Customer Segmentation and Behavior Prediction in Banking Using Clustering and Predictive Analytics

Abstract

Η παρούσα διπλωματική εργασία εξετάζει την εφαρμογή τεχνικών τμηματοποίησης και προβλεπτικής μοντελοποίησης σε πραγματικά τραπεζικά δεδομένα Small Business, με στόχο την επιστημονική τεκμηρίωση και την πρακτική εφαρμοσιμότητα. Το υπό εξέταση πάνελ δεδομένων, με μηνιαία δομή και χρονικό εύρος 08/2022–07/2025, επιτρέπει την ανάλυση της δυναμικής σχέσης πελάτη-τράπεζας και τη διερεύνηση κρίσιμων συμπεριφορών. Η εργασία εστιάζει στην αναγνώριση διακριτών ομάδων πελατών, στον εντοπισμό των παραγόντων που συνδέονται με το cross-sell και το churn. Επίσης στη διερεύνηση του βαθμού στον οποίο τα προβλεπτικά μοντέλα μπορούν να υποστηρίξουν τεκμηριωμένες και λειτουργικά εφαρμόσιμες αποφάσεις, ενισχύοντας τη σύνδεση μεταξύ αναλυτικών ευρημάτων και λήψης αποφάσεων σε περιβάλλοντα περιορισμένης τεχνικής εξειδίκευσης. Μεθοδολογικά η εργασία υιοθετεί χρονικά συνεπή σχεδιασμό, ώστε οι προβλέψεις να αντανακλούν την ρεαλιστική επιχειρησιακή χρήση του επόμενου μήνα. Η τμηματοποίηση πραγματοποιείται σε επίπεδο πελάτη, μετά από προεπεξεργασία, ανθεκτική τυποποίηση των μεταβλητών και μείωση της διαστασιμότητας μέσω PCA. Η επιλογή των λύσεων ομαδοποίησης βασίζεται σε δείκτες συνοχής, διαχωρισιμότητας και επιχειρησιακής καταλληλότητας με περιορισμούς ως προς το μέγεθος των ομάδων. Η προβλεπτική συνιστώσα αναπτύσσει σαφείς δυαδικούς στόχους με μηνιαίο ορίζοντα. Η έμφαση δίνεται α)στο cross-sell ως γεγονός αύξησης πλήθους προϊόντων στον επόμενο μήνα και β)στο churn ως σύνθετο σήμα αδρανοποίησης ή υποχώρησης σχέσης σε παράθυρο τριμήνου. Γίνεται εκπαίδευση και σύγκριση ισχυρών μοντέλων μηχανικής μάθησης (Λογιστική Παλινδρόμηση, Τυχαίο Δάσος, XGBoost) υπό συνθήκες ανισορροπίας κλάσεων. Η αξιολόγηση γίνεται τόσο με κλασικές μετρικές διάκρισης όσο και με επιχειρησιακές μετρικές κατάταξης (top-k) σε επίπεδο πελάτη. Τα αποτελέσματα μετασχηματίζονται σε λίστες στόχευσης και προτάσεις ενεργειών (Next Best Action), συνοδευόμενα από αναφορές ελέγχου και οπτικοποιήσεις, ώστε να τεκμηριώνεται η επιχειρησιακή αξιοποίηση. Τα ευρήματα καταδεικνύουν ότι ο συνδυασμός τμηματοποίησης και προβλεπτικής ανάλυσης μπορεί να αποδώσει ουσιαστική κατανόηση στο εξεταζόμενο χαρτοφυλάκιο Small Business και να υποστηρίξει πρακτικά σενάρια καμπάνιας, όπου η αξία προκύπτει όχι μόνο από τη στατιστική ακρίβεια αλλά και από τη δυνατότητα μετατροπής των προβλέψεων σε συνεκτικές, επαναλήψιμες και διαφανείς ενέργειες CRM. Συνολικά, η εργασία προτείνει ένα εφαρμόσιμο πλαίσιο που γεφυρώνει τη θεωρητική συζήτηση γύρω από την τμηματοποίηση και το propensity modeling με μια υλοποίηση προσανατολισμένη στην καθημερινή επιχειρησιακή πρακτική, αξιοποιώντας τόσο Python όσο και εξαγώγιμες αναφορές σε Excel.