| Abstract : | Σκοπός της παρούσας διπλωματικής εργασίας είναι να κατηγοριοποιηθούν οι πελάτες της Εθνικής Τράπεζας της Ελλάδος, που χρησιμοποιούν την πλατφόρμα του internet banking, βάσει του τι προϊόν ή υπηρεσία της τράπεζας χρησιμοποιούν περισσότερο. Η ανάλυση αυτή θα βοηθήσει την τράπεζα να προωθήσει τα προϊόντα της πιο στοχευμένα και πιο αποτελεσματικά. Για τον σκοπό αυτόν εφαρμόσθηκαν δύο αλγόριθμοι που πραγματοποιούν την διαδικασία του «Clustering», δηλαδή τον διαχωρισμό των πελατών σε συμπλέγματα. Ο πρώτος αλγόριθμος είναι ο «K-means», ο οποίος είναι εύκολος στην υλοποίησή του, έχει χαμηλό υπολογιστικό κόστος και μπορεί να εφαρμοσθεί σε δεδομένα μεγάλης κλίμακας. Ο δεύτερος αλγόριθμος είναι η «Μίξη Γκαουσιανών Κατανομών», το οποίο είναι ένα στοχαστικό μοντέλο για τον προσδιορισμό της πιθανότητας με την οποία ανήκει ο κάθε πελάτης στο εκάστοτε σύμπλεγμα, και ξεδιπλώνει το μοτίβο χρήσης του κάθε προϊόντος στη κάθε κατηγορία. Και οι δύο αλγόριθμοι είχαν ως αποτέλεσμα ότι το ιδανικό πλήθος συμπλεγμάτων είναι πέντε. Έπειτα, βασιζόμενοι στα αποτελέσματα της κατηγοριοποίησης των πελατών, δημιουργήθηκε το προφίλ του χρήστη που ανήκει στη κάθε ομάδα. Τέλος, προκειμένου να προταθεί το αμέσως επόμενο προϊόν που θα μπορούσε να αγοράσει ο πελάτης της κάθε ομάδας, προτείνονται δύο στρατηγικές. Η πρώτη σχετίζεται με το να υπολογισθεί η πιθανότητα με την οποία ο πελάτης θα βρεθεί στην αμέσως κοντινότερη ομάδα πελατών, ενώ η δεύτερη αφορά την εύρεση των «ανωμαλιών» που υπάρχουν μέσα στη κάθε ομάδα.
The purpose of this case study was to examine how the clients of the National Bank of Greece who use the internet banking platform are segmented, based on their transactional characteristics. This would help the bank to promote and market its products in a very streamlined manner. Two clustering methods were performed. The first one was K-means algorithm because it is relatively easy to implement, with low computational cost and scales in large data set. The second algorithm that was applied was the Gaussian Mixture Model, which is a probabilistic approach to define groups and unearth important patterns of which bank product bank’s clients use more. Both clustering algorithms revealed five customer segments. Then, based on the results of the best clustering method, the profiling of each segment was performed. Finally, in order to figure out what is the next best product to be offered for each client, there are two strategies that are suggested. The one is to move clients to the next closest segment, while the other one is to search for the irregularities inside each segment.
|
|---|
Copyright © 2013 Library AUEB. All rights reserved.