Ứng dụng kỹ thuật phân nhóm nhằm nâng cao hiệu quả khai thác khách hàng đang sử dụng thẻ tín dụng tại Ngân hàng Thương mại cổ phần Việt Nam Thịnh vượng

Chia sẻ: ViSteveballmer ViSteveballmer | Ngày: | Loại File: PDF | Số trang:14

Thêm vào BST

Báo xấu

25
lượt xem 1
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài viết này của nhóm tác giả nhằm trả lời một phần trong số các câu hỏi trên được đặt ra thông qua việc sử dụng kỹ thuật phân nhóm khách hàng sử dụng thẻ tín dụng cá nhân tại Ngân hàng Thương mại cổ phần Việt Nam Thịnh vượng (VP Bank). Các kết quả phân tích dữ liệu thử nghiệm đã được nhóm tác giả tổng hợp, bình luận và đề xuất một số giải pháp nhằm khai thác khách hàng đang sử dụng thẻ tín dụng tại VP Bank.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Ứng dụng kỹ thuật phân nhóm nhằm nâng cao hiệu quả khai thác khách hàng đang sử dụng thẻ tín dụng tại Ngân hàng Thương mại cổ phần Việt Nam Thịnh vượng

393 ỨNG DỤNG KỸ THUẬT PHÂN NHÓM NHẰM NÂNG CAO HIỆU QUẢ KHAI THÁC KHÁCH HÀNG ĐANG SỬ DỤNG THẺ TÍN DỤNG TẠI NGÂN HÀNG THƯƠNG MẠI CỔ PHẦN VIỆT NAM THỊNH VƯỢNG Lê Ngọc Huyền, VP Bank TS. Nguyễn Trung Tuấn Viện CNTT & Kinh tế số, Trường Đại học kinh tế Quốc dân TÓM TẮT Trong bối cảnh phát triển mạnh mẽ của công nghệ thông tin, nền kinh tế số dần hiện hữu trên nhiều lĩnh vực kinh tế - xã hội. Các dịch vụ ngân hàng, tài chính là một trong các dịch vụ chuyển đổi số nhanh nhất và đạt được hiệu quả cao. Mặc dù các dịch vụ ngân hàng, tài chính phát triển với nhiều sản phẩm khác nhau từ tín dụng, thanh toán trực tuyến, tiền kỹ thuật số… nhưng vẫn tồn tại nhiều thách thức, nhiều vấn đề cần giải quyết. Một khách hàng có thể sở hữu nhiều thẻ tín dụng, vậy khách hàng đó có phải là khách hàng trung thành, tiềm năng hay là khách hàng vãng lai sở hữu nhiều thẻ tín dụng mà không bao giờ dùng tới? Bài viết này của nhóm tác giả nhằm trả lời một phần trong số các câu hỏi trên được đặt ra thông qua việc sử dụng kỹ thuật phân nhóm khách hàng sử dụng thẻ tín dụng cá nhân tại Ngân hàng Thương mại cổ phần Việt Nam Thịnh vượng (VP Bank). Các kết quả phân tích dữ liệu thử nghiệm đã được nhóm tác giả tổng hợp, bình luận và đề xuất một số giải pháp nhằm khai thác khách hàng đang sử dụng thẻ tín dụng tại VP Bank. Keywords: chân dung khách hàng, k-means, phân nhóm. 1. ĐẶT VẤN ĐỀ Trong những năm gần đây, sự phát triển của công nghệ thông tin và việc ứng dụng công nghệ thông tin ở hầu hết các lĩnh vực trong nhiều năm qua cũng đồng nghĩa với lượng dữ liệu đã được thu thập và lưu trữ ngày càng lớn. Các hệ quản trị cơ sở dữ liệu truyền thống cũng chỉ khai thác được một lượng thông tin nhỏ không còn đáp ứng đầy đủ những yêu cầu, những thách thức mới. Do vậy một khuynh hướng mới được ra đời đó là các kỹ thuật phát hiện tri thức trong cơ sở dữ liệu. Các kỹ thuật phân nhóm nhằm khai phá dữ liệu, xử lý dữ liệu và nhận biết các mẫu và các xu hướng trong thông tin đó để người dùng có thể quyết định hoặc đánh giá các sản phẩm mà doanh nghiệp, tổ chức mình đang phát triển. Theo chiến lược của VPBank 2018-2022, khát vọng của VPBank là trở thành một trong 3 ngân hàng có giá trị hàng đầu tại Việt Nam vào năm 2022 và trở thành ngân hàng thân thiện với người tiêu dùng nhất thông qua công nghệ. Để đạt được khát vọng “Tầm nhìn của VPBank 2022”, ngân hàng cần theo đuổi 6 chủ đề chiến lược và 27 sáng kiến
394 chiến lược quan trọng. Một trong những chủ đề chiến lược là: “Phát triển dòng sản phẩm thẻ tín dụng và đứng đầu trên thị trường về sản phẩm này”. Bên cạnh việc phát triển những dòng thẻ có nhiều tính năng mới, thân thiện với khách hàng thì việc khai thác và phục vụ tối đa nhu cầu của các khách hàng hiện hữu đang có cũng cần được chú trọng. Vì vậy, nghiên cứu của nhóm tác giả trên bộ dữ liệu khách hàng sở hữu thẻ tín dụng bằng phương pháp phân nhóm dữ liệu nhằm nâng cao hiệu quả khai thác khách hàng đang sử dụng thẻ tín dụng tại NHTMCP Việt Nam Thịnh Vượng, giúp Ban lãnh đạo có những chiến lược phù hợp với sản phẩm này và đạt được mục tiêu đề ra. Kết quả của nghiên cứu có thể sử dụng để dự báo các khách hàng đang có Thẻ tín dụng của NHTMCP Việt Nam Thịnh Vượng sắp tới sẽ có khả năng chi tiêu ở những lĩnh vực nào theo từng cụm mục tiêu, từ đó có phương pháp chào bán các sản phẩm đúng cách nhất và đúng thời điểm nhất. 2. ỨNG DỤNG KỸ THUẬT PHÂN NHÓM K-MEANS TRONG VIỆC PHÂN NHÓM DỮ LIỆU KHÁCH HÀNG 2.1. Mô tả bài toán và dữ liệu phân tích Phân tích dữ liệu khách hàng sử dụng thẻ tín dụng tại Ngân hàng thương mại cổ phần Việt Nam Thịnh vượng có thể đạt được nhiều mục tiêu và kết quả khác nhau. Trong nội dung nghiên cứu này, các tác giả sẽ tập trung xử lý dữ liệu để trả lời được bài toán: “Khách hàng thường chi tiêu ở đâu, dự báo khả năng sắp tới sẽ chi tiêu ở lĩnh vực nào?” cho sản phẩm thẻ tín dụng của phân khúc Khách hàng cá nhân VPBank để từ đó có những phương án “Chào bán đúng thời điểm nhất: right time” và “Chào bán đúng cách nhất: right way” với từng khách hàng. Kết quả của phân tích sẽ là: - Đưa khách hàng vào từng nhóm phù hợp - Chân dung của khách hàng - Dự báo về các lĩnh vực mà khách hàng có thể chi tiêu trong thời gian tới (Travel line, Dinning&Drinking …), yêu cầu cần dự báo đến từng khách hàng và có từng lựa chọn ưu tiên mà khả năng khách hàng sẽ chi tiêu. Bộ dữ liệu sử dụng phân tích là các giao dịch qua thẻ của khách hàng cá nhân trong vòng 6 tháng gần nhất (T03/2020 – T08/2020) được lấy từ hệ thống Datawarehouse của ngân hàng bao gồm hơn 8 triệu bản ghi của hơn 300 nghìn khách hàng. Mỗi giao dịch của khách hàng đều được hệ thống ghi lại và sinh ra là một dòng trong cơ sở dữ liệu với rất nhiều thuộc tính khác nhau. Để đảm bảo tính bảo mật và an toàn dữ liệu, các thông tin cá nhân của khách hàng được loại bỏ và các giá trị giao dịch đã được mã hóa, ánh xạ thành thông tin khác phản ánh được bản chất của khách hàng.
395 2.2. Một số kết quả phân tích 2.2.1 Phân nhóm khách hàng Để tạo ra lợi nhuận cao nhất có thể trên một đồng vốn bỏ ra, ngân hàng cần tạo ra những chính sách khai thác khác nhau cho từng phân nhóm khách hàng. Do vậy, việc phân chia khách hàng thành từng cụm cần dựa trên sự tương tác và mức độ sử dụng thường xuyên tới các sản phẩm và dịch vụ mà ngân hàng cung cấp. Trong phần này các tác giả sẽ sử dụng hàm k-means trong ngôn ngữ lập trình R để phân khúc khách hàng thành các nhóm riêng biệt dựa trên thói quen chi tiêu thẻ tín dụng theo tập dữ liệu đã thu thập được. Thuật toán sẽ xác định phân khúc hoặc cụm khách hàng có sự tương quan nào đó. Thuật toán k- means chỉ định chọn số cụm k được tạo ra, hiệu quả của thuật toán phụ thuộc vào việc chọn số cụm k. Vậy làm thế nào để xác định lượng cụm tối ưu trong tập dữ liệu phân tích và luật là gì là vô cùng quan trọng ảnh hưởng đến kết quả của cụm. Có rất nhiều cách xác định số lượng cụm khi sử dụng thuật toán k-means, như phương pháp Elbow, phương pháp Silhouette, phương pháp NbClust. Trong đó, phương pháp Elbow (được biết đến là Elbow Curve) là phương pháp được sử dụng phổ biến nhất. 1,000 Tổng bình phương khoảng cách Tổng bình phương khoảng cách 900 800 700 600 (WSS) 500 400 300 200 100 - 1 2 3 4 5 6 7 8 9 10 Số lượng phân cụm Hình 1. Số cụm tối ưu Nguồn: Tác giả Qua thực hiện thuật toán, a thu được kết quả như Hình 2.1, phương pháp Elbow gợi ý cho ta chọn số cụm tối ưu k=4, trên lý thuyết, ta có thể chọn kết quả sai lệch 1 đơn vị,
396 tức là k=3 hoặc k=5. Trong trường hợp cụ thể này, tác giả chọn k=4 và thực hiện phân cụm sử dụng thuật toán k-means tương đương là 4 phân nhóm. Sau khi dùng k-means các khách hàng được chia ra làm 4 cụm (được đánh dấu từ 1 đến 4). Mỗi một cụm sẽ đặc trưng cho một nhóm khách hàng có thể có chung một đặc điểm chi tiêu nào đó. Bảng 1. Thống kê các chỉ số theo nhóm No Total spending per No Mean Mean Group customer customer customer recency tenure 1 52215 40.86179 7.680513 11.908206 9.657646 2 30232 18.03627 2.831404 20.962788 2.210108 3 73988 24.80631 7.315011 4.787344 4.32112 4 232105 102.16133 32.574365 4.486965 20.850081 Nguồn: Tác giả Giá trị phân cụm được dựa theo các biến đã đưa vào trong đó: High value: Group 4 - Đây là nhóm khách hàng có chi tiêu rất nhiều (cả giá trị và số lượng trung bình) Medium value: Group 1 - Đây là nhóm khách hàng có chi tiêu ít hơn nhóm trước – medium Almost gone: Group 3 - Nhóm khách này chi tiêu ít, nhưng nhiều hơn Losing và gần đây vẫn có giao dịch (chưa lâu lắm) Losing: Group 2 - Đây là nhóm khách hàng chi tiêu ít và đã lâu rồi không có chi tiêu 2.2.2 Chân dung khách hàng Đứng từ phía ngân hàng, việc tìm ra một bức tranh chân dung cho từng nhóm là việc rất quan trọng. Mỗi nhóm khách hàng đều có đặc điểm riêng biệt và có hành vi tiêu dùng rất khách nhau. Mục đích chính của việc xây chân dung khách hàng nhằm: - Tạo ra các chương trình sản phẩm đặc thù. - Giúp giữ chân khách hàng hiện hữu. - Nâng cao tỷ lệ bán chéo giữa các sản phẩm.
397 - Thứ nhất, về giao dịch của từng nhóm khách hàng: Hình 2. Giao dịch của từng nhóm khách hàng Nguồn: Tác giả Chiếm gần ½ số lượng khách hàng chi tiêu thẻ tín dụng, nhóm khách hàng high value có số lượng giao dịch lớn nhất và số tiền giao dịch cao nhất. Trung bình một tháng, mỗi khách hàng high value chi tiêu bằng thẻ tín dụng 7-8 lần và giá trị mỗi giao dịch dao động từ 2.3 đến 3 triệu VNĐ. Có khoảng 30% lượng khách hàng sắp dời bỏ (Almost gone) và khách hàng ngừng sử dụng dịch vụ của ngân hàng (Losing). Trong đó, số lượng khách hàng Almost gone chiếm 11%. Điều đáng nói ở đây là, tuy chỉ có 1-2 giao dịch/tháng, nhưng số tiền chi tiêu trung bình mà nhóm khách hàng sắp dời bỏ lên tới 4.8 - 5 triệu VNĐ/giao dịch. Điều này có thể hiểu khách hàng mở thẻ chỉ nhằm một mục đích chi tiêu tức thì có ưu đãi hoặc khách hàng chỉ có nhu cầu tại thời điểm mở thẻ. - Thứ hai, về nhân khẩu học: Với số lượng giao dịch và số tiền giao dịch chiếm 50% của nhóm high value được xác định là tập khách hàng tiềm năng nên tác giả chỉ tập trung xác định chân dung của nhóm khách hàng này. Phân tích về Độ tuổi và giới tính. Hầu hết các khách hàng high value thực hiện giao dịch chi tiêu thẻ tín dụng tại VPBank có độ tuổi phổ biến từ 25 đến 45 tuổi, trong đó phân bổ nhiều nhất ở độ tuổi từ 25 – 30 tuổi.
398 Tỷ lệ Nam – Nữ giữa các tuổi tương đương nhau, điều này cho thấy nhân tố về giới tính không ảnh hưởng đến hành vi chi tiêu của khách hàng sử dụng thẻ tín dụng. Hình 3. Phân bổ độ tuổi và giới tính của nhóm high value Nguồn: Tác giả Phân tích về Nghề nghiệp Phần lớn khách hàng chi tiêu thẻ tín dụng của nhóm high value đều là nhân viên văn phòng và thuộc lĩnh vực công thương. Hình 4. Phân bổ nghề nghiệp của nhóm high value Nguồn: Tác giả
399 Phân tích về Tình trạng hôn nhân Trong nhóm high value, các khách hàng đã có gia đình có tỷ lệ cao nhất chiếm 48%, tiếp đến là 41% dành cho những người chưa có gia đình. Hình 5. Phân bổ tình trạng hôn nhân của nhóm high value Nguồn: Tác giả Phân tích về Thu nhập Thu nhập tập trung chủ yếu ở khoảng 10 – 20 triệu VND/tháng, điều này cho thấy khá phù hợp với mức thu nhập của nhóm nhân viên văn phòng. Hình 6. Phân bổ thu nhập của nhóm high value Nguồn: Tác giả
400 Phân tích về Trình độ học vấn Các khách hàng có trình độ học vấn đại học sẽ có mức chi tiêu thẻ nhiều nhất so với tất cả các trình độ còn lại. 120,000 108,293 Số lượng khách hàng 100,000 80,000 60,000 37,272 40,000 20,000 2,154 2,007 1,172 - Hình 7. Phân bổ trình độ học vấn của nhóm high value Nguồn: Tác giả 2.2.3 Dự báo từ dữ liệu Để dự báo (dự đoán) được chi tiêu của khách hàng trong tương lai, tác giả sử dụng một thuật toán đặc thù của Recommendation System - Hệ thống tư vấn trong R, đó là Collaborative Filtering (CF). CF là hệ thống gợi ý dựa trên sự tương quan giữa khách hàng và các sản phẩm mà khách hàng chi tiêu. Mục đích chính của thuật toán này là hỗ trợ khách hàng tìm kiếm được đúng thông tin cần thiết, dự đoán sở thích hay xếp hạng mà khách hàng có thể dành cho một mục thông tin (item) nào đó mà họ chưa xem xét tới trong quá khứ. Nội dung liên quan nói trên chính là các gợi ý, là kết quả được tính toán dựa trên việc thu thập dữ liệu về người dùng như khi mua hàng, khi đưa ra các đánh giá cá nhân. Thực tế, đã có rất nhiều ứng dụng cho thuật toán này như trên Youtube, hệ thống tự đề xuất các video chỉ cho riêng từng người sử dụng. Không chỉ Youtube, hầu như tất cả các trang web thương mại điện tử hoặc giải trí, như Amazon hay Netflix, đều sử dụng thuật toán Collaborative Filtering để gợi ý cho khách hàng những sản phẩm mà người bán cho rằng rất thích hợp với người mua. Đối với bài toán dự đoán chi tiêu thẻ tín dụng của khách hàng, việc xây dựng gợi ý chi tiêu được áp dụng theo thuật toán CF và được dựa trên 4 yếu tố chính tương tự như phần phân cụm ở các mục trên.
401 Việc của mô hình là tính toán điểm trung bình (TB) của từng khách hàng tương ứng với mỗi lĩnh vực tiêu dùng mà khách hàng đã sử dụng trong quá khứ, cụ thể là trong 6 tháng gần nhất. Từ điểm số này, mô hình sẽ tiếp tục dự báo lĩnh vực chi tiêu trong tương lai của khách hàng dựa trên các khách hàng khác có cùng lĩnh vực chi tiêu. Kết quả của mô hình là ba gợi ý về lĩnh vực chi tiêu theo mức độ ưu tiên giảm dần cho từng khách hàng. Bộ phận Marketing có thể sử dụng kết quả này để thực hiện các chương trình thúc đẩy bán và chương trình ưu đãi cho nhằm đạt được doanh số cao nhất. Các dữ liệu và mã hóa dữ liệu tương tự như các phần trước, các biến được đặt tên tương ứng với các mục dữ liệu và gợi nhớ. Trong thuật toán k-means yêu cầu các dữ liệu cần được chuẩn hóa, cách chuẩn hóa dữ liệu này để chuyển đổi 2 biến numeric là RECENCY và TENURE về dạng giá trị từ 0 đến 10. Hai biến này được đưa vào mô hình dự báo là: trong điều kiện các yếu tố khác không thay đổi, nếu khách hàng sử dụng thẻ tín dụng VPBank để chi tiêu thường xuyên và liên tục, điểm trung bình score-card của khách hàng sẽ càng cao và kết quả gợi ý sẽ càng chính xác. Để chấm điểm cho từng yếu tố này, ta cần chia từng yếu tố theo phân vị của 10. Theo đó, khách hàng nào ở phân vị càng cao thì điểm sẽ càng cao. Riêng biến RECENCY là khoảng cách từ ngày giao dịch cuối cùng tới thời điểm chốt tháng, nên yếu tố này ở phân vị càng nhỏ sẽ càng được điểm cao hơn, tức là hai biến RECENCY và TENURE tỷ lệ nghịch với nhau. Nghĩa là, nếu ngày cuối cùng khách hàng chi tiêu càng sát với thời điểm chốt tháng, chứng tỏ tần suất sử dụng thẻ tín dụng của khách hàng để tiêu dùng rất nhiều. Do vậy, để yếu tố này được khách quan và phù hợp với mô hình dự báo, ta cần cập nhật theo logic ngược. Bước tiếp theo, tính điểm trung bình (TB) cho từng khách hàng và từng lĩnh vực mua sắm. Bản chất của việc tính điểm TB là do mỗi khách hàng đều có hành vi khác nhau. Do vậy, điểm trung bình sẽ mang lại mức đánh giá là tốt nhất khi những giá trị lớn hơn trung bình là lĩnh vực mà khách hàng thích chi tiêu, còn dưới trung bình là không thích. Đối với trường hợp này, công thức tính điểm TB của mỗi khách hàng như sau: 𝑡𝑟𝑎𝑛𝑠𝑠𝑐𝑜𝑟𝑒 + 𝑎𝑚𝑡𝑠𝑐𝑜𝑟𝑒 + 𝑡𝑒𝑛𝑢𝑟𝑒𝑠𝑐𝑜𝑟𝑒 + 𝑟𝑒𝑐𝑒𝑛𝑐𝑦𝑠𝑐𝑜𝑟𝑒 Đ𝑖ể𝑚 𝑇𝐵 (𝑠𝑐𝑜𝑟𝑒) = 4 Trong đó: TRANS_SCORE: Điểm theo phân vị 10 đối với số lượng giao dịch của khách hàng. AMT_SCORE: Điểm theo phân vị 10 đối với khối lượng giao dịch của khách hàng. TENURE_SCORE: Điểm theo phân vị 10 đối với khoảng cách từ ngày giao dịch gần nhất tới ngày chốt tháng của khách hàng (chỉ tiêu ngược).
402 RECENCY_SCORE: Điểm theo phân vị 10 đối với khoảng cách từ ngày giao dịch đầu tiên tới ngày giao dịch cuối cùng của khách hàng. Bảng 2. Tổng điểm trung bình của từng yếu tố tác động tới chi tiêu thẻ tương lai MCC TRANS AMT TENURE RECENC SCOR CIF CATEGORY SCORE SCORE SCORE Y SCORE E H773ZHH Cash 1 2 1 1 1 3ZZ8398 Daily items 2 8 5 3 4 A69667H Education 7 7 7 5 6 H791Z93 Beauty Spa 10 5 2 5 5 Hospital and Z8HA7Z1 1 1 8 8 4 Medical Dining and H17Z1Z7 9 8 5 5 6 Drinking 1ZZAAA Daily items 6 9 4 5 6 AH8A73A Electronic 5 7 10 10 8 3H8H*** Daily items 5 2 3 5 3 H9*A89* Fuel 8 10 7 8 8 Nguồn: Tác giả Dựa trên số điểm trung bình của từng khách hàng, mô hình sẽ tìm ra các điểm chung của các khách hàng chi tiêu trên cùng một lĩnh vực mua sắm. CF sẽ chấm điểm tương tự (Similarity score) cho các khách hàng này. Điểm tương tự có phạm vi từ (-1) đến 1. Trong đó, 1 là các khách hàng hoàn toàn tương tự nhau và có xu hướng chi tiêu gần giống nhau nhất; (-1) sẽ thể hiện điều ngược lại. Kết quả của CF là 3 sản phẩm có chỉ số recommendation cao nhất sẽ được lựa chọn để gợi ý chi tiêu cho khách hàng.
403 Bảng 3. Kết quả dự báo chi tiêu thẻ tín dụng CIF BEST OFFER_1 BEST OFFER_2 BEST OFFER_3 Auto motive motor and 1***8** Advertising services Beauty Spa bike sale and service 1****Z6 Travel line Fashion Shopping Cash Duty free tourist Household 1***A88 Real estate attraction Furniture Duty free tourist 1***177 Real estate Hospital Medical attraction Duty free tourist 1***311 Real estate Education attraction 1***338 Travel line Cash Electronic Duty free tourist 1***38 Real estate Insurance attraction 1***3H Dinning Drinking Cash Fuel 1***ZZ9 Cash Fuel Daily items Auto motive motor and 1**1*6H Advertising services Beauty Spa bike sale and service Nguồn: Tác giả 3. MỘT SỐ ĐỀ XUẤT THÔNG QUA PHÂN TÍCH DỮ LIỆU 3.1. Tập trung chăm sóc theo từng nhóm khách hàng: Đối với nhóm high value và medium value cần quan tâm chăm sóc nhiều hơn, tập khách hàng này ngân hàng cần chú trọng: - Rà soát lại 2 tập khách hàng này xem lịch sử trả nợ cũng như có nợ xấu không để thiết lập các chính sách nâng cấp hạn mức cho khách hàng. Việc khách hàng được nâng cấp thêm hạn mức chi tiêu sẽ làm gia tăng các giá chị chi tiêu trên thẻ của tập khách hàng này. - Đưa ra các chương trình ưu đãi để mỗi khách hàng có thể sở hữu một vài tấm thẻ tín dụng với những ưu đãi và đặc quyền khác nhau. Bên cạnh đó tư vấn và giới thiệu khách hàng mở thẻ phụ cho người thân. - Đây cũng là một tập khách hàng tiềm năng để có thể khai thác bán chéo các sản phẩm khác.
404 Đối với almost gone, đây là tập khách hàng vẫn đang sử dụng các giao dịch qua thẻ tín dụng nhưng gần như đã lâu rồi khách hàng chưa phát sinh giao dịch gì, ở tập khách hàng này cần: - Cần đánh thức lại khách hàng để khách hàng tiếp tục chi tiêu. - Danh sách những khách hàng này sẽ được phân bổ xuống đơn vị kinh doanh thông qua hệ thống CRM. Khi wake – up được khách hàng thì cán bộ bán hàng sẽ được cộng điểm KPIs và tăng điểm để tính lương kinh doanh. - Hình thức tiếp cận khách hàng có thể thông qua việc gửi email, gửi SMS hoặc gọi điện thoại tư vấn thêm khách hàng, vì đây là tập khách hàng hiện hữu và đã từng phát sinh giao dịch với ngân hàng nên khả năng tiếp cận sẽ dễ dàng hơn so với khách hàng mới. Đối với tập khách hàng losing, không nên mất nhiều thời gian để tập trung vào nhưng cũng không phải là bỏ qua để đánh mất một tập khách hàng đang có, đối với những khách hàng này chúng ta cần có các chương trình để khách hàng quan tâm trở lại với ngân hàng. Các lĩnh vực các khách hàng khá quan tâm như giáo dục, bệnh viện, bảo hiểm và du lịch. Đối với tập khách hàng này cần cân đối giữa chi phí bỏ ra và lợi nhuận có thể thu về để tránh lãng phí thời gian, nguồn lực và chi phí. 3.2. Dựa vào chân dung khách hàng để tìm ra những khách hàng tiềm năng và trung thành Dựa vào chân dung khách hàng ở 2.2.2 sẽ tập trung vào đặc điểm của nhóm khách hàng high value: - Độ tuổi:25 -30 - Nghề nghiệp: Nhân viên văn phòng - Đã kết hôn - Thu nhập: 10 – 20 triệu/tháng - Tốt nghiệp đại học Từ đó tham chiếu với tập khách hàng hiện hữu của VPBank nhưng chưa có thẻ tín dụng để thực hiện giới thiệu và chào bán. 3.3. Thiết lập các chương trình liên kết tại các lĩnh vực chi tiêu tiềm năng mang lại giá trị cao Danh sách các lựa chọn tối ưu sắp diễn ra và bảng phân cụm khách hàng (Bảng Nhóm khách hàng theo từng CIF và bảng Kết quả dự báo chi tiêu thẻ tín dụng) sẽ được gửi đến phòng kinh doanh và phòng marketing để xem xét xử lý và quyết định lựa chọn phương án tối ưu.
405 Đối với phòng Kinh doanh Sàng lọc các chương trình thúc đẩy bán, các chương trình ưu đãi đang sẵn có và còn hiệu lực để gọi và tư vấn chi tiêu cho khách hàng. Rất nhiều khách hàng không nắm được các chính sách ưu đãi trong từng thời kỳ, việc tư vấn đúng lúc đúng thời điểm sẽ tiết kiệm chi phí nhưng lại mang về hiệu quả cao. Ví dụ: Đối với dòng thẻ VPLady đang có chương trình cashback (hoàn tiền khi chi tiêu) dành cho các chi tiêu liên quan đến học phí (Education) và bảo hiểm (Insurance). Cán bộ bán hàng dựa vào bảng Kết quả dự báo chi tiêu thẻ tín dụng xem các lựa chọn ưu tiên dầu tiên (BEST OFFER_1) thuộc 2 lĩnh vực trên mô hình đang dự báo đến khách hàng nào, tham chiếu với khu vực địa lý khách hàng có gần với chi nhánh của mình không để gọi điện chào bán thúc đẩy chi tiêu của khách hàng về lĩnh vực đó. Đối với phòng Marketing Rà soát lại tất cả các chương trình ưu đãi đang có sắp hết hạn, thống kê với các chọn lựa theo dự báo của khách hàng, xem lĩnh vực chi tiêu nào trong thời gian tới chiếm ưu thế thì nên xem xét để mở rộng thời gian ưu đãi và tăng thêm các tính năng ưu đãi. Đối với các lĩnh vực chi tiêu đang trở thành xu thế mà chưa có các chương trình ưu đãi thì thiết lập các ưu đãi theo liên kết với các công ty cho phù hợp. 4. KẾT LUẬN Bài viết của nhóm tác giả đã trình bày nhu cầu thực tiễn của Ngân hàng thương mại cổ phần Việt Nam Thịnh vượng, từ đó đặt ra bài toán phân nhóm các khách hàng cá nhân sử dụng thẻ tín dụng để tìm các giải pháp khai thác và chăm sóc khách hàng một cách tối ưu. Qua quá trình phân tích các dữ liệu thực tế được bảo mật và ánh xạ tương đương, nhóm tác giả đã khắc họa được hành vi sử dụng thẻ tín dụng của khách hàng thành các nhóm khác nhau, khắc họa chân dung khác hàng sử dụng thẻ tín dụng dưới các góc độ khác nhau phục vụ cho công tác quản lý và kinh doanh. Các giải pháp và đề xuất ban đầu dựa trên những phân tích cơ bản có thể là tài liệu tham khảo tốt cho các nhà quản lý tại ngân hàng và những nhà nghiên cứu. Trong các nghiên cứu tiếp theo, các tác giả dự định sẽ thực hiện các phân tích sâu dựa trên các công nghệ tiên tiến của trí tuệ nhân tạo, học sâu (deep learning) và tích hợp cùng các lý thuyết đánh giá hành vi người sử dụng thẻ để có những gợi ý tốt nhất trong việc chăm sóc khách hàng và nâng cao hiệu quả kinh doanh của sản phẩm thẻ tín dụng ngân hàng.
406 TÀI LIỆU THAM KHẢO 1. Jiawei-Han, Data Mining Concepts and Techniques 2. Nguyễn Trung Tuấn (2009), Nghiên cứu áp dụng một số kỹ thuật tiên tiến để xử lý dữ liệu kinh tế xã hội, Nghiên cứu khoa học – Trường Đại học KTQD. 3. Robert I Kabacoff (2011), R in action data analysis and graphics with R 4. VPBank, Báo cáo tài chính hợp nhất 2018, 2019 5. VPBank, Báo cáo thường niên 2018, 2019 6. VPBank, Chính sách Tín dụng 2019 Website 7. http://Vpbank.com.vn 8. http://cafef.vn 9. https://www.analyticsvidhya.com/blog/2020/05/decision-tree-vs-random-forest-algorithm/ 10. https://machinelearningcoban.com 11. https://cards.vpbank.com.vn 12. http://bis.net.vn 13. https://vi.wikipedia.org