Ανάλυση τραπεζικών δεδομένων με τη χρήση αλγορίθμων μηχανικής μάθησης και δημιουργία μοντέλου εκτίμησης του δείκτη Customer Lifetime Value

Abstract

Βασικός στόχος της παρούσας εργασίας είναι να εξετάσει το καθεστώς λειτουργίας του τραπεζικού κλάδου σε σχέση με την ενσωμάτωση των νέων τεχνολογιών. Θα εκτιμηθούν τα περιθώρια ένταξης νέων τεχνολογιών στην παραγωγική διαδικασία και συγκεκριμένα εργαλείων τα οποία θα εκμεταλλεύονται τη γνώση και τις πρακτικές της μηχανικής μάθησης. Πιο συγκεκριμένα, θα εξεταστεί η εφαρμογή της έννοιας της Αξίας του Χρόνου Ζωής του Πελάτη – Customer Lifetime Value (CLV) στους τραπεζικούς οργανισμούς, σε αντιπαραβολή με άλλους επιχειρηματικούς τομείς στους οποίους ήδη εφαρμόζεται με επιτυχία. Στο πλαίσιο αυτό, θα επιχειρηθεί η κατανόηση των χαρακτηριστικών τα οποία καθορίζουν τη λειτουργία μίας τράπεζας καθώς και τις σχέσεις της με την αγορά, τόσο σε μακροοικονομικό όσο και σε μικροοικονομικό επίπεδο. Απώτερος σκοπός είναι η δημιουργία προτύπων τα οποία θα επεξηγούν την αλληλεπίδραση μίας τράπεζας με τους ίδιους τους πελάτες. Τα παραπάνω μεγέθη θα μετασχηματιστούν σε μεταβλητές και θα εκφραστούν μέσα από μαθηματικά και στατιστικά μεγέθη ώστε να είναι δυνατή η ανάλυση τους μέσω μοντέλων μηχανικής μάθησης. Κατόπιν της στοιχειοθετήσεως του προβλήματος μέσω της επιχειρησιακής οπτικής, θα πραγματοποιηθεί καταγραφή και αξιολόγηση μεθόδων ανάλυσης και αλγορίθμων που προέρχονται από τον χώρο της στατιστικής και της μηχανικής μάθησης βάσει των χαρακτηριστικών τα οποία θα έχουν εξαχθεί από την μοντελοποίηση του προβλήματος. Στη συνέχεια θα συγκεντρωθούν εφαρμογές και υλοποιήσεις από την υφιστάμενη τεχνογνωσία και βιβλιογραφία, οι οποίες θα ληφθούν υπόψη στον μετέπειτα σχηματισμό ενός μοντέλου μηχανικής μάθησης το οποίο θα επικεντρώνεται στη μέτρηση, διαχείριση και τελικώς την πρόβλεψη της Αξίας του Χρόνου Ζωής του Πελάτη σε έναν τραπεζικό οργανισμό. Θα επιχειρηθεί η δημιουργία πολλαπλών μοντέλων μηχανικής μάθησης τα οποία θα έχουν τη δυνατότητα να εκφράσουν την έννοια του Key Performance Indicator “ Customer lifetime value”, με σκοπό την τελική αντιπαραβολή και αξιολόγησης της αξιοπιστίας των μοντέλων. Στη συνέχεια θα επιλεγεί το αποδοτικότερο μοντέλο το οποίο και θα αποτελέσει το βασικό μέρος μίας εφαρμογής η οποία θα δύναται να προβλέψει τις αγοραστικές ικανότητες και επιθυμίες ενός πελάτη τραπεζικών προϊόντων και υπηρεσιών. Ως βασικό εργαλείο υλοποίησης επιλέχθηκε η γλώσσα προγραμματισμού Python καθώς και οι σουίτες οι οποίες την υποστηρίζουν. Σε επίπεδο τελικής εφαρμογής κρίθηκε χρήσιμη για τους σκοπούς της εργασίας η δημιουργία και η διαχείριση Βάσης δεδομένων (SQL) καθώς και επιπλέον εργαλείων ανάλυσης και οπτικοποίησης δεδομένων.