Dự báo nhóm khách hàng rời bỏ nhằm cải thiện trải nghiệm của khách hàng Thẻ tại Ngân hàng

Abstract

Trong bối cảnh cạnh tranh gay gắt của ngành ngân hàng, việc giữ chân khách hàng trở thành một trong những mục tiêu quan trọng để duy trì và phát triển bền vững của doanh nghiệp. Đề án "Dự báo nhóm khách hàng rời bỏ nhằm cải thiện trải nghiệm khách hàng Thẻ tại Ngân hàng" đã sử dụng thư viện PyCaret với thế mạnh tích hợp nhiều mô hình học máy phổ biến cùng tính năng tối ưu hóa mô hình tự động, giúp tìm ra các cài đặt tối ưu cho mô hình để đề xuất mô hình học máy phù hợp với đặc trưng của từng tệp dữ liệu khách hàng, giúp dự báo chính xác nhóm khách hàng có khả năng rời bỏ ngân hàng. Với đặc trưng của tệp khách hàng được sử dụng, thư viện PyCaret đã đề xuất bốn mô hình phân loại là Gradient Boosting, Random Forest, SVM và AdaBoost. Trong đó, mô hình Gradient Boosting đạt hiệu suất cao nhất với chỉ số AUC và Accuracy lần lượt là 85.71% và 86.09%. Đề án đã tiến hành cross-validation để tối ưu hóa hiệu suất của mô hình này.Ngoài ra, đề án cũng đề xuất các giải pháp nhằm nâng cao trải nghiệm khách hàng qua các chiến lược cá nhân hóa dịch vụ, cải thiện chất lượng dịch vụ, tăng cường tương tác và kết nối, nâng cao trải nghiệm số, dự báo và phòng ngừa rời bỏ khách hàng, tối ưu hóa quy trình giao dịch và chăm sóc khách hàng sau giao dịch. Những giải pháp này không chỉ giúp ngân hàng nhận diện sớm các đối tượng khách hàng có khả năng rời bỏ mà còn cung cấp các biện pháp can thiệp kịp thời,từ đó nâng cao sự hài lòng và lòng trung thành của khách hàng.