مدل توضیح‌پذیر پیش‌بینی موفقیت کمپین‌های بازاریابی بانکی با یادگیری ماشین و ارائه راهکارهای تصمیم‌یار

مدل توضیح‌پذیر پیش‌بینی موفقیت کمپین‌های بازاریابی بانکی با یادگیری ماشین و ارائه راهکارهای تصمیم‌یار

پریسا قهرمان شهرکی1

1) مهندس کامپیوتر

کد IOI مقاله : AAHC-ABKKCZ
محل انتشار : کنفرانس ملی مدیریت، تجاری سازی، اقتصاد دانش بنیان و سرمایه گذاری برای تولید(impeb.ir)
چکیده :
    هدف: کمپین‌های بازاریابی مستقیم بانکی، در صورت هدف‌گیری نامناسب، می‌توانند با هزینه تماس بالا و نرخ تبدیل پایین همراه باشند. هدف این پژوهش، توسعه یک چارچوب یادگیری ماشین توضیح‌پذیر برای پیش‌بینی احتمال عضویت مشتری در سپرده مدت‌دار و تبدیل پیش‌بینی‌ها به پیشنهادهای کاربردی برای اولویت‌بندی مشتریان بود. روش پژوهش: در این مطالعه از داده‌های Bank Marketing شامل 41,188 رکورد کمپین بازاریابی مستقیم یک بانک پرتغالی استفاده شد. پس از حذف 12 رکورد تکراری، 41,176 مشاهده برای تحلیل باقی ماند. برای پیشگیری از نشت اطلاعات، متغیر مدت مکالمه (duration) که تنها پس از برقراری تماس مشخص می‌شود، از مدل اصلی پیش از تماس حذف شد. پس از مهندسی ویژگی و تقسیم تصادفی طبقه‌بندی‌شده داده‌ها به مجموعه‌های آموزش و آزمون، مدل‌های رگرسیون لجستیک، جنگل تصادفی و CatBoost مقایسه شدند. مدل نهایی با رگرسیون ایزوتونیک کالیبره و با استفاده از SHAP تفسیر شد. ارزیابی با معیارهای دقت، حساسیت، ویژگی، دقت مثبت، F1، ROC-AUC، PR-AUC و امتیاز بریر انجام گرفت. یافته‌ها: نرخ موفقیت کمپین 11/27 درصد بود. جنگل تصادفی کالیبره‌شده به‌عنوان مدل نهایی انتخاب شد و در مجموعه آزمون به دقت 0/8774، حساسیت 0/5991، ویژگی 0/9127، F1 برابر با 0/5240، ROC-AUC برابر با 0/8047، PR-AUC برابر با 0/4600 و امتیاز بریر 0/0758 دست یافت. مهم‌ترین متغیرهای پیش‌بینی‌کننده بر اساس تحلیل SHAP شامل نرخ تغییرات اشتغال، تعداد کارکنان، نرخ Euribor سه‌ماهه، نوع تماس، ماه تماس، سن، شغل و نتیجه کمپین پیشین بودند. در سناریوی ظرفیت تماس، انتخاب 15 درصد مشتریان با بالاترین احتمال پیش‌بینی‌شده، 60/67 درصد از کل موفقیت‌ها را با نرخ موفقیت مشاهده‌شده 45/55 درصد پوشش داد. نتیجه‌گیری: ترکیب مدل‌سازی بدون نشت اطلاعات، کالیبراسیون احتمال و تحلیل توضیح‌پذیری، امکان استفاده از پیش‌بینی‌های یادگیری ماشین را به‌عنوان ابزار تصمیم‌یار برای اولویت‌بندی مشتریان فراهم می‌کند. با وجود این، روابط شناسایی‌شده ماهیت مشاهده‌ای دارند و پیش از اجرای عملیاتی، باید با پایش مستمر، کالیبراسیون مجدد و ارزیابی آینده‌نگر بررسی شوند.

کلمات کلیدی : واژگان کلیدی بازاریابی بانکی یادگیری ماشین توضیح‌پذیر جنگل تصادفی کالیبراسیون احتمال shap پشتیبانی تصمیم سپرده مدت‌دار