پایگاه خبری راه پرداخت دارای مجوز به شماره ۷۴۵۷۲ از وزارت فرهنگ و ارشاد اسلامی و بخشی از «شبکه عصر تراکنش» است. راه پرداخت فعالیت خود را از دوم اردیبهشت‌ماه ۱۳۹۰ شروع کرده و اکنون پرمخاطب‌ترین رسانه ایران در زمینه فناوری‌های مالی، بانکداری و پرداخت و استارت‌آپ‌های فین‌تک است.
محمد قریشی، مدیر فنی شرکت آدانیک / ریزش مشتری یکی از چالش‌های مهم برای بانک‌هاست، به‌ویژه در فضای رقابتی امروز که بازیگران فین‌تکی و دیجیتال نیز به میدان آمده‌اند. بسیاری از بانک‌ها پس از وقوع ریزش واکنش نشان می‌دهند، در حالی‌که با استفاده از هوش مصنوعی می‌توان تغییرات رفتاری منجر به ریزش را زودتر شناسایی کرد. در این مقاله، رویکرد سامانه «گمانیک» برای تحلیل رفتار مشتریان و پیش‌بینی ریزش آنها با بهره‌گیری از خوشه‌بندی و کشف ناهنجاری تشریح می‌شود. همچنین به سایر کاربردهای بالقوه این نوع تحلیل در مدیریت ارتباط با مشتریان و بهینه‌سازی کسب‌وکار پرداخته شده است.
چرا ریزش مشتری مسئله‌ای حیاتی است؟
در دنیای امروز، وفاداری مشتریان بانک‌ها به راحتی از بین می‌رود و هزینه جذب مشتری جدید بسیار بالاتر از حفظ مشتری فعلی است؛ اما ابزارهای سنتی شناسایی ریزش معمولاً پس از ترک مشتری عمل می‌کنند.
در بسیاری از بانک‌ها، کشف ناهنجاری صرفاً به عنوان ابزاری برای مقابله با تقلب در نظر گرفته شده است؛ اما واقعیت این است که همه ناهنجاری‌ها لزوماً مخرب یا مجرمانه نیستند. برخی از ناهنجاری‌ها، علائم ارزشمندی از تحولات رفتاری در مشتریان وفادار هستند. این تغییرات می‌توانند نشانه‌ای از نارضایتی، کاهش تعامل یا آمادگی برای ترک بانک باشند؛ بنابراین لازم است که کشف ناهنجاری به عنوان ابزاری هوشمند برای درک روندهای رفتاری و تصمیم‌گیری استراتژیک در نظر گرفته شود.
هوش مصنوعی فراتر از کشف تقلب؛ ناهنجاری به‌عنوان سیگنال کسب‌وکار
در قلب هر فرایند ریزش مشتری، یک تغییر رفتاری نهفته است. کاهش دفعات تراکنش، خروج از کانال‌های دیجیتال، یا انتقال منابع مالی به بانک‌های دیگر، همه نشانه‌هایی از احتمال ریزش هستند.
سامانه هوش مصنوعی «گمانیک» امکان تحلیل این تغییرات را با بهره‌گیری از ساختاری انعطاف‌پذیر و موجودیت‌محور فراهم می‌کند. این سامانه می‌تواند انواع مختلفی از موجودیت‌ها را تعریف و تحلیل کند، از جمله:
- مشتری
- حساب
- کارت
- تراکنش
- پایانه کارت‌خوان
- پذیرنده
خوشه‌بندی رفتاری؛ مقایسه از سه منظر
در گمانیک، هر موجودیت بر اساس سه معیار متفاوت خوشه‌بندی می‌شود:
- مقایسه با سابقه خودش (Self-Comparison): بررسی اینکه آیا رفتار فعلی با الگوی گذشته‌ی همان موجودیت تفاوت چشمگیری دارد یا خیر.
- مقایسه با تمام موجودیت‌ها (Global Comparison): تحلیل انحراف رفتاری از الگوی میانگین یا نرمال در کل جمعیت.
- مقایسه با موجودیت‌های مشابه در همان خوشه (Cluster-Based Comparison): آیا رفتاری که از یک موجودیت مشاهده شده نسبت به رفتار سایر اعضای خوشه‌اش غیرعادی محسوب می‌شود؟
برای اجرای دقیق خوشه‌بندی، گمانیک از الگوریتم‌هایی نظیر K-Means و روش‌های تعیین تعداد بهینه خوشه‌ها نظیر روش Elbow استفاده می‌کند. در این روش، با رسم نمودار تغییرات واریانس درون‌خوشه‌ای نسبت به تعداد خوشه‌ها، نقطه‌ای که کاهش واریانس متوقف شده یا کند می‌شود به عنوان «نقطه آرنج» در نظر گرفته شده و به عنوان تعداد خوشه بهینه انتخاب می‌شود. این روش باعث می‌شود خوشه‌بندی‌ها معنا‌دارتر و تحلیل‌های رفتاری دقیق‌تر شوند.
از کشف ناهنجاری تا پیش‌بینی ریزش
مزیت گمانیک در این است که برای شناسایی ناهنجاری‌ها از روش‌های بدون نیاز به داده برچسب‌خورده (Unsupervised) استفاده می‌کند. در واقع، نیاز به دانستن مشتریان ریزشی از قبل نیست. به‌جای آن، گمانیک تغییرات رفتاری معنادار را تشخیص می‌دهد. برخی از این تغییرات که می‌توانند منجر به ریزش شوند عبارت‌اند از:
- کاهش تعداد تراکنش‌ها
- عدم استفاده از خدمات آنلاین
- انتقال منابع به حساب‌های خارج از بانک
- کاهش تعامل با محصولات مالی
بانک‌ها با شناسایی این تغییرات پیش از ریزش واقعی، می‌توانند اقدامات هدفمند پیشگیرانه انجام دهند؛ از جمله ارائه پیشنهادات شخصی‌سازی‌شده، تماس با مشتری یا بهینه‌سازی خدمات.
کاربردهای فراتر از پیش‌بینی ریزش مشتری
شناسایی ناهنجاری تنها برای مدیریت ریزش نیست. بانک‌ها می‌توانند از همین تحلیل‌های رفتاری برای موارد زیر نیز بهره بگیرند:
- شخصی‌سازی پیشنهادات مالی: تطبیق محصولات بانکی با نیازهای خاص هر خوشه از مشتریان
- شناسایی فرصت‌های فروش متقابل (Cross-Selling): ارائه کارت اعتباری به مشتریانی که در الگوی تراکنش آنها تمایل به اقساط دیده می‌شود.
- تحلیل چرخه عمر مشتری: شناسایی مراحل مختلف بلوغ در تعامل مشتری با بانک
- پایش سلامت پذیرندگان (Merchants): تحلیل عملکرد و پایایی پذیرندگان در تراکنش‌های بانکی
- پایش رفتار غیرنرمال در تراکنش‌های سازمانی یا نهادی
نگاهی نو به کشف ناهنجاری
برای حفظ مزیت رقابتی در بازار امروز، بانک‌ها باید دیدگاه خود را نسبت به کشف ناهنجاری گسترش دهند. دیگر زمان آن رسیده که به ناهنجاری صرفاً به‌عنوان نشانه تقلب نگاه نکنیم، بلکه آن را به‌عنوان سیگنالی برای تصمیمات هوشمند کسب‌وکار بپذیریم.
گمانیک، با معماری ماژولار و قابلیت تحلیل انواع موجودیت‌ها، نه‌تنها برای پیش‌بینی ریزش، بلکه برای حوزه‌هایی چون کشف تقلب، تحلیل چرخه عمر محصول، شناسایی نیازهای جدید مشتریان و تصمیم‌سازی‌های استراتژیک قابل‌استفاده است. بانک‌هایی که به‌دنبال آینده‌نگری و حفظ مشتریان خود هستند، می‌توانند از چنین سامانه‌هایی به‌عنوان ابزار تحول‌آفرین بهره‌مند شوند.
منبع
آدانیک