Data Analytics Applications in Banking Customer Service and Financial Operations Management
Dit onderzoek stelt een data-analytisch framework voor dat transactieanalyse, servicemonitoring en prestatiereportage integreert om de klantenservice en operationele besluitvorming in de banksector te verbeteren, waarbij de effectiviteit ervan wordt aangetoond door middel van een synthetische dataset vanwege de onbeschikbaarheid van propriëtaire gegevens.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de moderne bankwereld laat elke handeling een digitale voetafdruk achter. Wanneer een klant een cheque stort, geld overboekt of belt om naar een saldo te vragen, legt de bank de gebeurtenis vast. Decennialang lagen deze gegevens in aparte stapels: één stapel voor geld dat in- en uitgaat, een andere voor klantklachten en vragen, en een derde voor hoe lang het duurde om problemen op te lossen. Hoewel banken al lang weten dat het bekijken van deze cijfers helpt om beter te functioneren, is een hardnekkige uitdaging het leggen van de verbanden tussen wat klanten uitgeven en hoe zij worden behandeld. De vraag die financiële instellingen oproept, is niet alleen of ze over data beschikken, maar hoe ze deze verschillende draden tot één helder beeld kunnen weven dat managers helpt om in realtime betere beslissingen te nemen.
Een onderzoeker aan de Lamar University, Sadia Afroje, pakte deze uitdaging aan door een nieuwe manier te ontwerpen om naar bankactiviteiten te kijken. Het doel was om een systeem te bouwen dat niet alleen informatie opslaat, maar ook actief de transactiegeschiedenis verbindt met de logboeken van de klantenservice. In de echte wereld worstelen banken er vaak mee om te zien hoe een piek in het transactievolume gerelateerd kan zijn aan een stijging in het aantal klanttelefoontjes, of hoe lang het duurt om een specifiek type klacht op te lossen. Deze studie stelt een raamwerk voor dat deze afzonderlijke informatiestromen samenbrengt. Door gegevens over financiële transacties te combineren met verslagen van serviceverzoeken, creëert het systeem een verenigd beeld van hoe een bank presteert. Het is belangrijk op te merken dat, omdat werkelijke bankgegevens privé en beschermd zijn, de onderzoeker geen echte klantgegevens heeft gebruikt. In plaats daarvan heeft zij een realistische, fictieve dataset gecreëerd die het gedrag van een typische bank over zes maanden nabootst, om te testen of haar nieuwe systeem zou werken.
Het raamwerk werkt als een driestappenproces. Eerst verzamelt het de ruwe getallen, zoals de tijd waarop een transactie plaatsvond, het bedrag dat betrokken was en het moment waarop een klant hulp zocht. Ten tweede reinigt en organiseert het deze informatie, waarbij wordt gewaarborgd dat een transactie en een servicegesprek van dezelfde persoon aan elkaar gekoppeld kunnen worden. Ten slotte zet het deze georganiseerde feiten om in een visueel dashboard dat managers in één oogopslag kunnen lezen. Dit dashboard fungeert als een bedieningspaneel en toont belangrijke indicatoren, zoals hoe lang het duurt om een klant te beantwoorden, hoeveel verzoeken op tijd worden opgelost en de gemiddelde omvang van transacties. Het systeem berekent deze statistieken door simpelweg de gegevens te tellen en te middelen, waarbij het zoekt naar patronen die anders verborgen zouden blijven in spreadsheets.
Toen de onderzoeker dit systeem op de synthetische data draaide, toonden de resultaten aan dat de aanpak succesvol de prestaties over de tijd kon volgen. Het gesimuleerde dashboard onthulde dat de gemiddelde tijd om op een klantverzoek te reageren gedurende de zesmaandelijkse periode fluctueerde tussen de 13,0 en 16,8 minuten. Het toonde ook aan dat de bank meer dan 80 procent van de serviceverzoeken efficiënt afhandelde gedurende de testperiode. Het systeem volgde de gemiddelde waarde van transacties, die steeg van 5-20 dollar in januari naar 605 dollar in juni, terwijl het tegelijkertijd het volume van de serviceverzoeken monitorde, dat van maand tot maand varieerde. Deze bevindingen suggeren dat wanneer transactiegegevens en servicegegevens samen worden bekeken, managers trends gemakkelijker kunnen signaleren, zoals of een drukke maand voor uitgaven ook een drukke maand is voor de klantenservice.
De studie benadrukt dat dit geïntegreerde beeld een aanzienlijk voordeel biedt ten opzichte van het bekijken van gegevensbronnen in isolatie. Door de relatie te zien tussen hoeveel geld er beweegt en hoe klanten met de bank interageren, kunnen instellingen hun operationele gezondheid beter begrijpen. Zo kan het systeem identificeren dat bepaalde soorten vragen langer duren om op te lossen dan andere, of dat de tevredenheidsscores van klanten dalen wanneer de reactietijden te lang worden. Het onderzoek demonstreert dat een dergelijke gestructureerde aanpak banken in staat stelt om van gissen over hun prestaties over te gaan naar precies weten waar ze staan. Hoewel de resultaten uit een gesimuleerde omgeving komen en niet uit een live bank, stelt de studie dat de methode solide is en klaar is om met echte wereldgegevens te worden getest.
De auteur erkent dat dit werk beperkingen heeft. Het huidige model vertrouwt op schone, gestructureerde cijfers en houdt nog geen rekening met de rommelige, ongestructureerde feedback die klanten kunnen achterlaten in open eindstaande opmerkingen. Het richt zich ook op kwantitatieve maten, zoals tijd en geld, in plaats van op de diepere gevoelens of percepties van de klanten zelf. De studie biedt echter een duidelijk blauwdruk voor hoe financiële instellingen hun gegevens kunnen organiseren om de service te verbeteren. Het suggereert dat door een systeem te bouwen dat de verbanden legt tussen wat klanten doen met hun geld en hoe zij worden geholpen wanneer er iets misgaat, banken slimmere en snellere beslissingen kunnen nemen. De weg vooruit houdt in dat dit raamwerk getest wordt met werkelijke bankgegevens en wordt uitgebreid om meer complexe soorten informatie op te nemen, maar de kern van het idee — dat het verbinden van deze twee werelden een duidelijker beeld van prestaties creëert — vormt een praktische stap naar beter bankieren.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.