سامانه پشتیبانی خدمات اطلاعات

  اخبار و اعلانات

 آمار

تعداد نشریات163
تعداد شماره‌ها6,762
تعداد مقالات72,827
تعداد مشاهده مقاله131,650,988
تعداد دریافت فایل اصل مقاله103,424,571
محمودزاده, محمدحسین, شیرعلی شهرضا, محمدحسن, محدث خراسانی, علی. (1404). پیش‌بینی ریزش مشتریان بانک با استفاده از یادگیری ماشین. , 27(2), 218-245. doi: 10.22059/frj.2024.357770.1007453
محمدحسین محمودزاده; محمدحسن شیرعلی شهرضا; علی محدث خراسانی. "پیش‌بینی ریزش مشتریان بانک با استفاده از یادگیری ماشین". , 27, 2, 1404, 218-245. doi: 10.22059/frj.2024.357770.1007453
محمودزاده, محمدحسین, شیرعلی شهرضا, محمدحسن, محدث خراسانی, علی. (1404). 'پیش‌بینی ریزش مشتریان بانک با استفاده از یادگیری ماشین', , 27(2), pp. 218-245. doi: 10.22059/frj.2024.357770.1007453
محمودزاده, محمدحسین, شیرعلی شهرضا, محمدحسن, محدث خراسانی, علی. پیش‌بینی ریزش مشتریان بانک با استفاده از یادگیری ماشین. , 1404; 27(2): 218-245. doi: 10.22059/frj.2024.357770.1007453

پیش‌بینی ریزش مشتریان بانک با استفاده از یادگیری ماشین

تحقیقات مالی
دوره 27، شماره 2، 1404، صفحه 218-245    اصل مقاله (633.93 K)
نوع مقاله: مقاله علمی پژوهشی
شناسه دیجیتال (DOI): 10.22059/frj.2024.357770.1007453
نویسندگان
محمدحسین محمودزاده1؛ محمدحسن شیرعلی شهرضا* 2؛ علی محدث خراسانی3
1کارشناسی ارشد، گروه مهندسی کامپیوتر، دانشکده ریاضی و علوم کامپیوتر، دانشگاه صنعتی امیرکبیر (پلی تکنیک تهران)، تهران، ایران.
2استادیار، گروه آموزشی علوم کامپیوتر، دانشکده ریاضی و علوم کامپیوتر، دانشگاه صنعتی امیرکبیر (پلی تکنیک تهران)، تهران، ایران.
3دانشیار، گروه علوم کامپیوتر، دانشکده ریاضی و علوم کامپیوتر،دانشگاه صنعتی امیرکبیر (پلی تکنیک تهران)، تهران، ایران.
چکیده
هدف: در بازارهای رقابتی، شرکت‌ها روی برقراری روابط بلندمدت با مشتریان و تقویت وفاداری تمرکز دارند. به‌علت هزینه‌های سنگین جذب مشتری جدید، کسب‌وکارها روی نگهداری مشتریان موجود تمرکز می‌کنند. پیش‌بینی مشتریانی که احتمال روی‌گردانی آن‌ها در آینده وجود دارد، بخش مهمی از راهبرد حفظ مشتری است. در این مقاله پیش‌بینی ریزش مشتری در صنعت بانکداری، روی دادگان واقعی مشتریان یکی از بانک‌های بزرگ ایران انجام شده است.
روش: در صنعت بانکداری، کاهش شدید میانگین مانده مؤثر یک مشتری در یک بازۀ زمانی نسبت به بازۀ زمانی قبلی، به‌عنوان ریزش مشتری در نظر گرفته می‌شود. در این مقاله، ابتدا با پردازش حجم زیادی از تراکنش‌های بانکی در یک بازۀ زمانی مشخص، ویژگی‌های رفتاری متفاوت در سطوح مختلف برای مشتریان به‌دست آمد؛ سپس برای پیش‌بینی ریزش، از الگوریتم‌های پُراستفاده در یادگیری ماشین و روش‌های یادگیری جمعی استفاده شد. در ادامه، با استفاده از روش‌های یادگیری عمیق و واحدهای نوین آن، معماری مدل مدنظر ارائه شد. در نهایت، با انجام آزمایش‌های جامع، عملکرد روش‌های نام برده بررسی شد.
یافته‌ها: این پژوهش در یکی از بانک‌های بزرگ ایران اجرا شد و آزمایش‌ها روی دادگان واقعی مشتریان بانک صورت پذیرفت. در این آزمایش‌ها، از اطلاعات جمعیت‌شناختی و رفتار گذشته مشتریان بهره گرفته شد؛ اما از اطلاعات شخصی افراد استفاده نشد تا حریم خصوصی مشتریان حفظ شود. در آزمایش‌های صورت‌گرفته، پیش‌بینی ریزش مشتری روی بازۀ زمانی یک ماهه انجام گرفت. بدین ترتیب دو بازۀ یک‌ماهه متوالی مدنظر قرار گرفت و ویژگی‌های رفتاری مشتریان، از بازۀ زمانی اول استخراج شد. متغیر هدف نیز از مقایسه میانگین مانده مؤثر در بازه‌های زمانی اول و دوم به‌دست آمد. در صورتی که میانگین ماندۀ مؤثر یک مشتری، در بازۀ دوم نسبت به بازۀ اول با بیش از ۷۰درصد کاهش همراه بود، به‌عنوان ریزش در نظر گرفته شد. در نتایج به‌دست‌آمده الگوریتم‌های یادگیری جمعی و همچنین مدل‌های عمیق ارائه‌شده، عملکرد بهتری را نسبت به مدل‌های مبنا نشان دادند. افزایش اندازۀ مجموعۀ آموزش در عملکرد بهتر مدل‌ها مؤثر بود. مدل تقویت گرادیان با 8984/0 بیشترین مساحت زیر منحنی مشخصۀ عامل گیرنده نسبت به مجموعۀ اعتبارسنجی را به‌دست آورد.
نتیجه‌گیری: استخراج ویژگی‌های رفتاری از تراکنش‌های بانکی مشتریان و استفاده از روش‌های یادگیری جمعی و همچنین مدل‌های ارائه‌شده مبتنی‌بر یادگیری عمیق، در پیش‌بینی ریزش مشتری مؤثرند. پس از تحلیل رفتار و شناسایی مشتریان در شرف روی‌گردانی، پیشنهادهایی برای جلوگیری از ریزش و حفظ مشتری ارائه شد. برای نمونه، تفکیک مشتریان بر اساس سن، شغل، تحصیلات و غیره به‌منظور ارائه خدمات و تولید محصولات بانکی بر این مبنا، ایجاد تنوع در خدمات موجود، ارائۀ خدمات مورد نیاز مشتریان از طریق بسترهای مجازی و در صورت نیاز در محل فعالیت و زندگی مشتریان، تسهیل در ارائۀ خدمات مطلوب به مشتریان، افزایش اعتماد مشتریان از طریق ارائۀ کاربردیِ امن و همچنین، حفاظت از اطلاعات مشتریان، به حفظ مشتری کمک می‌کند.
کلیدواژه‌ها
پیش‌بینی ریزش مشتری؛ بانکداری؛ یادگیری عمیق؛ یادگیری ماشین
عنوان مقاله [English]
Predicting Bank Customer Churn Using Machine Learning
نویسندگان [English]
Mohammad Hossein Mahmoudzadeh1؛ Mohammad Hassan Shirali Shahreza2؛ Ali Mohades Khorasani3
1MSc., Department of Computer Engineering, Faculty of Mathematics and Computer Science, Amirkabir University of Technology (Tehran Polytechnic), Tehran, Iran.
2Assistant Prof., Department of Computer Education, Faculty of Mathematics and Computer Science, Amirkabir University of Technology (Tehran Polytechnic), Tehran, Iran.
3Associate Prof., Department of Mathematics and Computer Science, Amirkabir University of Technology (Tehran Polytechnic), Tehran, Iran.
چکیده [English]
Objective
In competitive markets, companies focus on establishing long-term relationships with their customers and strengthening their loyalty. Due to the high costs associated with acquiring new customers, businesses tend to focus on retaining existing ones. Predicting which customers are likely to churn in the future plays a crucial role in shaping effective customer retention strategies. To predict customer churn and identify its drivers, companies use customer information and historical data recorded from them. This paper investigates customer churn prediction in the banking industry using real customer data from one of the largest banks in Iran.
 
Methods
To analyze and predict customer behavior, two equal and consecutive periods were considered. Customer behavior in the first period was used to predict a target variable in the second period. A significant drop in the average effective balance during the second period, compared to the first, was defined as the indicator of customer churn. By processing a large volume of banking transactions in the first period and aggregating them at different levels, various behavioral features for customers. We selected. One fixed validation set and three training sets of different sizes were selected. To address the issue of dataset imbalance, class weights were determined based on the ratio of class sizes, ensuring that the minority class received greater weight during the training process. To predict customer churn, widely used machine learning algorithms—including Naive Bayes, k-Nearest Neighbors, Support Vector Machine, Logistic Regression, and Decision Tree—were applied, along with ensemble learning methods such as Random Forest, Adaptive Boosting, and Gradient Boosting. Subsequently, deep learning methods were applied, and a model incorporating modern modules such as residual connections and layer normalization—similar to state-of-the-art architectures—was proposed. Exhaustive experiments were conducted to evaluate the performance of the aforementioned methods.
 
Results
The results showed that ensemble learning algorithms and the proposed deep learning models outperformed the baseline models. Additionally, increasing the size of the training set contributed to improved model performance. Among the traditional machine learning classification algorithms, the decision tree trained on two training sets obtained the highest AUC ROC on the validation set with 0.8531 and 0.8597. The gradient boosting model obtained the overall highest AUC ROC on the validation set with 0.8984 and 0.9010. Deep learning-based single models achieved AUC-ROC values of 0.8825, 0.8909, and 0.8958, outperforming all traditional methods and two ensemble learning approaches while performing competitively with the gradient boosting algorithm.
 
Conclusion
Extracting behavioral features from customers' banking transactions and applying ensemble methods, along with the proposed deep learning-based models, proves effective in predicting banking customer churn, particularly in cases of a significant decrease in the average effective balance.
کلیدواژه‌ها [English]
Banking, Customer churn prediction, Deep learning, Machine learning
مراجع
احمدی کوشا، آزاده؛ احمدی، فائق؛ رنجبر، محمدحسین و کردلوئی، حمیدرضا (1403). شناسایی شاخص‌های اعتبارسنجی و رتبه‌بندی مشتریان در تسهیلات خُرد در بانک خاورمیانه. تحقیقات مالی، 26(2)، 415- 438.

احمدی سرتختی، فرشید؛ هژبر کیانی، کامبیز؛ حسینی، سید شمس الدین و معمارنژاد، عباس  (1402). طراحی مدلی برای ارزیابی ریسک اعتباری مشتریان ضمانت‏نامه‌های صادر شده توسط صندوق ضمانت صادرات ایران با کمک مدل شبکۀ عصبی مصنوعی. تحقیقات مالی، 25(4)، 695- 716.

باجلان، سعید؛ فلاح‌پور، سعید و رئیسی، سارا (1403). بهینه‌سازی پرتفوی اعتباری بانک‌ها با استفاده از رویکرد اکچوئری و شبکۀ عصبی مصنوعی. تحقیقات مالی، 26(3)، 710- 733.

رحیمی، سعیده؛ روستا، علی و آسایش، فرزاد (1403). ارزیابی ارتباط میان عوامل ارتقای توان رقابت‏پذیری خدمات ارزی مشتریان در صنعت بانکداری. تحقیقات مالی، 26(2)، 439- 462.

 

References

Ahmad, A. K., Jafar, A., & Aljoumaa, K. (2019). Customer churn prediction in telecom using machine learning in big data platform. Journal of Big Data, 6(1), 1-24.

Ahmadi Kousha, A., Ahmadi, F., Ranjbar, M. & Kordlouie, M. (2024). Validation Indicator Identification and Customer Ranking in Microloans: A Study at Middle East Bank in Iran. Financial Research Journal, 26(2), 399-423. (in Persian)

Ahmadi Sartakhti, F., Hojabr Kiani, K., Hoseini, S. & Memarnejad, A. (2023). Designing a Model for Credit Risk Assessment of Customers for Guarantees Issued by the Export Guarantee Fund of Iran via Artificial Neural Network Model. Financial Research Journal, 25(4), 641- 660. (in Persian)

Amin, A., Anwar, S., Adnan, A., Nawaz, M., Alawfi, K., Hussain, A. & Huang, K. (2017). Customer churn prediction in the telecommunication sector using a rough set approach. Neurocomputing, 237, 242-254.

Ba, L. J., Kiros, J. R., & Hinton, G. E. (2016). Layer Normalization. arXiv preprint:1607.06450.
https://doi.org/10.48550/arXiv.1607.06450

Çelik, O. & Osmanoglu, U. O. (2019). Comparing to techniques used in customer churn analysis. Journal of Multidisciplinary Developments, 4(1), 30-38.

De Caigny, A., Coussement, K. & De Bock, K. W. (2018). A new hybrid classification algorithm for customer churn prediction based on logistic regression and decision trees. European Journal of Operational Research, 269(2), 760-772.

Domingos, E., Ojeme, B. & Daramola, O. (2021). Experimental analysis of hyperparameters for deep learning-based churn prediction in the banking sector. Computation, 9(3), 34.

Halibas, A. S., Matthew, A. C., Pillai, I. G., Reazol, J. H., Delvo, E. G. & Reazol, L. B. (2019). Determining the Intervening Effects of Exploratory Data Analysis and Feature Engineering in Telecoms Customer Churn Modelling. 2019 4th MEC International Conference on Big Data and Smart City (ICBDSC), 1–7.

He, K., Zhang, X., Ren, S. & Sun, J. (2016). Deep Residual Learning for Image Recognition. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 770–778.

Jain, H., Yadav, G. & Manoov, R. (2020). Churn prediction and retention in banking, telecom and IT sectors using machine learning techniques. In Advances in Machine Learning and Computational Intelligence: Proceedings of ICMLCI 2019 (pp. 137-156). Singapore: Springer Singapore.

Karvana, K. G. M., Yazid, S., Syalim, A. & Mursanto, P. (2019, October). Customer churn analysis and prediction using data mining models in banking industry. In 2019 international workshop on big data and information security (IWBIS) (pp. 33-38). IEEE.

Khan, Y., Shafiq, S., Naeem, A., Ahmed, S., Safwan, N. & Hussain, S. (2019). Customers churn prediction using artificial neural networks (ANN) in telecom industry. International journal of advanced computer science and applications, 10(9).

Kingma, D. P. & Ba, J. (2015). Adam: A Method for Stochastic Optimization. In 3rd International Conference on Learning Representations, ICLR 2015, Conference Track Proceedings.

Lalwani, P., Mishra, M. K., Chadha, J. S. & Sethi, P. (2022). Customer churn prediction system: a machine learning approach. Computing, 104, 271-294.

Li, Y., Hou, B., Wu, Y., Zhao, D., Xie, A. & Zou, P. (2021). Giant fight: Customer churn prediction in traditional broadcast industry. Journal of Business Research, 131, 630-639.

Pustokhina, I. V., Pustokhin, D. A., Nguyen, P. T., Elhoseny, M. & Shankar, K. (2023). Multi-objective rain optimization algorithm with WELM model for customer churn prediction in telecommunication sector. Complex & Intelligent Systems, 9, 3473–3485.

Raeesi, S., Bajalan, S. & Fallahpour, S. (2024). Bank’s Credit Portfolio Optimization Using Actuarial Approach and Artificial Neural Networks. Financial Research Journal, 26(3), 710-733. (in Persian)

Rahimi, S., Rousta, A. & Asayesh, F. (2024). Evaluating the Relationship between Factors Enhancing the Competitiveness of Customer Foreign Currency Services in the Banking Industry. Financial Research Journal, 26(2), 424-446. (in Persian)

Rahman, M. & Kumar, V. (2020). Machine Learning Based Customer Churn Prediction in Banking. 2020 4th International Conference on Electronics, Communication and Aerospace Technology (ICECA), 1196–1201.

Sayed, H., Abdel-Fattah, M. A. & Kholief, S. (2018). Predicting potential banking customer churn using apache spark ML and MLlib packages: a comparative study. International Journal of Advanced Computer Science and Applications, 9(11).

Spanoudes, P. & Nguyen, T. (2017). Deep Learning in Customer Churn Prediction: Unsupervised Feature Learning on Abstract Company Independent Feature Vectors.
https://arxiv.org/abs/1703.03869

Umayaparvathi, V., & Iyakutti, K. (2017). Automated feature selection and churn prediction using deep learning models. International Research Journal of Engineering and Technology (IRJET), 4(3), 1846-1854.

Vafeiadis, T., Diamantaras, K. I., Sarigiannidis, G., & Chatzisavvas, K. C. (2015). A comparison of machine learning techniques for customer churn prediction. Simulation Modelling Practice and Theory, 55, 1–9.

Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., ... & Polosukhin, I. (2017). Attention is All you Need. In Advances in Neural Information Processing Systems 30: Annual Conference on Neural Information Processing Systems, pp. 5998–6008.

Vijaya, J., & Sivasankar, E. (2019). An efficient system for customer churn prediction through particle swarm optimization based feature selection model with simulated annealing. Cluster Computing, 22, 10757-10768.

آمار
تعداد مشاهده مقاله: 12
تعداد دریافت فایل اصل مقاله: 13





سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب