تحلیل و پیش‌بینی پذیرش سپرده مدت‌دار با رویکرد یادگیری ماشین

در عصر داده‌محور، بانک‌ها برای افزایش اثربخشی کمپین‌های بازاریابی و بهبود نرخ تبدیل مشتریان، به تحلیل داده‌های رفتاری و بهره‌گیری از مدل‌های یادگیری ماشین روی آورده‌اند. تحلیل رفتار مشتریان امکان شناسایی الگوهای پنهان و پیش‌بینی تمایل آن‌ها به پذیرش خدمات مالی را فراهم می‌کند و تصمیم‌گیری هدفمند و تخصیص بهینه منابع بازاریابی را ممکن می‌سازد. این پژوهش چارچوبی جامع برای پیش‌بینی پذیرش سپرده مدت‌دار ارائه می‌دهد. داده‌های یک کمپین بازاریابی تلفنی بانک پرتغالی پس از حذف داده‌های تکراری و پرت، مدیریت مقادیر گمشده، کدگذاری ویژگی‌های اسمی و استانداردسازی آماده شدند و مجموعه نهایی شامل 36251 نمونه و 57 ویژگی شد. به منظور مقابله با عدم‌تعادل کلاس هدف و افزایش توانایی مدل‌ها در شناسایی مشتریان سپرده‌گذار، از تکنیک smote استفاده شد. مدل‌های یادگیری ماشین شامل رگرسیون لجستیک، رگرسیون ریج و ماشین بردار پشتیبان با کرنل‌های خطی و rbf طراحی و ارزیابی شدند. نتایج نشان داد که مدل‌های خطی عملکرد قابل قبول دارند، اما svm با کرنل rbf با بهینه‌سازی پارامترهای c و γ از طریق gridsearchcv، عملکرد برتری ارائه کرد و دقت و امتیاز f1 به ترتیب به 46/98% و 49/98%رسید. این یافته‌ها تاکید می‌کند که ترکیب پیش‌پردازش دقیق داده‌ها با مدل‌های غیرخطی بهینه‌شده می‌تواند پیش‌بینی رفتار مشتریان را به شکل قابل توجهی بهبود دهد. چارچوب پیشنهادی ابزاری عملی برای بهینه‌سازی کمپین‌های بازاریابی و پشتیبانی از تصمیم‌گیری هوشمند در بانک‌ها فراهم می‌کند.