Data Analytics Applications in Banking Customer Service and Financial Operations Management
Diese Forschung schlägt ein Datenanalyse-Framework vor, das Transaktionsanalyse, Service-Monitoring und Leistungsberichterstattung integriert, um den Kundenservice und die betriebliche Entscheidungsfindung im Bankwesen zu verbessern, wobei die Wirksamkeit aufgrund der Nichtverfügbarkeit proprietärer Daten durch einen synthetischen Datensatz demonstriert wird.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
In der modernen Bankenwelt hinterlässt jede Handlung einen digitalen Fußabdruck. Wenn ein Kunde einen Scheck einzahlt, Geld überweist oder anruft, um nach einem Kontostand zu fragen, zeichnet die Bank dieses Ereignis auf. Jahrzehntelang lagen diese Aufzeichnungen in getrennten Stapeln: ein Stapel für Geldbewegungen ein und aus, ein anderer für Kundenbeschwerden und Fragen und ein dritter dafür, wie lange es dauerte, Probleme zu lösen. Obwohl Banken schon lange wissen, dass die Betrachtung dieser Zahlen ihnen hilft, besser zu arbeiten, bestand eine beständige Herausforderung darin, die Verbindung zwischen dem, was Kunden ausgeben, und der Art und Weise, wie sie behandelt werden, herzustellen. Die Frage, vor der Finanzinstitute stehen, ist nicht nur, ob sie Daten haben, sondern wie sie diese verschiedenen Fäden zu einem einzigen, klaren Bild verweben können, das Managern hilft, bessere Entscheidungen in Echtzeit zu treffen.
Eine Forscherin an der Lamar University, Sadia Afroje, ging dieser Herausforderung nach, indem sie eine neue Art und Weise entwarf, den Bankbetrieb zu betrachten. Das Ziel war es, ein System zu bauen, das Informationen nicht nur speichert, sondern die Transaktionshistorie aktiv mit den Kundenservice-Protokollen verknüpft. In der realen Welt kämpfen Banken oft damit zu sehen, wie ein Anstieg des Transaktionsvolumens mit einer Zunahme der Kundenanrufe zusammenhängen könnte oder wie lange es dauert, eine bestimmte Art von Beschwerde zu lösen. Diese Studie schlägt ein Framework vor, das diese getrennten Informationsströme zusammenführt. Durch die Kombination von Daten über Finanztransaktionen mit Aufzeichnungen von Serviceanfragen schafft das System eine einheitliche Sichtweise darauf, wie eine Bank performt. Es ist wichtig zu beachten, dass die Forscherin, da echte Bankdaten privat und geschützt sind, keine echten Kundendaten verwendet hat. Stattdessen erstellte sie einen realistischen, künstlichen Datensatz, der das Verhalten einer typischen Bank über sechs Monate hinweg nachahmt, um zu testen, ob ihr neues System funktionieren würde.
Das Framework arbeitet wie ein dreistufiger Prozess. Zuerst sammelt es die Rohzahlen, wie etwa den Zeitpunkt einer Transaktion, den beteiligten Geldbetrag und den Moment, in dem ein Kunde um Hilfe rief. Zweitens bereinigt und organisiert es diese Informationen und stellt sicher, dass eine Transaktion und ein Serviceanruf derselben Person miteinander verknüpft werden können. Schließlich wandelt es diese organisierten Fakten in ein visuelles Dashboard um, das Manager auf einen Blick lesen können. Dieses Dashboard fungt als Kontrollpanel, das Kennzahlen anzeigt, wie etwa wie lange es dauert, eine Kundenanfrage zu beantworten, wie viele Anfragen fristgerecht gelöst werden und die durchschnittliche Größe der Transaktionen. Das System berechnet diese Metriken, indem es die Daten einfach zählt und mittelt, und sucht nach Mustern, die in Tabellenkalkulationen sonst verborgen bleiben könnten.
Als die Forscherin dieses System mit den synthetischen Daten ausführte, zeigten die Ergebnisse, dass der Ansatz erfolgreich in der Lage war, die Leistung im Zeitverlauf zu verfolgen. Das simulierte Dashboard enthüllte, dass die durchschnittliche Antwortzeit auf eine Kundenanfrage über den Zeitraum von sechs Monaten zwischen 13,0 und 16,8 Minuten schwankte. Es zeigte auch, dass die Bank während des gesamten Tests mehr als 80 Prozent der Serviceanfragen effizient löste. Das System verfolgte den Durchschnittswert der Transaktionen, der von 520 Dollar im Januar auf 605 Dollar im Juni anstieg, während es gleichzeitig das Volumen der Serviceanfragen überwachte, welches von Monat zu Monat variierte. Diese Erkenntnisse legen nahe, dass Manager, wenn Transaktionsdaten und Servicedaten gemeinsam betrachtet werden, Trends leichter erkennen können, wie etwa ob ein geschäftiger Monat beim Ausgeben auch ein geschäftiger Monat für den Kundensupport ist.
Die Studie hebt hervor, dass diese integrierte Sichtweise einen signifikanten Vorteil gegenüber der isolierten Betrachtung von Datenquellen bietet. Indem sie die Beziehung zwischen der Menge des sich bewegenden Geldes und der Interaktion der Kunden mit der Bank sehen, können Institute ihre operative Gesundheit besser verstehen. Beispielsweise könnte das System identifizieren, dass bestimmte Arten von Anfragen länger zur Klärung benötigen als andere, oder dass die Kundenzufriedenheitswerte sinken, wenn die Antwortzeiten zu lang werden. Die Forschung zeigt, dass ein solcher strukturierter Ansatz es Banken ermöglicht, von der Vermutung über ihre Leistung zum genauen Wissen darüber zu gelangen, wo sie stehen. Obwohl die Ergebnisse aus einer simulierten Umgebung und nicht aus einer Live-Bank stammen, argumentiert die Studie, dass die Methode fundiert ist und bereit ist, mit realen Daten getestet zu werden.
Die Autorin räumt ein, dass diese Arbeit Grenzen hat. Das aktuelle Modell stützt sich auf saubere, strukturierte Zahlen und berücksichtigt noch nicht das ungeordnete, unstrukturierte Feedback, das Kunden in offenen Kommentaren hinterlassen könnten. Es konzentriert sich zudem auf quantitative Maße, wie Zeit und Geld, statt auf die tieferen Gefühle oder Wahrnehmungen der Kunden selbst. Dennoch liefert die Studie einen klaren Bauplan dafür, wie Finanzinstitute ihre Daten organisieren können, um den Service zu verbessern. Sie legt nahe, dass Banken durch den Aufbau eines Systems, das die Verbindung zwischen dem, was Kunden mit ihrem Geld tun, und der Art und Weise, wie sie bei Problemen geholfen wird, intelligenter und schneller entscheiden können. Der Weg nach vorn besteht darin, dieses Framework mit tatsächlichen Bankdaten zu testen und es auf komplexere Arten von Informationen auszuweiten, aber der Kern der Idee – dass die Verknüpfung dieser beiden Welten ein klareres Bild der Leistung schafft – ist ein praktischer Schritt in Richtung besseren Bankwesens.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.