Xây dựng chiến lược tiếp thị tài chính cá nhân hóa sử dụng phân lớp học máy trên dữ liệu ngân hàng

Abstract

Nghiên cứu này nhằm xây dựng chiến lược tiếp thị tài chính cá nhân hóa bằng cách ứng dụng các thuật toán học máy trên dữ liệu ngân hàng. Quá trình nghiên cứu bao gồm các bước thu thập dữ liệu từ bộ "Bank Marketing Dataset" (Kaggle), tiền xử lý và chuẩn hóa dữ liệu, trực quan hóa bằng dashboard, xây dựng mô hình phân lớp sử dụng các thuật toán như Decision Trees, Logistic Regression, Neural Network, và Naive Bayes. Các mô hình được đánh giá dựa trên các chỉ số như Confusion Matrix, Accuracy, Precision, Recall và F1-Score. Kết quả cho thấy mô hình Neural Network đạt hiệu suất cao nhất với độ chính xác 82.3% và AUC 0.896. Phân tích chuyên sâu cho thấy thời lượng cuộc gọi cuối cùng (duration) là yếu tố quan trọng nhất quyết định việc khách hàng có mở tài khoản tiết kiệm có kỳ hạn hay không. Ngoài ra, số dư tài khoản (balance), kết quả chiến dịch trước (poutcome), thời điểm liên hệ (month) và phương thức liên lạc (contact) cũng đóng vai trò quan trọng. Khách hàng có thời lượng cuộc gọi trên 450 giây có tỷ lệ mở tài khoản lên đến 81.4%, trong khi những người từng thành công trong các chiến dịch trước cũng có khả năng đăng ký cao hơn. Một số tháng như tháng 3, 9 và 12 có tác động mạnh đến quyết định gửi tiết kiệm của khách hàng. Đặc biệt, việc liên lạc qua điện thoại di động hiệu quả hơn so với điện thoại bàn. Từ những phát hiện này, nghiên cứu đề xuất một số giải pháp cho ngân hàng nhằm tối ưu hóa chiến lược tiếp thị. Cụ thể, ngân hàng nên tập trung vào nhóm khách hàng có thời lượng cuộc gọi dài, ưu tiên những khách hàng đã tham gia thành công các chiến dịch trước, và đẩy mạnh chiến dịch vào các tháng cao điểm để gia tăng tỷ lệ chuyển đổi. Đồng thời, cần xây dựng các chương trình tiếp thị riêng cho từng phân khúc khách hàng, chẳng hạn như sinh viên và người nghỉ hưu. Ngoài ra, việc ứng dụng trí tuệ nhân tạo và dữ liệu lớn sẽ giúp ngân hàng tối ưu hóa phân khúc khách hàng và cải thiện hiệu suất tiếp thị.