تجزیه‌ و تحلیل داده‌های تراکنشی برای ارائه خدمات شخصی‌سازی‌شده با هوش مصنوعی در بانکداری

در سال‌های اخیر، تحلیل رفتار مالی مشتریان با تکیه بر داده‌های تراکنشی و الگوریتم‌های هوش مصنوعی به یکی از محورهای اصلی تحول بانکداری هوشمند تبدیل شده است. در این پژوهش، چارچوبی چندمرحله‌ای برای تحلیل، خوشه‌بندی و پیش‌بینی رفتار مالی کاربران ارائه شده است. در ابتدا، تراکنش‌ها با استفاده از روش‌های ترکیبی برچسب‌گذاری ضعیف و مدل‌های زبانی تخصصی مالی (finbert) پردازش و اعتبارسنجی شدند. سپس برای افزایش تنوع داده‌ها، از مدل‌های مولد ctgan و timegan جهت تولید داده‌های مصنوعی واقع‌نما بهره گرفته شد. در مراحل بعد، الگوهای رفتاری مشتریان با استفاده از الگوریتم‌های استخراج توالی و خوشه‌بندی k-means و dbscan شناسایی گردید. برای پیش‌بینی رفتار آینده و ارائه پیشنهادهای مالی هوشمند، مدل‌های lstm، random forest و xgboost به‌کار گرفته شدند. به‌منظور بهبود تحلیل زمینه‌ای و سازگاری با تغییرات رفتاری، مدل پیشنهادی acff (adaptive contextual financial framework) معرفی شد که از سه لایه زمینه‌ای، انطباقی و تصمیم مالی تشکیل شده است. در پایان، اثرات این مدل بر مشاغل حوزه مالی و تغییر ساختار نیروی کار نیز بررسی شد. این چارچوب می‌تواند گامی موثر در توسعه سامانه‌های بانکداری هوشمند و توصیه‌گرهای مالی مبتنی بر داده باشد.