Data Analytics Applications in Banking Customer Service and Financial Operations Management

현대 금융 세계에서 모든 행동은 디지털 발자국을 남깁니다. 고객이 수표를 입금하거나, 돈을 송금하거나, 잔액을 묻기 위해 전화를 걸 때, 은행은 그 사건을 기록합니다. 수십 년 동안 이러한 기록들은 별개의 더미로 쌓여 있었습니다. 하나는 돈이 들어오고 나가는 흐ay에 대한 스택이고, 다른 하나는 고객의 불만과 질문에 대한 것이며, 세 번째는 문제를 해결하는 데 얼마나 시간이 걸렸는지에 대한 것입니다. 은행들은 이러한 수치들을 살펴보는 것이 운영을 개선하는 데 도움이 된다는 것을 오래전부터 알고 있었지만, 고객이 소비하는 것과 그들이 어떻게 대우받는지를 연결하는 것은 지속적인 과제였습니다. 금융 기관이 직면한 질문은 단순히 데이터가 있느냐가 아니라, 어떻게 이 서로 다른 실타래들을 하나의 명확한 그림으로 엮어 관리자가 실시간으로 더 나은 결정을 내릴 수 있도록 하느냐 하는 것입니다.

라마 대학교(Lamar University)의 연구원 사디아 아프로제(Sadia Afroje)는 은행 운영을 바라보는 새로운 방식을 설계함으로써 이 과제에 도전했습니다. 목표는 단순히 정보를 저장하는 것이 아니라, 거래 내역과 고객 서비스 로그를 능동적으로 연결하는 시스템을 구축하는 것이었습니다. 현실 세계에서 은행들은 종-종 거래량의 급증이 고객 전화의 증가와 어떻게 관련되는지, 또는 특정 유형의 불만을 해결하는 데 얼마나 시간이 걸리는지를 파로 파악하는 데 어려움을 겪습니다. 본 연구는 이러한 별개의 정보 스트림을 하나로 모으는 프레임워크를 제안합니다. 금융 거래 데이터와 서비스 요청 기록을 결합함으로써, 이 시스템은 은행이 어떻게 성과를 내고 있는지에 대한 통합된 뷰를 생성합니다. 실제 은행 기록은 개인정보 보호 및 보안 대상이기 때문에, 연구자는 실제 고객 데이터를 사용하지 않았다는 점에 유의해야 합니다. 대신, 그녀는 자신의 새로운 시스템이 작동하는지 테스트하기 위해 일반적인 은행의 행동을 모방한 현실적이고 가공된 데이터셋을 생성했습니다.

이 프레임워크는 3단계 과정처럼 작동합니다. 첫째, 거래가 발생한 시간, 관련된 금액, 고객이 도움을 요청한 순간과 같은 원시 숫자들을 수집합니다. 둘째, 이 정보를 정제하고 정리하여 동일한 인물의 거래와 서비스 호출을 서로 연결할 수 있도록 보장합니다. 마지막으로, 이 정리된 사실들을 관리자가 한눈에 읽을 수 있는 시각적 대시보드로 변환합니다. 이 대시보드는 컨트롤 패널 역할을 하며, 고객에게 응답하는 데 걸리는 시간, 요청이 제때 해결되는 비율, 평균 거래 규모와 같은 핵심 지표를 표시합니다. 시스템은 이러한 지표들을 단순히 계산하고 평균을 냄으로써, 스프레드시트 속에서는 숨겨져 있을 수 있는 패턴을 찾아냅니다.

연구원이 합성 데이터를 사용하여 이 시스템을 실행했을 때, 결과는 이 접근 방식이 시간이 지남에 따라 성과를 성공적으로 추적할 수 있음을 보여주었습니다. 시뮬레이션된 대시보드는 6개월 동안 고객 요청에 응답하는 평균 시간이 13.0분에서 16.8분 사이를 오갔음을 보여주었습니다. 또한, 테스트 기간 내내 은행이 80% 이상의 서비스 요청을 효율적으로 해결하고 있음을 보여주었습니다. 시스템은 1월의 520달러에서 6월의 605달러로 상승한 평균 거래 가치를 추적하는 동시에, 월별로 변동하는 서비스 요청량을 모니터링했습니다. 이러한 결과는 거래 데이터와 서비스 데이터를 함께 볼 때, 예를 들어 소비가 많은 달이 고객 지원도 바쁜 달인지와 같은 트렌드를 관리자가 더 쉽게 포착할 수 있음을 시사합니다.

본 연구는 이러한 통합된 뷰가 데이터를 개별적으로 보는 것보다 상당한 이점을 제공한다는 점을 강조합니다. 돈이 얼마나 움직이는지와 고객이 은행과 어떻게 상호작용하는지 사이의 관계를 파악함으로써, 금융 기관은 운영 상태를 더 잘 이해할 수 있습니다. 예를 들어, 이 시스템은 특정 유형의 문의가 해결하는 데 더 오래 걸린다는 점이나, 응답 시간이 길어질 때 고객 만족도가 떨어지는 경향이 있다는 점을 식별할 수 있습니다. 이 연구는 이러한 구조화된 접근 방식이 은행들로 하여금 자신의 성과에 대해 추측하는 단계에서 벗어나, 자신들이 정확히 어떤 상태에 있는지 알 수 있게 해준다는 것을 입증합니다. 결과가 실제 은행이 아닌 시뮬레이션 환경에서 나왔음에도 불구하고, 본 연구는 이 방법론이 타당하며 실제 데이터로 테스트할 준비가 되어 있다고 주장합니다.

저자는 이 작업의 한계를 인정합니다. 현재 모델은 깨끗하고 구조화된 숫자에 의존하며, 고객이 자유 형식의 의견에 남길 수 있는 무질서하고 비구조적인 피드백은 아직 고려하지 않습니다. 또한 이는 고객의 깊은 감정이나 인식보다는 시간과 돈 같은 양적 척도에 초점을 맞추고 있습니다. 그러나 이 연구는 금융 기관이 서비스를 개선하기 위해 데이터를 어떻게 조직할 수 있는지에 대한 명확한 청사진을 제공합니다. 고객이 돈을 어떻게 사용하는지와 문제가 생겼을 때 어떻게 도움을 받는지 사이의 점들을 연결하는 시스템을 구축함으로써, 은행은 더 스마트하고 빠르게 결정할 수 있다는 것을 시사합니다. 앞으로의 과제는 이 프레임워크를 실제 은행 데이터로 테스트하고 더 복잡한 유형의 정보를 포함하도록 확장하는 것이지만, 이 두 세계를 연결하는 것이 성과에 대한 더 명확한 그림을 만든다는 핵심 아이디어는 더 나은 뱅킹을 향한 실질적인 단계로서 의미가 있습니다.