ОПТИМІЗАЦІЯ ВИТРАТ НА МАРКЕТИНГОВУ ДІЯЛЬНІСТЬ БАНКІВСЬКИХ УСТАНОВ ЗА ДОПОМОГОЮ МОДЕЛЕЙ НА ОСНОВІ АНСАМБЛІВ
DOI:
https://doi.org/10.32782/mathematical-modelling/2024-7-1-8Ключові слова:
маркетингова діяльність, банківські установи, ансамблі моделей, оптимізація витратАнотація
Маркетингова діяльність банківських установ у сучасному світі є ключовим складником стратегії їх розвитку та конкурентоспроможності. Залучення нових клієнтів, утримання існуючих і впровадження інноваційних фінансових продуктів стає неможливим без ефективної маркетингової стратегії. В умовах зростання конкуренції на ринку банківських послуг оптимізація маркетингових витрат стає стратегічним завданням банків. Метою дослідження є використання теоретичних знань для розроблення ефективних моделей на основі ансамблів із використанням налаштування параметрів оптимізації витрат на маркетингову діяльність банківських установ, що дасть змогу зменшити маркетингові витрати та підвищити результативність маркетингової діяльності. У статті досліджено підхід до оптимізації витрат на маркетингову діяльність банківських установ із використанням кількох типів ансамблевих моделей, зокрема випадковий ліс, посилення градієнта, екстремальне посилення градієнта. Автори досліджують маркетингову діяльність банків і як ефективно використовувати моделі на основі ансамблю у середовищі RStudio для досягнення максимальних результатів, використовуючи набір даних із даними маркетингової кампанії португальського банку. Детальний аналіз включає вивчення чинників, зібраних банком про клієнтів, і оцінку їхнього впливу на остаточний аналіз рішення клієнта. Також у процесі дослідження для покращення результатів моделювання використовуються методи undersampling, масштабування та пошуку оптимальної кількості ознак. У результаті дослідження встановлено, що ефективність маркетингової кампанії під час використання моделей фактично в два рази вище, ніж без них. Результати дослідження є цінним посібником для банківських установ щодо оптимізації маркетингової діяльності. Використання модельних ансамблів може сприяти підвищенню ефективності маркетингових кампаній, зниженню витрат і підвищенню конкурентоспроможності на ринку фінансових послуг.
Посилання
Safarkhani F., Moro S. Improving the Accuracy of Predicting Bank Depositor’s Behavior Using a Decision Tree. Applied Sciences. 2021. 11(19). 9016.
Hao Ruiting, Xia Xiaoqian, Shen Siyi, Yang Xiaorong. Bank Direct Marketing Analysis Based on Ensemble Learning. Journal of Physics: Conference Series, 2020.
Chen X.-W., Jeong J.C. Enhanced recursive feature elimination, Sixth International Conference on Machine Learning and Applications (ICMLA 2007), Cincinnati, OH, USA, 2007, pp. 429–435, doi: 10.1109/ICMLA.2007.35.
Jović A., Brkić K., Bogunović N. A review of feature selection methods with applications, 2015 38th International Convention on Information and Communication Technology, Electronics and Microelectronics (MIPRO), Opatija, Croatia, 2015, pp. 1200–1205.
Meidan A. Bank Marketing Strategies, International Journal of Bank Marketing, 1983. Vol. 1. No. 2, pp. 3–17.
González-Recio O., Jiménez-Montero J.A., Alenda R. The gradient boosting algorithm and random boosting for genome-assisted evaluation in large data sets, Journal of Dairy Science, 2013. Volume 96, Issue 1, p. 614–624.
Tianqi Chen and Carlos Guestrin. 2016. XGBoost: A Scalable Tree Boosting System. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD '16). Association for Computing Machinery, New York, NY, USA, p. 785–794.
Bunkhumpornpat C., Sinapiromsaran K., Lursinsap C. MUTE: Majority under-sampling technique, 2011 8th International Conference on Information, Communications & Signal Processing, Singapore, 2011, pp. 1–4.
Moro S., Rita P., Cortez P. Bank Marketing. UCI Machine Learning Repository. 2012.
Alibrahim Hussainand, Ludwig Simone A. Hyperparameter Optimization: Comparing Genetic Algorithm against Grid Search and Bayesian Optimization. In 2021 IEEE Congress on Evolutionary Computation (CEC). IEEE Press, 2021, p. 1551–1559.
Amalia Luque, Alejandro Carrasco, Alejandro Martín, Ana de las Heras, The impact of class imbalance in classification performance metrics based on the binary confusion matrix, Pattern Recognition, Volume 91, 2019, Pages 216–231.
