Nghiên cứu ứng dụng các kĩ thuật khai phá dữ liệu nhằm dự đoán khả năng rời bỏ của khách hàng trong một số lĩnh vực ngân hàng

Chuyên khảo kinh tế phân tích Nghiên cứu ứng dụng các kĩ thuật khai phá dữ liệu nhằm dự đoán khả năng rời bỏ của khách hàng trong, đánh giá các khía cạnh quan trọng, đề xuất hướng

• Tác giả: Lê Thị Chung
• Người hướng dẫn: TS. Nguyễn Thế Cường
• Trường học: Trường Đại học Hồng Đức
• Chuyên ngành: Khoa học máy tính
• Đề tài: Nghiên Cứu Ứng Dụng Các Kỹ Thuật Khai Phá Dữ Liệu Nhằm Dự Đoán Khả Năng Rời Bỏ Của Khách Hàng Trong Một Số Lĩnh Vực Ngân Hàng
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2022
• Địa điểm: Thanh Hóa

Mục lục chi tiết

• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: TỔNG QUAN VỀ BÀI TOÁN CHURN
• 1.1. Khái niệm về churn và dự báo churn trong hoạt động ngân hàng
• 1.2. Tình hình nghiên cứu về bài toán khách hàng churn
• 1.3. Phát biểu bài toán dự đoán khách hàng rời bỏ trong hoạt động ngân hàng VIB
• 1.4. Kết luận chương 1
• 2. CHƯƠNG 2: KHAI PHÁ DỮ LIỆU VÀ CÁC KỸ THUẬT PHÂN TÍCH DỰ BÁO
• 2.1. Khai phá dữ liệu
• 2.1.1. Khái niệm về khai phá dữ liệu
• 2.1.2. Quá trình khai phá dữ liệu
• 2.1.3. Các kỹ thuật khai phá dữ liệu chính
• 2.1.4. Một số kỹ thuật khai phá dữ liệu sử dụng trong bài toán
• 2.2. Decision Tree - Cây quyết định
• 2.3. Công cụ khai phá dữ liệu
• 2.3.1. Môi trường lập trình Google Colaboratory
• 2.3.2. Môi trường thực thi Python trong Google Colab
• 2.3.3. Ngôn ngữ lập trình Python với khai phá dữ liệu
• 2.3.4. Ưu điểm và nhược điểm của Python
• 2.4. Kết luận chương 2
• 3. CHƯƠNG 3: MÔ HÌNH DỰ ĐOÁN KHÁCH HÀNG RỜI BỎ DỊCH VỤ NGÂN HÀNG VIB
• 3.1. Giải pháp đề xuất
• 3.2. Định nghĩa cho khách hàng rời bỏ MyVIB
• 3.3. Chiến lược Phân tích dữ liệu
• 3.4. Lựa chọn đặc trưng
• 3.5. Lựa chọn mô hình và thực nghiệm
• 3.6. Độ đo của mô hình học máy
• 3.7. Thực nghiệm mô hình
• 3.8. Kết luận chương 3
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Nghiên Cứu Dự Đoán Churn Ngân Hàng 2024

Trong bối cảnh cạnh tranh khốc liệt, việc dự đoán churn (khách hàng rời bỏ) trở thành ưu tiên hàng đầu của ngành ngân hàng. Các ngân hàng nhận ra rằng việc giữ chân khách hàng hiện tại hiệu quả hơn nhiều so với việc thu hút khách hàng mới. Nghiên cứu về dự đoán churn ngân hàng tập trung vào việc xác định các yếu tố dẫn đến quyết định rời bỏ của khách hàng, từ đó xây dựng các mô hình dự đoán chính xác. Các mô hình này sử dụng dữ liệu lịch sử và hiện tại của khách hàng để đánh giá rủi ro rời bỏ và đưa ra các biện pháp can thiệp kịp thời. Mục tiêu cuối cùng là tăng cường customer retention và customer loyalty, đảm bảo sự phát triển bền vững cho ngân hàng.

1.1. Tầm Quan Trọng của Dự Đoán Churn Trong Ngân Hàng

Việc dự đoán churn không chỉ giúp ngân hàng giảm thiểu mất mát doanh thu mà còn cho phép tối ưu hóa các chiến lược marketing và chăm sóc khách hàng. Bằng cách xác định sớm những khách hàng có nguy cơ rời bỏ, ngân hàng có thể chủ động tiếp cận, đưa ra các ưu đãi hoặc giải pháp phù hợp để giữ chân họ. Điều này đặc biệt quan trọng trong bối cảnh khách hàng ngày càng có nhiều lựa chọn và dễ dàng chuyển đổi giữa các ngân hàng. Theo một nghiên cứu, chi phí để thu hút một khách hàng mới cao hơn gấp 5-7 lần so với chi phí giữ chân một khách hàng hiện tại.

1.2. Các Phương Pháp Tiếp Cận Dự Đoán Churn Phổ Biến

Các phương pháp dự đoán churn trong ngân hàng rất đa dạng, từ các mô hình thống kê truyền thống đến các kỹ thuật machine learning tiên tiến. Các mô hình hồi quy logistic, cây quyết định, và mạng nơ-ron là những công cụ phổ biến được sử dụng để phân tích dữ liệu khách hàng và dự đoán khả năng rời bỏ. Gần đây, các thuật toán deep learning và AI cũng được áp dụng để cải thiện độ chính xác của các mô hình dự đoán. Việc lựa chọn phương pháp phù hợp phụ thuộc vào đặc điểm của dữ liệu và mục tiêu cụ thể của từng ngân hàng.

II. Thách Thức Trong Dự Đoán Khách Hàng Rời Bỏ Ngân Hàng

Mặc dù có nhiều tiềm năng, việc dự đoán churn trong ngành ngân hàng vẫn đối mặt với không ít thách thức. Dữ liệu khách hàng thường phức tạp, đa dạng và phân tán trên nhiều hệ thống khác nhau. Việc thu thập, làm sạch và tích hợp dữ liệu là một quá trình tốn nhiều thời gian và công sức. Hơn nữa, hành vi khách hàng liên tục thay đổi, đòi hỏi các mô hình dự đoán phải được cập nhật và điều chỉnh thường xuyên. Một thách thức khác là sự mất cân bằng dữ liệu, khi số lượng khách hàng rời bỏ thường ít hơn nhiều so với số lượng khách hàng trung thành.

2.1. Vấn Đề Chất Lượng và Tính Đa Dạng của Dữ Liệu

Dữ liệu khách hàng ngân hàng bao gồm nhiều loại thông tin khác nhau, từ thông tin cá nhân, lịch sử giao dịch, đến tương tác trên các kênh trực tuyến. Tuy nhiên, dữ liệu này thường không đầy đủ, không chính xác hoặc không nhất quán giữa các hệ thống. Việc xử lý dữ liệu thiếu, loại bỏ các giá trị ngoại lệ và chuẩn hóa dữ liệu là những bước quan trọng để đảm bảo chất lượng của mô hình dự đoán churn. Ngoài ra, việc tích hợp dữ liệu từ nhiều nguồn khác nhau đòi hỏi các kỹ thuật phức tạp để đảm bảo tính toàn vẹn và nhất quán.

2.2. Sự Thay Đổi Hành Vi Khách Hàng và Tính Ổn Định Mô Hình

Hành vi khách hàng trong ngành ngân hàng chịu ảnh hưởng bởi nhiều yếu tố, từ điều kiện kinh tế vĩ mô đến các xu hướng công nghệ mới. Sự thay đổi này có thể làm giảm độ chính xác của các mô hình dự đoán churn theo thời gian. Do đó, việc giám sát hiệu suất của mô hình và tái huấn luyện định kỳ là rất quan trọng. Các ngân hàng cần liên tục thu thập dữ liệu mới, đánh giá lại các yếu tố ảnh hưởng đến churn rate và điều chỉnh mô hình để phản ánh những thay đổi trong hành vi khách hàng.

III. Ứng Dụng Machine Learning Dự Đoán Churn Ngân Hàng

Các thuật toán machine learning (học máy) đang ngày càng được ứng dụng rộng rãi trong dự đoán churn ngân hàng. Các mô hình học máy có khả năng tự động học từ dữ liệu, xác định các mẫu phức tạp và dự đoán khả năng rời bỏ của khách hàng với độ chính xác cao. Các thuật toán phổ biến bao gồm cây quyết định, rừng ngẫu nhiên, máy học vector hỗ trợ (SVM), và mạng nơ-ron. Việc lựa chọn thuật toán phù hợp phụ thuộc vào đặc điểm của dữ liệu và mục tiêu cụ thể của từng ngân hàng. Ngoài ra, các kỹ thuật feature engineering (kỹ thuật đặc trưng) cũng đóng vai trò quan trọng trong việc cải thiện hiệu suất của mô hình.

3.1. Sử Dụng Cây Quyết Định và Rừng Ngẫu Nhiên Dự Đoán Churn

Cây quyết định là một thuật toán học máy đơn giản nhưng hiệu quả, có thể được sử dụng để phân loại khách hàng thành các nhóm có nguy cơ rời bỏ khác nhau. Rừng ngẫu nhiên là một tập hợp các cây quyết định, giúp cải thiện độ chính xác và giảm thiểu hiện tượng quá khớp (overfitting). Các thuật toán này dễ dàng triển khai và giải thích, cho phép ngân hàng hiểu rõ hơn về các yếu tố ảnh hưởng đến quyết định rời bỏ của khách hàng. Tuy nhiên, chúng có thể không hiệu quả đối với các bộ dữ liệu phức tạp với nhiều tương tác phi tuyến tính.

3.2. Ứng Dụng Mạng Nơ ron và Deep Learning Dự Đoán Churn

Mạng nơ-ron và deep learning là các thuật toán học máy mạnh mẽ, có khả năng xử lý các bộ dữ liệu lớn và phức tạp. Chúng có thể tự động học các đặc trưng quan trọng từ dữ liệu thô, giảm thiểu sự cần thiết của feature engineering thủ công. Các mô hình này thường đạt được độ chính xác cao hơn so với các thuật toán truyền thống, nhưng đòi hỏi nhiều tài nguyên tính toán và khó giải thích hơn. Việc lựa chọn kiến trúc mạng phù hợp và tối ưu hóa các siêu tham số là rất quan trọng để đạt được hiệu suất tốt nhất.

IV. Phân Tích Dữ Liệu Khách Hàng Ngân Hàng Để Dự Đoán Churn

Phân tích dữ liệu khách hàng là bước quan trọng để xây dựng mô hình dự đoán churn hiệu quả. Các ngân hàng thu thập nhiều loại dữ liệu khác nhau về khách hàng, bao gồm thông tin cá nhân, lịch sử giao dịch, tương tác trên các kênh trực tuyến, và phản hồi từ các cuộc khảo sát. Việc phân tích dữ liệu này giúp xác định các yếu tố quan trọng ảnh hưởng đến quyết định rời bỏ của khách hàng, từ đó xây dựng các đặc trưng phù hợp cho mô hình dự đoán. Các kỹ thuật phân tích dữ liệu phổ biến bao gồm thống kê mô tả, phân tích tương quan, và phân tích phân cụm.

4.1. Xác Định Các Yếu Tố Ảnh Hưởng Đến Churn Rate Ngân Hàng

Nhiều yếu tố có thể ảnh hưởng đến churn rate của một ngân hàng, bao gồm chất lượng dịch vụ, giá cả, sự tiện lợi, và trải nghiệm khách hàng. Việc phân tích dữ liệu giúp xác định các yếu tố quan trọng nhất đối với từng phân khúc khách hàng. Ví dụ, một số khách hàng có thể quan tâm đến lãi suất và phí, trong khi những người khác có thể coi trọng sự tiện lợi và chất lượng dịch vụ. Bằng cách hiểu rõ các yếu tố này, ngân hàng có thể điều chỉnh các chiến lược của mình để đáp ứng nhu cầu của khách hàng và giảm thiểu rủi ro khách hàng rời bỏ.

4.2. Phân Khúc Khách Hàng Có Nguy Cơ Rời Bỏ Cao

Phân khúc khách hàng là quá trình chia khách hàng thành các nhóm nhỏ hơn dựa trên các đặc điểm chung. Việc phân khúc khách hàng giúp ngân hàng tập trung các nỗ lực của mình vào những khách hàng có nguy cơ rời bỏ cao nhất. Các phân khúc này có thể được xác định dựa trên các yếu tố như tuổi, thu nhập, lịch sử giao dịch, và mức độ tương tác với ngân hàng. Bằng cách hiểu rõ đặc điểm của từng phân khúc, ngân hàng có thể đưa ra các biện pháp can thiệp phù hợp để giữ chân khách hàng.

V. Giải Pháp Giảm Churn Rate và Tăng Customer Retention

Sau khi xác định được các khách hàng có nguy cơ rời bỏ, ngân hàng cần triển khai các giải pháp để giảm thiểu churn rate và tăng cường customer retention. Các giải pháp này có thể bao gồm cải thiện chất lượng dịch vụ, điều chỉnh giá cả, tăng cường tương tác với khách hàng, và đưa ra các ưu đãi đặc biệt. Việc lựa chọn giải pháp phù hợp phụ thuộc vào nguyên nhân cụ thể dẫn đến quyết định rời bỏ của khách hàng. Ngoài ra, việc xây dựng một văn hóa customer loyalty trong toàn ngân hàng cũng đóng vai trò quan trọng trong việc giữ chân khách hàng.

5.1. Cải Thiện Trải Nghiệm Khách Hàng Ngân Hàng

Trải nghiệm khách hàng là một yếu tố quan trọng ảnh hưởng đến customer loyalty. Các ngân hàng cần nỗ lực để cải thiện trải nghiệm khách hàng trên tất cả các kênh, từ chi nhánh đến trực tuyến. Điều này có thể bao gồm giảm thời gian chờ đợi, cung cấp dịch vụ thân thiện và chuyên nghiệp, và giải quyết các vấn đề của khách hàng một cách nhanh chóng và hiệu quả. Ngoài ra, việc cá nhân hóa trải nghiệm khách hàng cũng có thể giúp tăng cường customer retention.

5.2. Xây Dựng Chương Trình Khách Hàng Thân Thiết Hiệu Quả

Các chương trình khách hàng thân thiết có thể là một công cụ hiệu quả để giữ chân khách hàng. Các chương trình này cung cấp các ưu đãi đặc biệt cho khách hàng trung thành, khuyến khích họ tiếp tục sử dụng dịch vụ của ngân hàng. Các ưu đãi có thể bao gồm giảm phí, tăng lãi suất, hoặc cung cấp các phần thưởng khác. Việc thiết kế một chương trình khách hàng thân thiết hiệu quả đòi hỏi sự hiểu biết sâu sắc về nhu cầu và mong muốn của khách hàng.

VI. Xu Hướng và Tương Lai của Dự Đoán Churn Trong Ngân Hàng

Lĩnh vực dự đoán churn trong ngành ngân hàng đang không ngừng phát triển, với sự ra đời của các công nghệ và phương pháp mới. Các xu hướng hiện tại bao gồm việc sử dụng AI và deep learning để cải thiện độ chính xác của mô hình, phân tích dữ liệu phi cấu trúc (ví dụ: văn bản, hình ảnh, video), và dự đoán churn theo thời gian thực. Trong tương lai, dự đoán churn sẽ trở nên cá nhân hóa hơn, với các mô hình được điều chỉnh để phù hợp với từng khách hàng cụ thể. Ngoài ra, các ngân hàng sẽ sử dụng dự đoán churn để chủ động ngăn chặn khách hàng rời bỏ, thay vì chỉ phản ứng sau khi họ đã quyết định ra đi.

6.1. Ứng Dụng AI và Deep Learning Nâng Cao Độ Chính Xác

AI và deep learning đang cách mạng hóa lĩnh vực dự đoán churn. Các thuật toán này có khả năng xử lý các bộ dữ liệu lớn và phức tạp, xác định các mẫu ẩn và dự đoán khả năng rời bỏ của khách hàng với độ chính xác cao. Trong tương lai, AI và deep learning sẽ được sử dụng rộng rãi hơn để xây dựng các mô hình dự đoán churn cá nhân hóa, có khả năng dự đoán hành vi của từng khách hàng cụ thể.

6.2. Dự Đoán Churn Theo Thời Gian Thực và Cá Nhân Hóa

Trong tương lai, dự đoán churn sẽ được thực hiện theo thời gian thực, cho phép ngân hàng phản ứng nhanh chóng với các dấu hiệu cho thấy khách hàng có nguy cơ rời bỏ. Các mô hình dự đoán sẽ được điều chỉnh để phù hợp với từng khách hàng cụ thể, dựa trên thông tin cá nhân, lịch sử giao dịch, và tương tác trên các kênh trực tuyến. Điều này sẽ cho phép ngân hàng đưa ra các biện pháp can thiệp phù hợp để giữ chân khách hàng trước khi họ quyết định ra đi.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh thị trường ngân hàng ngày càng cạnh tranh gay gắt, việc giữ chân khách hàng trở thành một thách thức lớn đối với các tổ chức tài chính. Theo ước tính, chi phí thu hút khách hàng mới cao gấp nhiều lần so với chi phí duy trì khách hàng hiện tại, do đó việc dự đoán khả năng rời bỏ của khách hàng (churn) đóng vai trò quan trọng trong chiến lược phát triển bền vững của ngân hàng. Luận văn tập trung nghiên cứu ứng dụng các kỹ thuật khai phá dữ liệu nhằm xây dựng mô hình dự đoán khả năng rời bỏ của khách hàng trong một số lĩnh vực ngân hàng, đặc biệt là trên nền tảng MyVIB của Ngân hàng Quốc tế Việt Nam (VIB) trong năm 2019.

Mục tiêu cụ thể của nghiên cứu là xây dựng mô hình dự đoán khách hàng có khả năng rời bỏ dịch vụ ngân hàng dựa trên dữ liệu giao dịch và hoạt động của khách hàng, từ đó hỗ trợ ngân hàng trong việc phát triển các chiến lược giữ chân khách hàng hiệu quả. Phạm vi nghiên cứu tập trung vào dữ liệu của 78.112 khách hàng sử dụng ứng dụng MyVIB trong năm 2019, với tổng số 85.455 kỳ sử dụng và 17.641 lần rời bỏ được ghi nhận. Ý nghĩa của nghiên cứu được thể hiện qua việc cải thiện tỷ lệ giữ chân khách hàng, giảm thiểu tổn thất doanh thu và nâng cao trải nghiệm khách hàng thông qua các chiến lược cá nhân hóa dựa trên dự báo chính xác.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai lý thuyết chính trong lĩnh vực khai phá dữ liệu và học máy:

1. Khai phá dữ liệu (Data Mining): Quá trình khám phá các mẫu, quy luật từ dữ liệu lớn nhằm hỗ trợ ra quyết định. Quy trình khai phá dữ liệu gồm 6 bước: thu thập, trích chọn, tiền xử lý, chuyển đổi, khai phá và đánh giá kết quả. Các kỹ thuật khai phá dữ liệu chính bao gồm phân loại, phân cụm, dự báo và luật kết hợp.

2. Mô hình học máy dựa trên cây quyết định: Cây quyết định là mô hình phân lớp dựa trên chuỗi các luật dạng "if-then" giúp phân loại khách hàng theo khả năng rời bỏ. Mô hình rừng cây ngẫu nhiên (Random Forest) và phương pháp tăng cường Gradient Boosting được sử dụng để cải thiện độ chính xác và giảm hiện tượng quá khớp (overfitting).

Các khái niệm chuyên ngành quan trọng bao gồm: churn (khách hàng rời bỏ), feature engineering (lựa chọn đặc trưng), AUC (diện tích dưới đường cong ROC), và các thuật toán học máy như Decision Tree, Random Forest, Gradient Boosting.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là bộ dữ liệu giao dịch và hoạt động của khách hàng trên nền tảng MyVIB năm 2019, bao gồm 6 tập con với thông tin về cá nhân, giao dịch Ebank, hoạt động trên ứng dụng, tài khoản tiền gửi, khoản vay và thẻ ngân hàng. Cỡ mẫu nghiên cứu là 78.112 khách hàng với 85.455 kỳ sử dụng.

Phương pháp phân tích bao gồm:

• Tiền xử lý dữ liệu: Làm sạch, xử lý dữ liệu thiếu, rút gọn và chuyển đổi dữ liệu sang định dạng phù hợp cho mô hình học máy.
• Phân tích khám phá dữ liệu (EDA): Khảo sát các đặc trưng ảnh hưởng đến churn như giới tính, kênh đăng ký, phương thức xác thực, tuổi khách hàng, số lượng giao dịch và số tiền giao dịch.
• Xây dựng mô hình dự đoán: Sử dụng các thuật toán cây quyết định, rừng cây ngẫu nhiên và Gradient Boosting trên môi trường lập trình Python với Google Colaboratory.
• Đánh giá mô hình: Sử dụng các chỉ số như độ chính xác, AUC để so sánh hiệu quả các mô hình.

Timeline nghiên cứu kéo dài trong năm 2022, bắt đầu từ thu thập và xử lý dữ liệu, xây dựng mô hình, đến đánh giá và đề xuất giải pháp.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Định nghĩa khách hàng rời bỏ: Khách hàng được xem là rời bỏ nếu không có giao dịch hoặc hoạt động trên MyVIB trong vòng 60 ngày. Tỷ lệ khách hàng rời bỏ trong năm 2019 là 13,18%, với tỷ lệ quay lại là 41,6%, cho thấy ngưỡng 60 ngày là phù hợp để xác định churn.

2. Ảnh hưởng của đặc trưng cá nhân:

   • Tỷ lệ rời bỏ giữa nam và nữ gần tương đương, nữ nhỉnh hơn một chút (13,35% so với 13,12%).
   • Khách hàng mở tài khoản qua chi nhánh có tỷ lệ rời bỏ cao nhất (13,57%), tiếp theo là kênh MyVIB (12,28%) và thấp nhất là kênh Auto-Job (8,69%).
   • Khách hàng là nhân viên VIB có tỷ lệ rời bỏ thấp hơn 7,42 lần so với khách hàng không phải nhân viên (1,81% so với 13,43%).
   • Phương thức xác thực SMART_OTP có tỷ lệ rời bỏ thấp nhất (10,40%), trong khi HARD_TOKEN và SMS có tỷ lệ rời bỏ cao hơn (32,43% và 28,16%).

3. Phân tích giao dịch và hoạt động:

   • Khách hàng rời bỏ có xu hướng giao dịch với số tiền trung bình thấp hơn khách hàng hoạt động.
   • Giao dịch nội bộ VIB có tỷ lệ rời bỏ thấp, trong khi các giao dịch bên ngoài VIB có tỷ lệ rời bỏ cao nhất.
   • Thời gian giao dịch chủ yếu tập trung vào giờ hành chính và ngày làm việc trong tuần, phù hợp với thói quen sử dụng dịch vụ ngân hàng.

4. Hiệu quả mô hình dự đoán:

   • Mô hình rừng cây ngẫu nhiên và Gradient Boosting cho kết quả dự đoán tốt hơn so với cây quyết định đơn lẻ.
   • Độ chính xác mô hình đạt khoảng 85-90% với AUC trên 0,9, cho thấy khả năng phân biệt khách hàng rời bỏ và không rời bỏ rất cao.

Thảo luận kết quả

Nguyên nhân tỷ lệ rời bỏ cao ở nhóm khách hàng mở tài khoản qua chi nhánh có thể do thiếu sự tương tác kỹ thuật số và trải nghiệm cá nhân hóa kém. Tỷ lệ rời bỏ thấp ở nhân viên VIB phản ánh sự trung thành và hiểu biết sâu sắc về dịch vụ ngân hàng. Phương thức xác thực SMART_OTP được đánh giá là tiện lợi và an toàn, góp phần giảm churn.

So sánh với các nghiên cứu trước đây, kết quả phù hợp với xu hướng sử dụng mô hình học máy trong dự đoán churn, đồng thời nhấn mạnh tầm quan trọng của việc lựa chọn đặc trưng phù hợp và xử lý dữ liệu kỹ lưỡng. Việc trình bày dữ liệu qua biểu đồ phân phối tuổi, biểu đồ thanh số lượng giao dịch theo loại và thời gian giúp trực quan hóa các yếu tố ảnh hưởng, hỗ trợ việc ra quyết định chiến lược.

Đề xuất và khuyến nghị

1. Tăng cường sử dụng phương thức xác thực SMART_OTP: Khuyến khích khách hàng chuyển sang sử dụng phương thức này nhằm giảm tỷ lệ rời bỏ, dự kiến thực hiện trong 6 tháng tới, do phòng công nghệ và chăm sóc khách hàng phối hợp triển khai.

2. Phát triển các chương trình chăm sóc khách hàng theo nhóm tuổi: Tập trung vào nhóm khách hàng lớn tuổi (trên 40 tuổi) với các chương trình đào tạo, hỗ trợ sử dụng MyVIB, nhằm giảm churn trong vòng 12 tháng, do phòng marketing và phát triển sản phẩm thực hiện.

3. Khuyến khích giao dịch nội bộ VIB: Tăng cường ưu đãi và tiện ích cho các giao dịch nội bộ để giữ chân khách hàng trung thành, triển khai trong 9 tháng, do phòng kinh doanh và phát triển dịch vụ đảm nhiệm.

4. Xây dựng hệ thống cảnh báo sớm dựa trên mô hình dự đoán: Áp dụng mô hình dự đoán để phát hiện khách hàng có nguy cơ rời bỏ cao, từ đó chủ động tiếp cận và giữ chân, thực hiện trong 12 tháng, do phòng phân tích dữ liệu và chăm sóc khách hàng phối hợp.

Đối tượng nên tham khảo luận văn

1. Các nhà quản lý ngân hàng: Giúp hiểu rõ về hành vi khách hàng và áp dụng mô hình dự đoán để tối ưu chiến lược giữ chân khách hàng, nâng cao hiệu quả kinh doanh.

2. Chuyên gia phân tích dữ liệu và khoa học dữ liệu: Cung cấp phương pháp và kỹ thuật khai phá dữ liệu, học máy ứng dụng thực tiễn trong lĩnh vực tài chính ngân hàng.

3. Nhà phát triển sản phẩm ngân hàng số: Hỗ trợ thiết kế các tính năng và trải nghiệm người dùng dựa trên phân tích hành vi khách hàng, giảm tỷ lệ churn.

4. Sinh viên và nghiên cứu sinh ngành công nghệ thông tin, khoa học máy tính: Là tài liệu tham khảo về ứng dụng kỹ thuật khai phá dữ liệu và học máy trong thực tế, đặc biệt trong lĩnh vực ngân hàng.

Câu hỏi thường gặp

1. Khách hàng rời bỏ được định nghĩa như thế nào trong nghiên cứu này?
   Khách hàng được xem là rời bỏ nếu không có giao dịch hoặc hoạt động trên ứng dụng MyVIB trong vòng 60 ngày liên tiếp, dựa trên phân tích tỷ lệ quay lại và rời bỏ trong năm 2019.

2. Tại sao lại chọn kỹ thuật cây quyết định và rừng cây ngẫu nhiên để xây dựng mô hình?
   Cây quyết định dễ hiểu, giải thích được các quy tắc phân loại, trong khi rừng cây ngẫu nhiên giúp cải thiện độ chính xác và giảm hiện tượng quá khớp, phù hợp với dữ liệu phức tạp và đa dạng.

3. Dữ liệu được xử lý như thế nào trước khi xây dựng mô hình?
   Dữ liệu được làm sạch, xử lý giá trị thiếu, rút gọn chiều dữ liệu, chuyển đổi định dạng và lựa chọn đặc trưng quan trọng nhằm đảm bảo chất lượng và hiệu quả của mô hình.

4. Mô hình dự đoán có thể áp dụng cho các ngân hàng khác không?
   Mô hình có thể được điều chỉnh và áp dụng cho các ngân hàng khác nếu có dữ liệu tương tự về giao dịch và hoạt động khách hàng, tuy nhiên cần hiệu chỉnh đặc trưng và tham số phù hợp với từng tổ chức.

5. Làm thế nào để ngân hàng sử dụng kết quả mô hình để giảm tỷ lệ rời bỏ?
   Ngân hàng có thể sử dụng mô hình để phát hiện sớm khách hàng có nguy cơ rời bỏ, từ đó triển khai các chương trình chăm sóc, ưu đãi cá nhân hóa và cải thiện trải nghiệm dịch vụ nhằm giữ chân khách hàng.

Kết luận

• Đã xây dựng thành công mô hình dự đoán khả năng rời bỏ của khách hàng trên nền tảng MyVIB với độ chính xác cao và AUC trên 0,9.
• Xác định các đặc trưng quan trọng ảnh hưởng đến churn như phương thức xác thực, kênh đăng ký, tuổi khách hàng và hành vi giao dịch.
• Đề xuất các giải pháp cụ thể nhằm giảm tỷ lệ rời bỏ, tập trung vào cải thiện trải nghiệm khách hàng và tăng cường tương tác kỹ thuật số.
• Mô hình và phương pháp nghiên cứu có thể mở rộng ứng dụng cho các ngân hàng khác trong việc quản lý khách hàng và phát triển dịch vụ.
• Các bước tiếp theo bao gồm triển khai hệ thống cảnh báo sớm dựa trên mô hình, đánh giá hiệu quả thực tế và điều chỉnh chiến lược giữ chân khách hàng.

Khuyến khích các tổ chức tài chính và nhà nghiên cứu tiếp cận và ứng dụng các kỹ thuật khai phá dữ liệu hiện đại để nâng cao năng lực cạnh tranh và phát triển bền vững.

Trích đoạn nội dung tài liệu

chương 1 Trong chương này, tôi đã trình bày tổng quan về bài toán rời bỏ các dịch vụ khách hàng ở các ngân hàng. Tôi cũng đã giới thiệu tổng quan các nghiên cứu liên quan đến việc xác định, dự đoán khách hàng rời bỏ các dịch vụ ngân hàng. Tôi đã giới thiệu bài toán cụ thể về việc sử dụng các dữ liệu khách hàng của VIB để xây dựng mô hình dự đoán khách hàng rời bỏ dịch vụ MyVIB. KHAI PHÁ DỮ LIỆU VÀ CÁC KỸ THUẬT PHÂN TÍCH DỰ BÁO 2.

Tổng quan về khai phá dữ liệu 2. Khái niệm Khai phá dữ liệu là một quá trình khám phá các thông tin nằm trong các cơ sở dữ liệu. Khai phá dữ liệu là giai đoạn quan trọng nhất trong tiến trình khai phá tri thức từ các nguồn dữ liệu hiện có. Các thông tin tri thức là cơ sở cho việc ra các quyết định trong các lĩnh vực nghiên cứu khoa học, kinh tế và xã hội.

Quy trình khai phá dữ liệu Quy trình khai phá dữ liệu gồm 6 bước, cụ thể như sau: Bước 1: Thu thập dữ liệu Dữ liệu được thu thập từ nhiều nguồn khác nhau theo mục tiêu của bài toán. Các nguồn dữ liệu bao gồm các thuộc tính của dữ liệu và các thông tin liên quan. Dữ liệu được thu thập từ các nguồn có sẵn hoặc được tổng hợp trong quá trình xử lý dữ liệu. Bước 2: Trích chọn dữ liệu Dữ liệu được trích chọn từ các nguồn dữ liệu nhằm đảm bảo tính đầy đủ của dữ liệu.

Bước 3: Tiền xử lý và chuẩn bị dữ liệu (Preprocessing): Dữ liệu cần phải được xử lý trước khi được khai phá. Thông thường, người thu thập dữ liệu thường không xác định được mức độ quan trọng của các trường dữ liệu, sự đầy đủ của các dữ liệu nên có thể thiếu một số thuộc tính, nhiều khi đó lại là các thuộc tính quan trọng. Ngoài ra cũng có trường hợp các dữ liệu đã được lưu trữ nhưng vì một lý do nào đó đã bị xóa đi, cũng như việc ghi chép sự biến đổi mang tính lịch sử của các giao dịch có thể bị bỏ qua mà chỉ giữ lại những thông tin tổng hợp vào thời điểm xét. Việc trùng lặp dữ liệu hoặc thiếu dữ liệu có thể làm ảnh hưởng 14 1 5 đến kết quả của mô hình, thậm chí có thể có kết quả ngược lại với dự kiến.

Để có được mô hình phân tích chính xác thì dữ liệu cần phải chính xác. Dữ liệu chính xác, dữ liệu tốt là chìa khóa tạo ra các mô hình giá trị và đáng tin cậy. Do đó dữ liệu cần phải được tiền xử lý. Hoạt động cơ bản của giai đoạn tiền xử lý bao gồm làm sạch dữ liệu, rút gọn dữ liệu.

Hai nguyên nhân của rút gọn dữ liệu là : - Dữ liệu quá lớn, không phù hợp với khả năng xử lý của chương trình. - Thời gian thực thi chương trình quá dài. Việc rút gọn dữ liệu bao gồm các phương pháp như tổng hợp và tổng quát hóa, giảm chiều dữ liệu, nén dữ liệu, giảm số lượng các bản ghi, rời rạc hóa.  Tổng hợp dữ liệu và tổng quát hóa dữ liệu: tổ hợp từ hai hay nhiều thuộc tính trở lên thành một thuộc tính, tổng quát hóa dữ liệu cấp thấp sang dữ liệu cấp cao chẳng hạn như các thành phố tổng hợp vào vùng, khu vực, nước…  Giảm chiều dữ liệu: việc giảm chiều là việc lựa chọn các đặc trưng, các thuộc tính có ý nghĩa quan trọng đối với mục đích khai phá dữ liệu.

Loại bỏ những thuộc tính không liên quan, những thuộc tính có thể trùng với thuộc tính khác trong cơ sở dữ liệu.  Giảm số bản ghi dữ liệu: Để đảm bảo khối lượng dữ liệu không quá lớn, cần phải giảm số bản ghi dữ liệu. Cách tiếp cận chính để làm giảm số bản ghi dữ liệu là lấy mẫu ngẫu nhiên. Thay vì tiến hành khai phá trên tập toàn bộ các trường hợp, các mẫu ngẫu nhiên được thu thập.

Có hai cách để lấy mẫu : o Mẫu tăng dần: Phương pháp này tiến thử nghiệm với một tập mẫu ban đầu lấy từ dữ liệu nguồn với một số lượng vừa phải dùng mẫu này để đánh giá hiệu quả. Tiếp theo lấy các mẫu với số lượng trường hợp tăng dần và so sánh độ hiệu quả với tập dữ liệu đã được xây dựng trước đó. Nếu hiệu quả được cải thiện thì tiếp tục quá trình lấy mẫu, ngược lại quá trình sẽ dừng. o Mẫu trung bình: Tùy theo khả năng của mô hình xử lý mà số lượng mẫu được lấy ra theo số lượng yêu cầu.

15 1 6 Thông thường, dữ liệu được lấy từ các mẫu trên sẽ có kích thước nhỏ hơn nhiều so với toàn bộ kho dữ liệu. Bên cạnh việc giảm chiều dữ liệu, cần phải làm sạch dữ liệu. Việc này bao gồm việc xác định các giá trị còn thiếu, khử nhiễu, tìm kiếm các dữ liệu sai lệch so với chuẩn. Đối với việc xử lý dữ liệu bị thiếu (missing value), ta có thể sử dụng một hoặc tổ hợp các giải pháp sau:  Bỏ qua bản ghi dữ liêu nếu chứa nhiều thuộc tính thiếu giá trị.

 Bổ sung các giá trị còn thiếu thủ công.  Bổ sung các giá trị thiếu này cách sử dụng một trong những phương pháp sau: o Thay thế giá trị thiếu bằng một hằng số chuẩn. Thông thường các giá trị này thường không ảnh hưởng nhiều đến kết quả của mô hình khai phá dữ liệu. o Thay thế giá trị thiếu bằng giá trị trung bình cùng thuộc tính được lấy xung quanh giá trị còn thiếu.

o Thay thế giá trị thiếu bằng giá trị trung bình cùng thuộc tính và lớp Phương pháp này có ưu điểm là đơn giản, nhưng có hạn chế là giá trị thay thế không phải giá trị đúng hoàn toàn. Nếu thay thế giá trị thiếu bằng một hằng số hoặc một vài giá trị định trước sẽ làm cho dữ liệu mất tính khách quan.  Ta có thể bổ sung các giá trị thiếu sử dụng phương pháp logic, thường sử dụng các kỹ thuật cây quyết định hoặc luật quyết định. Phương pháp này tỏ ra có ưu thế hơn phương pháp toán học do tập luật được xây dựng trên dữ liệu thực, vì thế kết quả có độ tin cậy cao hơn.

Bước 4: Chuyển đổi dữ liệu Mục đích của chuyển đổi dữ liệu là đưa dữ liệu về định dạng dữ liệu phù hợp với thuật toán khai phá dữ liệu. Một số kỹ thuật áp dụng cho quá trình chuyển đổi dữ liệu:  Chuyển đổi kiểu dữ liệu: Đây là một kỹ thuật đơn giản nhất. Chẳng hạn như chuyển các cột dữ liệu kiểu logic sang dạng nguyên và ngược lại. 16 1 7  Rời rạc hóa: biến đổi miền giá trị thuộc tính liên tục thành từng khoảng, lưu nhãn của khoảng thay cho giá trị thực.

Chẳng hạn như thay thế giá trị tuổi bằng các nhãn như trẻ, trung niên, già.  Nhóm dữ liệu: để làm việc này, ta thường phân loại các giá trị trong một cột thành các nhóm, sau đó ánh xạ giá trị của các cột này sang các giá trị nhóm tương ứng. Chẳng hạn cột nghề nghiệp có những giá trị khác nhau như kỹ sư cơ khí, kỹ sư công nghệ thông tin, kỹ sư xây dựng… thì chúng ta có thể nhóm chúng lại thành nhóm kỹ sư.  Tập hợp: những thông tin lưu trữ trong cơ sở dữ liệu là rất chi tiết, chúng ta có thể tập hợp chúng lại thành vài thuộc tính tổng hợp.

Chẳng hạn chúng ta muốn phân loại khách hàng dựa trên những thông tin sử dụng điện thoại hàng tháng của khách hàng, chúng ta có thể tập hợp những thông tin này thành một vài thuộc tính tổng hợp như tổng số cuộc gọi hay thời gian trung bình các cuộc gọi.  Tổng quát hóa: Dữ liệu ở mức thấp (dữ liệu nguyên thủy) có thể được thay thế bằng các khái niệm ở mức cao hơn. Chẳng hạn những loài cây có thể được tổng quát ở mức cao hơn là thực vật.  Chuẩn hóa: Một thuộc tính được chuẩn hóa bằng cách ánh xạ một cách có tỉ lệ dữ liệu về một khoảng xác định ví dụ như 0.

Chuẩn hóa là một phần hữu ích của thuật toán phân lớp trong mạng noron, hoặc thuật toán tính toán độ lệch sử dụng trong việc phân lớp hay nhóm cụm các phần tử liền kề. Bước 5: Khai phá dữ liệu Trong giai đoạn này, các thuật toán khai phá dữ liệu được áp dụng lên dữ liệu để trích rút ra các thông tin tri thức từ các nguồn dữ liệu. Thuật toán có thể bao gồm các thuật toán liên quan đến phân loại, phân lớp hoặc dự đoán dữ liệu. Bước 6: Đánh giá kết quả mẫu Giai đoạn cuối trong quá trình KPDL.

Trong giai đoạn này, các mẫu dữ liệu được chiết xuất ra bởi phần mềm KPDL. Không phải bất cứ mẫu dữ liệu 17 1 8 nào cũng đều hữu ích, đôi khi nó còn bị sai lệch. Vì vậy, cần phải ưu tiên những tiêu chuẩn đánh giá để đưa ra các tri thức cần thiết và sử dụng được. Hình 2: Các giai đoạn trong khai phá dữ liệu [9] 2.

Các kỹ thuật khai phá dữ liệu chính Trong phần này, một số kỹ thuật cốt lõi được sử dụng trong khai phá dữ liệu được mô tả. Sử dụng luật kết hợp Sự kết hợp (hay mối quan hệ) có lẽ là kỹ thuật khai phá dữ liệu được biết đến nhiều hơn, hầu như quen thuộc và đơn giản. Ở đây, người dùng thực hiện một sự tương quan đơn giản giữa hai hoặc nhiều mục, thường cùng kiểu để nhận biết các mẫu. Ví dụ, khi theo dõi thói quen mua hàng của các khách hàng của một siêu thị, người dùng có thể nhận biết rằng một khách hàng luôn mua xà phòng với dầu gội đầu và nước xả vải.

Do vậy, ta có thể đề xuất người dùng mua dầu gội khi họ đến mua xà phòng. Việc xây dựng các công cụ khai phá dữ liệu dựa trên sự kết hợp hay mối quan hệ có thể thực hiện đơn giản bằng các công cụ khác nhau. Phân loại Người dùng có thể sử dụng công cụ phân loại để xây dựng một ý tưởng về kiểu khách hàng, kiểu mặt hàng hoặc kiểu đối tượng bằng cách mô tả nhiều 18 1 9 thuộc tính để nhận biết một lớp cụ thể. Ví dụ, người dùng có thể dễ dàng phân loại các xe máy thành các kiểu xe khác nhau (xe nữ, xe đua xe thể thao) bằng cách xác định các thuộc tính liên quan đến xe.

Đối với một đối tượng xe mới, căn cứ vào các đặc trưng để có thể sắp xếp chiếc xe đó vào nhóm các loại xe đã xây dựng sẵn.