تحلیل و پیش بینی پذیرش سپرده مدت دار با رویکرد یادگیری ماشین

در عصر داده محور بانک ها برای افزایش اثربخشی کمپین های بازاریابی و بهبود نرخ تبدیل مشتریان به تحلیل داده های رفتاری و بهره گیری از مدل های یادگیری ماشین روی آورده اند. تحلیل رفتار مشتریان امکان شناسایی الگوهای پنهان و پیش بینی تمایل آنها به پذیرش خدمات مالی را فراهم می کند و تصمیم گیری هدفمند و تخصیص بهینه منابع بازاریابی را ممکن می سازد. این پژوهش چارچوبی جامع برای پیش بینی پذیرش سپرده مدت دار ارائه می دهد. داده های یک کمپین بازاریابی تلفنی بانک پرتغالی پس از حذف داده های تکراری و پرت، مدیریت مقادیر گمشده، کدگذاری ویژگی های اسمی و استانداردسازی آماده شدند و مجموعه نهایی شامل ۳۶۲۵۱ نمونه و ۵۷ ویژگی شد. به منظور مقابله با عدم تعادل کلاس هدف و افزایش توانایی مدل ها در شناسایی مشتریان سپرده گذار از تکنیک SMOTE استفاده شد. مدل های یادگیری ماشین شامل رگرسیون لجستیک، رگرسیون ریج و ماشین بردار پشتیبان با کرنل های خطی و RBF طراحی و ارزیابی شدند. نتایج نشان داد که مدل های خطی عملکرد قابل قبول دارند اما SVM با کرنل RBF با بهینه سازی پارامترهای C و γ از طریق GridSearchCV، عملکرد برتری ارائه کرد و دقت و امتیاز F۱ به ترتیب به ۴۶.۹۸ و ۴۹.۹۸ رسید. این یافته ها تاکید می کند که ترکیب پیش پردازش دقیق داده ها با مدل های غیرخطی بهینه شده می تواند پیش بینی رفتار مشتریان را به شکل قابل توجهی بهبود دهد. چارچوب پیشنهادی ابزاری عملی برای بهینه سازی کمپین های بازاریابی و پشتیبانی از تصمیم گیری هوشمند در بانک ها فراهم می کند.

کلیدواژه ها:

یادگیری ماشین ، رگرسیون ریج ، پیش بینی رفتار مشتری ، ماشین بردار پشتیبان ، رگرسیون لجستیک