Enhancing banking marketing through generative AI: from customer segmentation to personalized content generation

Abstract

Καθώς ο τραπεζικός τομέας εξελίσσεται σε ένα ολοένα και πιο ψηφιακό και ανταγωνιστικό περιβάλλον, το εξατομικευμένο μάρκετινγκ καθίσταται βασική στρατηγική για την αποτελεσματικότερη προσέγγιση των πελατών. Η παρούσα διπλωματική εργασία διερευνά τη χρήση τεχνικών μηχανικής μάθησης και γενετικής τεχνητής νοημοσύνης (Generative AI) για την παραγωγή προσωποποιημένου διαφημιστικού περιεχομένου στον χρηματοοικονομικό κλάδο. Το προτεινόμενο σύστημα συνδυάζει μεθόδους ομαδοποίησης πελατών, όπως οι αλγόριθμοι K-Means και ιεραρχική ομαδοποίηση, με τη χρήση Μεγάλων Γλωσσικών Μοντέλων (LLMs), για τη δημιουργία δυναμικού και εξατομικευμένου κειμένου που προωθεί τραπεζικά προϊόντα. Η μεθοδολογία περιλαμβάνει την ανάλυση ενός συνόλου δεδομένων με δημογραφικά, οικονομικά και συμπεριφορικά χαρακτηριστικά πελατών, με στόχο τη δημιουργία αντιπροσωπευτικών προφίλ (personas). Στη συνέχεια, σχεδιάζονται κατάλληλες προτροπές (prompts) για την αυτόματη δημιουργία προσωποποιημένων διαφημιστικών μηνυμάτων για κάθε προφίλ. Στην παρούσα εργασία εξετάζονται δύο προσεγγίσεις: η παραγωγή περιεχομένου εκ του μηδενός, όπου το μοντέλο διαθέτει μεγαλύτερη ευχέρεια στη διαμόρφωση της καμπάνιας, και ένα εναλλακτικό σενάριο, στο οποίο το GenAI καθοδηγείται μέσω προκαθορισμένου προτύπου καμπάνιας (template). Στο prompt ενσωματώνονται τόσο οι πληροφορίες του εκάστοτε τραπεζικού προϊόντος όσο και τα χαρακτηριστικά της αντίστοιχης persona, με σκοπό την παραγωγή καμπάνιας προσαρμοσμένης στις ιδιαίτερες ανάγκες του πελάτη. Ο συνδυασμός αυτών των στοιχείων καθιστά εφικτή την ανάπτυξη στοχευμένων, κατανοητών και υψηλής ποιότητας καμπανιών, αναδεικνύοντας τις δυνατότητες των LLMs στο πλαίσιο του σύγχρονου τραπεζικού μάρκετινγκ.As the banking sector continues to evolve within an increasingly digital and competitive environment, personalized marketing has emerged as a key strategy for enhancing customer engagement and relevance. This thesis investigates the application of machine learning and generative artificial intelligence (Generative AI) to create personalized marketing content tailored to distinct customer profiles in the financial services domain. The proposed system integrates customer segmentation using clustering algorithms—such as K-Means and hierarchical clustering—with Large Language Models (LLMs) to generate dynamic and targeted promotional messages. The methodology involves analysing a dataset containing demographic, behavioural, and financial attributes to construct representative customer personas. Based on these profiles, carefully designed prompts are used to guide the generation of customized marketing content for each profile. Beyond generating messages from scratch, the system also explores a second scenario in which a general campaign template is provided and adapted to suit the characteristics of each persona. Instead of using retrieval-based methods, product descriptions are embedded directly into the prompt, allowing the model to incorporate product-specific information naturally during content generation. By combining persona traits with relevant product data, the system delivers personalized, relevant, and high-quality marketing messages—demonstrating the potential of LLMs as powerful tools in modern, data-driven banking marketing strategies.