عصر تراکنش ۹۶؛ محمد قریشی، مدیر فنی شرکت آدانیک / ریزش مشتری یکی از چالش‌های مهم برای بانک‌ها و به‌طور کلی هر مجموعه‌ای است؛ به‌ویژه در فضای رقابتی امروز که بازیگران فین‌تک و دیجیتال نیز وارد میدان شده‌اند. بسیاری از بانک‌ها پس از وقوع ریزش واکنش نشان می‌دهند، در‌حالی‌که با استفاده از هوش مصنوعی می‌توان تغییرات رفتاری منجر به ریزش را پیش از وقوع پیش‌بینی کرد. علاوه بر روش‌های معمول تشخیص ریزش مشتری مانند روش FRM، می‌توان با تغییر رویکرد و نگاه به ناهنجاری‌ها، از رویکردهای مبتنی بر Anomaly Detection به‌عنوان راهی برای پیش‌بینی تغییر رفتار مشتری و به‌ویژه ریزش او بهره برد. در ادامه، سایر کاربردهای بالقوه این نوع تحلیل در مدیریت ارتباط با مشتریان و بهینه‌سازی کسب‌وکار بررسی شده است.
چرا ریزش مشتری مسئله‌ای حیاتی است؟
در دنیای امروز، وفاداری مشتریان بانک‌ها به‌آسانی از بین می‌رود و هزینه جذب مشتری جدید به مراتب بالاتر از حفظ مشتری فعلی است. با‌این‌حال، ابزارهای سنتی شناسایی ریزش معمولاً پس از ترک مشتری وارد عمل می‌شوند. در بسیاری از بانک‌ها، کشف ناهنجاری صرفاً به‌عنوان ابزاری برای مقابله با تقلب در نظر گرفته شده است؛ اما واقعیت این است که همه ناهنجاری‌ها لزوماً مخرب یا مجرمانه نیستند. برخی ناهنجاری‌ها، علائم ارزشمندی از تحولات رفتاری در مشتریان وفادار به شمار می‌روند. این تغییرات می‌توانند نشانه‌هایی از نارضایتی، کاهش تعامل یا آمادگی برای ترک بانک باشند. بنابراین، لازم است کشف ناهنجاری به‌عنوان 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 رفتار نهفته است. کاهش دفعات تراکنش، خروج از کانال‌های دیجیتال یا انتقال منابع مالی به بانک‌های دیگر، همه نشانه‌هایی از احتمال ریزش هستند.
خوشه‌بندی رفتاری: مقایسه از سه منظر
هر موجودیت می‌تواند بر اساس سه منظر دسته‌بندی شود:
۱. مقایسه با سابقه خود (Self-Comparison): بررسی اینکه آیا رفتار فعلی با الگوی گذشته‌ی همان موجودیت تفاوت چشمگیری دارد یا خیر.
۲. مقایسه با تمام موجودیت‌ها (Global Comparison): تحلیل انحراف رفتاری از الگوی میانگین یا نرمال در کل جمعیت.
۳. 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 است؟
برای اجرای دقیق خوشه‌بندی، می‌توان از الگوریتم‌هایی نظیر K-Means و روش‌های تعیین تعداد بهینه خوشه‌ها مانند روش Elbow استفاده کرد. در این روش، با رسم نمودار تغییرات واریانس درون‌خوشه‌ای نسبت به تعداد خوشه‌ها، نقطه‌ای که کاهش واریانس متوقف شده یا کند می‌شود به‌عنوان «نقطه آرنج» در نظر گرفته 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 با رویکرد یادگیری بدون نظارت
نکته‌ی حائز اهمیت این است که فقط سناریوهای شناخته‌شده از قبل باعث ریزش نمی‌شوند، بلکه با نوسانات اقتصادی فعلی و گسترده‌شدن فضای سرمایه‌گذاری، سناریوهای جدیدی ظهور می‌کنند. لذا لزوماً داده‌های برچسب‌گذاری شده (Data-Set) در این مسئله وجود ندارد و در صورت وجود نیز برای موارد تازه کارآمد نیست. بنابراین باید از رویکرد یادگیری بدون نظارت (Unsupervised Learning) برای رسیدن به نتیجه لازم استفاده کرد.
در واقع، نیاز نیست مشتریان ریزش‌کننده از قبل شناخته شده باشند؛ بلکه می‌توان تغییرات رفتاری معنادار را تشخیص داد. برخی از این تغییرات که می‌توانند به‌عنوان پارامتری منجر به ریزش در نظر گرفته 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 پیشنهادهای 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 پیشنهادهای 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 ناهنجاری صرفاً به‌عنوان نشانه تقلب دیده نشود، بلکه به‌عنوان سیگنالی برای تصمیمات هوشمند کسب‌وکار پذیرفته شود.
تجربه‌ی عملیاتی
محصول «گمانیک»، توسعه‌یافته توسط شرکت آدانیک با معماری ماژولار و قابلیت تحلیل انواع موجودیت‌ها، نه‌تنها برای پیش‌بینی ریزش، بلکه در حوزه‌هایی مانند کشف تقلب، تحلیل چرخه عمر محصول، شناسایی نیازهای جدید مشتریان و تصمیم‌سازی‌های استراتژیک قابل استفاده است. بانک‌هایی که به دنبال آینده‌نگری و حفظ مشتریان خود هستند، می‌توانند از چنین سامانه‌هایی به‌عنوان ابزاری تحول‌آفرین بهره‌مند شوند.
