Vai trò của dữ liệu hành vi trong dự báo khách hàng rời bỏ dịch vụ thẻ tín dụng: Tiếp cận từ góc độ phân tích dữ liệu

Tóm tắt

Bài nghiên cứu "Vai trò của dữ liệu hành vi trong dự báo khách hàng rời bỏ dịch vụ thẻ tín dụng: Tiếp cận từ góc độ phân tích dữ liệu" đánh giá khả năng dự báo của dữ liệu hành vi (behavioral data) đối với hiện tượng khách hàng rời bỏ (churn) trong lĩnh vực thẻ tín dụng. Nghiên cứu xem xét các yếu tố hành vi như thói quen chi tiêu và thói quen thanh toán, cùng mối tương quan của các yếu tố này với hiện tượng khách hàng rời bỏ. Trên cơ sở tiếp cận toàn diện về phân tích dữ liệu (data analytics) tham chiếu tới các khung lý thuyết về hành vi rời bỏ, tác giả xây dựng mô hình dự báo nhằm nhận diện chính xác nhóm khách hàng có nguy cơ rời bỏ trong tương lai. Kết quả nghiên cứu cung cấp những thông tin có giá trị giúp các ngân hàng bán lẻ hoàn thiện chiến lược giữ chân khách hàng. Nghiên cứu đồng thời đóng góp vào lĩnh vực phân tích dữ liệu nói chung thông qua việc làm rõ tiềm năng của dữ liệu hành vi trong mô hình hóa dự báo.

Từ khóa
Dữ liệu hành vi khách hàng rời bỏ thẻ tín dụng phân tích dữ liệu ngân hàng bán lẻ

Tài liệu tham khảo

1.
Amin, A., Al-Obeidat, F., Shah, B., Adnan, A., Loo, J., & Anwar, S. (2019). Customer churn prediction in telecommunication industry using data certainty. Journal of Business Research, 94, 290–301. https://doi.org/10.1016/j.jbusres.2018.03.003
2.
Buckinx, W., & Van den Poel, D. (2005). Customer base analysis: Partial defection of behaviourally loyal clients in a non-contractual FMCG retail setting. European Journal of Operational Research, 164(1), 252–268. https://doi.org/10.1016/j.ejor.2003.12.010
3.
Davenport, T. H. (2006). Competing on analytics. Harvard Business Review, 84(1), 98–107.
4.
Gupta, S., & Lehmann, D. R. (2003). Customers as assets. Journal of Interactive Marketing, 17(1), 9–24. https://doi.org/10.1002/dir.10045
5.
Hadden, J., Tiwari, A., Roy, R., & Ruta, D. (2007). Computer assisted customer churn management: State-of-the-art and future trends. Computers & Operations Research, 34(10), 2902–2917. https://doi.org/10.1016/j.cor.2005.11.007
6.
Lazarov, V., & Capota, M. (2007). Churn prediction. Business Analytics Course, TUM Computer Science.
7.
Lemmens, A., & Croux, C. (2006). Bagging and boosting classification trees to predict churn. Journal of Marketing Research, 43(2), 276–286. https://doi.org/10.1509/jmkr.43.2.276
8.
Lepenioti, K., Bousdekis, A., Apostolou, D., & Mentzas, G. (2020). Prescriptive analytics: Literature review and research challenges. International Journal of Information Management, 50, 57–70. https://doi.org/10.1016/j.ijinfomgt.2019.04.003
9.
Neslin, S. A., Gupta, S., Kamakura, W., Lu, J., & Mason, C. H. (2006). Defection detection: Measuring and understanding the predictive accuracy of customer churn models. Journal of Marketing Research, 43(2), 204–211.
10.
Quinlan, B., Chung, J., Liu, G., Wang, D. B., & Fan, M. (2024). From acquisition to activation: Revisiting credit card issuer strategies in Hong Kong. Quinlan & Associates.
11.
Reichheld, F. F., & Sasser, W. E. (1990). Zero defections: Quality comes to services. Harvard Business Review, 68(5), 105–111.
12.
Shirazi, F., & Mohammadi, M. (2019). A big data analytics model for customer churn prediction in the retiree segment. International Journal of Information Management, 48, 238–253. https://doi.org/10.1016/j.ijinfomgt.2018.10.005
13.
Verbeke, W., Martens, D., Mues, C., & Baesens, B. (2011). Building comprehensible customer churn prediction models with advanced rule induction techniques. Expert Systems with Applications, 38(3), 2354–2364. https://doi.org/10.1016/j.eswa.2010.08.023