In diesem Artikel zeige ich Ihnen, wie ein Unternehmen (in diesem Fall eine Financial institution) von angewandter Datenwissenschaft im Hinblick auf Kundenerlebnisse und Wirtschaftswachstum profitieren kann. Dabei erkläre ich, dass ich Daten aus Forschung und Umfragen nutzen werde, um die positiven Ergebnisse der Umsetzung von Knowledge-Science-Strategien zu unterstützen.
Laut Marktforschung von hubspot.com Und hockeystack.com:
- Die Kundenbindungsrate liegt bei ca 75 % in der Bankenbranche bedeutet das 25 % der Kunden verlassen die Financial institution.
- Dies stellt ein großes Downside für ein Unternehmen dar, da die durchschnittlichen Kosten für den Verlust eines Kunden ungefähr bei etwa 50 % liegen 240 $ für ein Unternehmen.
- Die durchschnittlichen Akquisekosten für einen Kunden liegen bei ca 640$ in Finanzdienstleistungen.
- Auch die Kosten für die Neukundenakquise betragen 5 ist um ein Vielfaches größer als die Bindung eines bestehenden Kunden.
Auf lange Sicht können die Kosten für den Verlust von Kunden Millionen, vielleicht sogar Milliarden Greenback betragen. Unternehmen verlieren nicht nur Geld, sondern verlieren auch Marktanteile, Anerkennung und Status.
Die gleiche Forschung zeigt das vorbei 70 % der Kunden sind davon überzeugt, bei ihrer Marke zu bleiben, wenn das Kundenerlebnis auf einem akzeptablen Niveau ist und ihnen ihre Marke durch Methoden wie Treueprogramme und personalisierte Rabatte das Gefühl gibt, etwas Besonderes zu sein.
Diese Bemühungen erfordern jedoch häufig erhebliche Investitionen in Bezug auf Zeit, Energie und finanzielle Ressourcen, was angesichts des großen Kundenstamms, der Wettbewerbslandschaft und der wirtschaftlichen Zwänge eine Herausforderung sein kann. Aber was wäre, wenn Banken die Möglichkeit hätten, Kunden zu identifizieren, bei denen eine Abwanderung wahrscheinlich ist, bevor es zu spät ist? Was wäre, wenn sie proaktiv auf die Bedenken unzufriedener Kunden eingehen könnten, ohne dass kostspielige Untersuchungen zum Kundenerlebnis oder langwierige Umfragen erforderlich wären?
Hier kommt die Datenwissenschaft auf die Bühne. Heutzutage können maschinelle Lernmodelle ziemlich genaue Vorhersagen über das Kundenverhalten treffen, sobald ihnen Daten zur Verfügung stehen.
Modelle des maschinellen Lernens ermöglichen es Unternehmen, Einblicke in ihre aktuellen und zukünftigen Szenarien zu gewinnen und so die Ergebnisse durch strategische Interventionen proaktiv zu gestalten. Unternehmen können diese Modelle beispielsweise nutzen, um Kunden zu identifizieren, bei denen das Risiko einer Abwanderung besteht, und proaktive Maßnahmen zu ergreifen, um ihre Erwartungen zu verstehen, auf ihre Bedenken einzugehen und stärkere Beziehungen aufzubauen. Diese Fähigkeit bietet einen erheblichen Vorteil, da sie es Unternehmen ermöglicht, ihren Kundenstamm zu halten und zu pflegen und so die unzähligen Vorteile zu erschließen, die sich aus Kundentreue und -zufriedenheit ergeben.
Darüber hinaus sind die mit der Implementierung solcher Anwendungen verbundenen Kosten bemerkenswert niedrig, da Unternehmen unzufriedene Kunden gezielt ansprechen und zusätzliche Ressourcen für die Bearbeitung ihrer Anliegen bereitstellen können. In vielen Fällen kann ein einfacher Anruf oder ein kleiner Rabatt die Probleme effektiv lösen und diese Kunden binden.
Jetzt ist es Zeit für die Anwendung des maschinellen Lernmodells. Als Datenwissenschaftler wollte ich ein solches Downside lösen und habe ein maschinelles Lernmodell erstellt, das die Daten einer Financial institution nutzt, um potenzielle Kundenabwanderungen vorherzusagen.
Explorative Datenanalyse
Die erste Part des Projekts umfasst die Datenexploration, bei der ich eine explorative Analyse des Datensatzes durchführte. Ziel der explorativen Datenanalyse (EDA) struggle es, Einblicke in verschiedene Aspekte der Daten zu gewinnen, darunter Datentypen, Größe, zentrale Tendenzmaße (Mittelwert, Median, Standardabweichung usw.), Vorhandensein fehlender Werte und Identifizierung von Ausreißern. Durch die gründliche Untersuchung dieser Faktoren erlangte ich ein Verständnis für die Eigenschaften des Datensatzes und ermöglichte es mir, fundierte Entscheidungen zu treffen.
Visualisierung
Außerdem habe ich ein interaktives Tableau-Dashboard erstellt, das die Beziehungen zwischen verschiedenen Kundenattributen wie Geschlecht, Land, Kreditwürdigkeit und Bankguthaben widerspiegelt. Dieses interaktive Dashboard beantwortet einige Fragen, die Ihnen möglicherweise in den Sinn kommen, wie zum Beispiel „Wie hoch sind das Durchschnittsalter, die Kreditwürdigkeit und der Kontostand der Kunden, die abwandern?“ oder „Wie viele Kreditkartennutzer sind zwischen 40 und 50 Jahre alt?“
Datenreinigung
Mit den wertvollen Erkenntnissen, die ich aus der Untersuchung gewonnen habe, habe ich die Daten weiter verarbeitet, indem ich verschiedene Techniken wie logarithmische Transformationen, Typkonvertierungen und den effektiven Umgang mit fehlenden Werten und Ausreißern eingesetzt habe. Der Datenbereinigungsprozess stellte sicher, dass der Datensatz für die späteren Phasen der Modellentwicklung optimiert wurde.
Function-Engineering
Anschließend formulierte ich Hypothesen zur Schaffung neuer Funktionen basierend auf den Erkenntnissen aus dem Datenexplorationsprozess. Nach einer sich wiederholenden Trial-Error-Part identifizierte ich neue Funktionen, die die Leistung des Modells steigerten, während ich diejenigen entfernte, die sich als Belastung erwiesen. Letztendlich hat sich der Aufwand, den ich in den Function-Engineering-Prozess gesteckt habe, ausgezahlt.
Modellieren
Ich habe Excessive Gradient Boosting verwendet (XGBoost), Lichtgradientenverstärkende Maschine (LGBTM) und kategoriales Boosting (Catboost) Modelle zur Vorhersage der Abwanderer. Der erste Leistungsvergleich ergab, dass die durchschnittliche Genauigkeitsrate bei ca. liegt 90 %. Die Ergebnisse waren bereits vielversprechend, aber ich habe die Parameter des leistungsstärksten Modells (XGBoost) angepasst, um eine kleine Leistungssteigerung zu erzielen. Trotz einer Reihe von Versuchsfehlern steigerte die Parameteroptimierung die Gesamtleistung nicht.
Ich gab jedoch nicht auf und beschloss, die Modelle zusammenzustapeln. Überraschenderweise übertraf das gestapelte Modell seine einzelnen Komponenten, was zu einem Ergebnis führte 1% Leistungssteigerung.
Technische Particulars zum Projekt können hier eingesehen werden GitHub Repository.
Bewertung und Geschäftswert
Die metrischen Werte für das endgültige Modell lauten wie folgt:
Genauigkeitsrate: Das Modell wies eine bemerkenswerte Genauigkeitsrate von auf 91%, um korrekt zu ermitteln, ob ein Kunde abwandern würde oder nicht. Diese hohe Genauigkeitsrate unterstreicht die Fähigkeit des Modells, genaue Vorhersagen zu treffen und liefert wertvolle Erkenntnisse für die Entscheidungsprozesse der Financial institution.
Präzisionsbewertung: Der Präzisionswert von 88% gibt an, dass, wenn das Modell einen Kunden als potenziellen Abwanderer vorhersagte, 88% dieser Kunden haben tatsächlich abgewandert. Diese wertvollen Erkenntnisse ermöglichen es der Financial institution, Ressourcen effizient zuzuteilen, sich auf die Kunden zu konzentrieren, die am wahrscheinlichsten abwandern, und Interventionsstrategien speziell auf sie zuzuschneiden. Durch die Nutzung dieses Modells kann die Financial institution ihre Bemühungen optimieren 88% der Ressourcen werden für die Bindung von Abwanderern aufgewendet, während gleichzeitig die Ressourcen für Kunden minimiert werden, bei denen die Wahrscheinlichkeit einer Abwanderung geringer ist.
Rückruf-Rating: Mit einem Erinnerungswert von 93 % identifizierte das Modell erfolgreich 93 % der Abwanderer innerhalb des Kundenstamms. Dies bedeutet, dass die Financial institution die Möglichkeit hat, 93 % der Kunden, bei denen das Risiko einer Abwanderung besteht, proaktiv zu erreichen und so rechtzeitig einzugreifen und gezielte Bindungsstrategien zu entwickeln. Die Fähigkeit, einen so großen Teil der Abwanderer zu gewinnen, versetzt die Financial institution in die Lage, proaktive Maßnahmen zu ergreifen und die Kundenabwanderung wirksam einzudämmen. Nur ein kleiner Bruchteil, 7% der Abwanderer bleiben möglicherweise vom Modell unbemerkt.
Lassen Sie die Zahlen sprechen
Nun berechne ich den ungefähren monetären Nutzen, wenn eine sehr kleine Financial institution mit 10.000 Kunden dieses ML-Modell einsetzen würde. Meine Annahmen basieren auf den Forschungsergebnissen und lauten wie folgt:
- Kosten für die Gewinnung eines Kunden = 5 x Bindung eines Kunden = 640$
- Aufbewahrungskosten: 640/5 = 128$
- Der Gewinn, der durch die Bindung eines Kunden anstelle der Gewinnung eines neuen Kunden erzielt wird: 640 – 128 = 512$
- Die Erfolgsquote von Bindungsstrategien: 70%
- Die Anzahl der Kunden = 10000
- Die Abwanderungsrate beträgt 25%.
Das Modell kann erkennen 93 % der Churer.
Die Vorhersagen des Modells zu Abwanderern sind 88% präzise.
Die Anzahl der Kunden, die potenziell behandelt werden können:
10000 * 0,25 * 0,93 * 0,88 = 2046
Die potenziell geringeren Kosten (erwirtschafteten Gewinne) durch die Behandlung der Kunden:
2046 * 512 = 1.047.552 $
Der Gewinn mit a 70% Erfolgsquote bei Bindungsstrategien.
((2046 * 0,7) * 512) – ((2046 * 0,3)* 128) = 654.720$
Durch die Nutzung der Leistungsfähigkeit des maschinellen Lernens erzielt die Financial institution nicht nur erhebliche finanzielle Einsparungen, sondern profitiert auch von einer Vielzahl zusätzlicher Vorteile, wie z. B. der Eindämmung negativer Mundpropaganda, der Erschließung neuer Verkaufschancen und der Förderung einer stärkeren Kundenbindung.
Doch allein im Hinblick auf die direkten monetären Auswirkungen führt die Investition der Financial institution in das Modell des maschinellen Lernens zu erheblichen Einsparungen von über einer halben Million Greenback. Dieser erhebliche finanzielle Gewinn unterstreicht die Wirksamkeit und den Wert der Integration fortschrittlicher Analysen in die Geschäftstätigkeit der Financial institution und festigt ihren Wettbewerbsvorteil in der Branche.
Prädiktive Modellierung ist wie die Abwanderungsvorhersage nicht auf die Bankenbranche beschränkt, sondern kann auf verschiedene Unternehmen angewendet werden, die über relevante Daten verfügen. Während sich dieses Projekt speziell auf den Bankenbereich konzentrierte, können die verwendeten Methoden angepasst und in anderen Branchen implementiert werden, um wertvolle Erkenntnisse über das Kundenverhalten zu gewinnen.
Ich freue mich über alle Vorschläge oder Rückmeldungen zu den verwendeten Methoden, da kontinuierliche Verbesserung und Verfeinerung im Bereich der Datenwissenschaft von entscheidender Bedeutung sind. Nähere Informationen zum Projekt finden Sie unter den folgenden Hyperlinks:
