید. بر اساس یافته‌های پژوهش جاری، متناسب با هدف شناسایی مشتری، داده‌های موجود و فاکتورهای انتخابی، الگوریتم‌های پایه و ترکیبی می‌تواند راهگشا باشد، اما نکته مهم پیش‌پردازش دقیق داده‌هاست. نکته دیگر اینکه تفکیکی در حوزه مشتری حقیقی و حقوقی صورت نپذیرفته است و ‌اغلب مطالعات بر روی مشتری حقیقی تمرکز داشته‌اند که از دلایل آن می‌توان به پیچیدگی زنجیره تعاملات مالی مشتریان حقوقی اشاره نمود. همچنین با توجه به عدم تاکید بانک‌ها به شعب در خصوص لزوم تکمیل اطلاعات مندرج در فرم‌های افتتاح حساب یا عدم طراحی سرویس مناسب جهت تکمیل اطلاعات در بسترهای الکترونیک، شناخت دقیق‌تر مشتری مستلزم بازبینی در این فرایندهاست. شایان ذکر است که در هیچ‌یک از مطالعات انجام‌شده، شناخت مشتری تنها با استفاده از فاکتورهای جمعیت‌شناختی انجام ‌نشده و بسته به هدف مطالعه، فاکتورها به‌صورت ترکیبی استفاده شده است.

taxonomy of customers identification in banking industry using machine learning: a systematic review with a meta-synthesis approach

nowadays, customers in any industry are not just looking for a product and expect to receive a personalized service based on their needs and create a different experience from the organization. from another point of view, the design of services according to the customer’s needs will require a careful examination of the data related to the customer in different dimensions. therefore, knowing the customer requires a systematic approach in order to identify the goals, influencing factors, algorithms and methods suitable for this field.the upcoming research has analyzed the dimensions of customer recognition in the banking industry and its considerations with a data-oriented approach and the application of machine learning. the research method is applied according to the purpose and is meta-synthesis according to the collection of information. to select articles, 43 documents published in the period of 2016-2022 were identified as relevant and valid documents by searching in the reliable databases of web of science and scopus, and further, with a meta-synthesis approach they were studied and coded.the results of meta-synthesis led to the identification of three main categories: 1) customer identification objectives: understanding customer insight, identifying customer risk, organizational goals, determining customer lifetime value and product management, 2) customer identification factors: demographic, financial and behavioral and, 3) machine learning algorithms: probabilistic, neural networks, ensemble, regularization, regression, bayesian, decision tree, dimensionality reduction, instanced based and clustering. based on the findings of the current research, according to the purpose of customer identification, available data and selected factors, basic and combined algorithms can be a way forward, but the important point is accurate data pre-processing. another point is that no distinction has been made between real and legal customers, and most studies have focused on real customers, which can be attributed to the complexity of the chain of financial interactions of legal customers. also, considering the banks’ lack of emphasis on branches regarding the need to complete the information contained in the account opening forms or the lack of designing a suitable service to complete the information on electronic platforms, a more accurate understanding of the customer requires a review of these processes. it is worth mentioning that in none of the studies, customer recognition was done using only demographic factors, and depending on the purpose of the study, the factors were used in combination.