Data Analytics Applications in Banking Customer Service and Financial Operations Management
यह शोध एक डेटा एनालिटिक्स फ्रेमवर्क प्रस्तावित करता है जो बैंकिंग में ग्राहक सेवा और परिचालन संबंधी निर्णय लेने की क्षमता को बढ़ाने के लिए लेनदेन विश्लेषण, सेवा निगरानी और प्रदर्शन रिपोर्टिंग को एकीकृत करता है, और मालिकाना डेटा की अनुपलब्धता के कारण एक सिंथेटिक डेटासेट के माध्यम से इसकी प्रभावशीलता को प्रदर्शित करता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
आधुनिक बैंकिंग की दुनिया में, हर क्रिया एक डिजिटल पदचिह्न छोड़ती है। जब कोई ग्राहक चेक जमा करता है, पैसे ट्रांसफर करता है, या बैलेंस के बारे में पूछने के लिए कॉल करता है, तो बैंक उस घटना को रिकॉर्ड करता है। दशकों तक, ये रिकॉर्ड अलग-अलग ढेरों में पड़े रहे: एक ढेर पैसे के आने और जाने के लिए, दूसरा ग्राहकों की शिकायतों और सवालों के लिए, और तीसरा इस बात के लिए कि समस्याओं को हल करने में कितना समय लगा। हालांकि बैंक लंबे समय से यह जानते रहे हैं कि इन नंबरों को देखना उन्हें बेहतर ढंग से काम करने में मदद करता है, लेकिन एक निरंतर चुनौती यह रही है कि ग्राहकों के खर्च करने के तरीके और उनके साथ किए जाने वाले व्यवहार के बीच के संबंध को कैसे जोड़ा जाए। वित्तीय संस्थानों के सामने सवाल केवल यह नहीं है कि क्या उनके पास डेटा है, बल्कि यह है कि वे इन विभिन्न धागों को एक एकल, स्पष्ट चित्र में कैसे बुनें जो प्रबंधकों को वास्तविक समय में बेहतर निर्णय लेने में मदद करे।
लमार यूनिवर्सिटी की एक शोधकर्ता, सादिया अफ़रोजे ने बैंकिंग संचालन को देखने का एक नया तरीका तैयार करके इस चुनौती का समाधान किया। लक्ष्य एक ऐसा सिस्टम बनाना था जो केवल जानकारी को संग्रहीत न करे, बल्कि लेनदेन के इतिहास को ग्राहक सेवा लॉग के साथ सक्रिय रूप से जोड़े। वास्तविक दुनिया में, बैंक अक्सर यह देखने में संघर्ष करते हैं कि लेनदेन की मात्रा में उछाल का संबंध ग्राहकों की कॉल में वृद्धि से कैसे हो सकता है, या किसी विशिष्ट प्रकार की शिकायत को हल करने में कितना समय लगता है। यह अध्ययन एक ऐसा ढांचा प्रस्तावित करता है जो सूचना के इन अलग-अलग प्रवाहों को एक साथ लाता है। वित्तीय लेनदेन के डेटा को सेवा अनुरोधों के रिकॉर्ड के साथ जोड़कर, यह प्रणाली एक एकीकृत दृश्य बनाती है कि एक बैंक कैसा प्रदर्शन कर रहा है। यह ध्यान देना महत्वपूर्ण है कि चूंकि वास्तविक बैंक रिकॉर्ड निजी और संरक्षित होते हैं, इसलिए शोधकर्ता ने वास्तविक ग्राहक डेटा का उपयोग नहीं किया। इसके बजाय, उन्होंने एक वास्तविक, बनावटी डेटासेट बनाया जो एक विशिष्ट बैंक के छह महीने के व्यवहार की नकल करता है ताकि यह परीक्षण किया जा सके कि क्या उनका नया सिस्टम काम करेगा।
यह ढांचा एक तीन-चरणीय प्रक्रिया की तरह काम करता है। सबसे पहले, यह कच्चे नंबरों को एकत्र करता है, जैसे कि लेनदेन कब हुआ, इसमें कितनी राशि शामिल थी, और ग्राहक ने मदद के लिए कब कॉल किया। दूसरा, यह इस जानकारी को साफ और व्यवस्थित करता है, यह सुनिश्चित करते हुए कि एक ही व्यक्ति के लेनदेन और सेवा कॉल को एक साथ जोड़ा जा सके। अंत में, यह इन व्यवस्थित तथ्यों को एक विजुअल डैशबोर्ड में बदल देता है जिसे प्रबंधक एक नज़र में पढ़ सकते हैं। यह डैशबोर्ड एक कंट्रोल पैनल की तरह कार्य करता है, जो प्रमुख संकेतकों को प्रदर्शित करता है जैसे कि ग्राहक को जवाब देने में कितना समय लगता है, कितने अनुरोध समय पर हल किए गए, और लेनदेन का औसत आकार क्या है। यह सिस्टम इन मेट्रिक्स की गणना केवल डेटा को गिनकर और औसत निकालकर करता है, जिससे उन पैटर्न को खोजा जा सके जो स्प्रेडशीट में छिपे रह सकते हैं।
जब शोधकर्ता ने इस सिस्टम को सिंथेटिक डेटा पर चलाया, तो परिणामों ने दिखाया कि यह दृष्टिकोण समय के साथ प्रदर्शन को सफलतापूर्वक ट्रैक कर सकता है। सिम्युलेटेड डैशबोर्ड ने दिखाया कि ग्राहक के अनुरोध पर प्रतिक्रिया देने का औसत समय छह महीने की अवधि में 13.0 से 16.8 मिनट के बीच उतार-चढ़ाव करता रहा। इसने यह भी दिखाया कि बैंक पूरे परीक्षण के दौरान 80 प्रतिशत से अधिक सेवा अनुरोधों को कुशलतापूर्वक हल कर रहा था। सिस्टम ने लेनदेन के औसत मूल्य को ट्रैक किया, जो जनवरी में 520 डॉलर से बढ़कर जून में 605 डॉलर हो गया, और साथ ही सेवा अनुरोधों की मात्रा की निगरानी की, जो महीने-दर-महीने बदलती रही। ये निष्कर्ष बताते हैं कि जब लेनदेन डेटा और सेवा डेटा को एक साथ देखा जाता है, तो प्रबंधक रुझानों को अधिक आसानी से पहचान सकते हैं, जैसे कि क्या खर्च का एक व्यस्त महीना ग्राहक सहायता का भी व्यस्त महीना है।
अध्ययन इस बात पर प्रकाश डालता है कि यह एकीकृत दृष्टिकोण डेटा स्रोतों को अलग-अलग देखने की तुलना में एक महत्वपूर्ण लाभ प्रदान करता है। यह देखकर कि कितना पैसा घूम रहा है और ग्राहक बैंक के साथ कैसे बातचीत करते हैं, संस्थान अपने परिचालन स्वास्थ्य को बेहतर ढंग से समझ सकते हैं। उदाहरण के लिए, सिस्टम यह पहचान सकता है कि कुछ प्रकार की पूछताछ को हल करने में दूसरों की तुलना में अधिक समय लगता है, या ग्राहक संतुष्टि स्कोर तब गिर जाता है जब प्रतिक्रिया समय बहुत लंबा हो जाता है। शोध यह प्रदर्शित करता है कि ऐसा संरचित दृष्टिकोण बैंकों को अपने प्रदर्शन के बारे में अनुमान लगाने के बजाय यह जानने की अनुमति देता है कि वे वास्तव में कहाँ खड़े हैं। हालांकि परिणाम एक सिम्युलेटेड वातावरण से आए हैं न कि लाइव बैंक से, अध्ययन का तर्क है कि यह पद्धति ठोस है और वास्तविक दुनिया के डेटा के साथ परीक्षण के लिए तैयार है।
लेखक स्वीकार करते हैं कि इस कार्य की सीमाएं हैं। वर्तमान मॉडल साफ, संरचित नंबरों पर निर्भर करता है और अभी तक उस अव्यवस्थित, असंरचित फीडबैक को ध्यान में नहीं रखता है जो ग्राहक खुले-अंत वाले कमेंट्स में छोड़ सकते हैं। यह मात्रात्मक मापों, जैसे कि समय और पैसा, पर ध्यान केंद्रित करता है, न कि ग्राहकों की गहरी भावनाओं या धारणाओं पर। हालांकि, अध्ययन एक स्पष्ट ब्लूप्रिंट प्रदान करता है कि वित्तीय संस्थान सेवा में सुधार के लिए अपने डेटा को कैसे व्यवस्थित कर सकते हैं। यह सुझाव देता है कि एक ऐसा सिस्टम बनाकर जो ग्राहकों द्वारा अपने पैसे के साथ किए जाने वाले कार्यों और चीजें गलत होने पर उनकी मदद कैसे की जाती है, के बीच के बिंदुओं को जोड़ता है, बैंक स्मार्ट और तेज़ निर्णय ले सकते हैं। आगे का रास्ता इस ढांचे को वास्तविक बैंक डेटा के साथ परीक्षण करने और इसे अधिक जटिल प्रकार की जानकारी को शामिल करने के लिए विस्तारित करने का है, लेकिन मूल विचार—कि इन दो दुनियाओं को जोड़ने से प्रदर्शन का एक स्पष्ट चित्र बनता है—बेहतर बैंकिंग की ओर एक व्यावहारिक कदम के रूप में खड़ा है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।