پیش‌بینی رویگردانی جزئی مشتریان بانک‌ها با استفاده از مدل زنجیره وضعیت

بانک‌ها در فضای رقابتی شدید تلاش می‌کنند تا به منابع مالی بیشتری دست پیدا کنند. با توجه به بالاتر بودن هزینه‌های جذب مشتری جدید نسبت به نگهداری مشتریان موجود، عمده تلاش بانک‌ها روی حفظ سپرده‌های موجود مشتریان در بانک متمرکز است. لذا پیش‌بینی رویگردانی مشتریان پیش از وقوع برای بانک‌ها از اهمیت ویژه‌ای برخوردار است. تقریباً در تمامی تحقیقات مرتبط در بانک‌ها مشتریان به دو دسته رویگردان و غیر رویگردان با یک تعریف ثابت از رویگردانی تقسیم شده‌اند؛ اما در شرایط بانکداری ایران نمی‌توان از یک تعریف ثابت برای رویگردانی استفاده نمود؛ بنابراین لازم است که رویگردانی را به‌صورت دینامیک و در قالب وضعیت‌های مختلف تعریف کنیم. برای این منظور در این تحقیق مفهوم زنجیره وضعیت معرفی می‌شود که تغییرات وضعیت رویگردانی جزئی مشتریان طی زمان را مشخص می‌‌کند. با به‌کارگیری این زنجیره‌ها و استفاده ترکیبی از تکنیک‌های خوشه‌بندی سلسله‌مراتبی و همچنین ماشین‌های بردار پشتیبان، مدلی برای پیش‌بینی رویگردانی جزئی مشتریان بانک‌ها ساخته شد. برای ساختن نمونه عملی و ارزیابی دقت پیش‌بینی، پنج سال داده‌های واقعی مشتریان یک بانک اروپایی و همچنین سه سال داده‌های مشتریان سه بانک ایرانی مورد استفاده قرار گرفتند. نتایج حاکی از دقت بالای پیش‌بینی در مدل‌های ساخته‌شده روی هر چهار بانک به‌خصوص با افزایش طول زنجیره‌های وضعیت در داده‌های آزمون است.

Prediction of Bank Customers’ Partial Churn Using State Chain Model

Banks are endeavoring to gain more funds in a highly competitive environment. Given the higher costs of attracting new customers than retaining existing ones, most banks focus on maintaining their existing customers. Therefore, it is quite important for the banks to predict the customer churn in advance. In almost all related research works in banking, customers are divided into two types of static categories: “churners” and “loyal” customers. However, due to the nature of banking particularly in Iran, it is necessary to define churn in a dynamic manner in a variety of circumstances. In this study, the concept of state chain is introduced, which identifies changes in customers’ partial churn status over time. Using the sequence of chains and a combination of hierarchical clustering techniques as well as support vector machine, a model was developed to predict partial churn of bank customers. To construct a practical sample and to evaluate the prediction accuracy, 5 years of real European bank customers’ data as well as 3 years of customers’ data from three different Iranian banks were used. The results indicate a high level of prediction accuracy for the model in all 4 banks, particularly when longer sequences of states are used.