Machine Learning Applications To Increase Customer Satisfaction In Finance Sector

Abstract

In this project, consumers’ complaints about financial data are analyzed. After the analysis, we aim to provide a tool for financial companies such as banks, Lenders that will help them in managing communication with the consumers. Our main aim is to answer the question “How do consumers feel?” This analysis will give a complete picture of consumers’ feedback. We start the project by clustering the customers into different groups. In order to classify customers, we use classification algorithms XGBOOST and Random Forest. XGBOOST is used to predict the probability of getting a complaint. XGBOOST is also tested as an ensemble learning technique. By Using Random Forest the comparison of Bagging and Boosting is performed. This kind of model is very useful for a customer service department that wants to classify the complaints they receive from their customers. These kinds of models can also be expanded into a system that can recommend automatic solutions to future complaints as they come. The topic is motivated by the researcher’s experience in finance where she intends to increase credit sell numbers by anticipating customer feelings. The data set that we use has many measures and dimensions that facilitate to use more than 3 machine learning algorithms. The complaints database is published by the Consumer Financial Protection Bureau (https://www.consumerfinance.gov/). It provides consumers’ feedback in a string format. We also aim to analyze consumers’ complaints dataset from the perceptive of a consumer dispute.

Bu projede, tüketicilerin finansal verilerle ilgili şikayetleri analiz edilmiştir. Uygulanan makina öğrenmesi algoritmaları sonucunda, şirketler şikayet takibini daha iyi yapacaklardır. Otomatik ve etkili çözümler sunan bir sistem bu algoritmaların çıktıları ile oluşturulabilir. Şikayet edecek müşteriler yada şikayet konuları önceden tahmin edilerek aksiyonlar alınabilir. Şikayet analizleri için temelde şu makina öğrenmesi algoritmaları kullanılacaktır: XGBOOST, Rassal Orman ve Lojistik Regresyon. Bir şirketin şikayet alma yüzdesini ya da bir müşterinin tekrar şikayette bulunma yüzdesini tahmin etmek için XGBOOST kullanılacaktır. Bu veri seti için, literatür taramalarında SVM, Regresyon, Naive Bayes gibi tekniklerin kullanıldığı görülmektedir. XGBOOST ile ansambl bir algoritma kullanılmış olacaktır. Rassal Orman kullanılarak ise Bagging ve Boosting teknikleri karşılaştırılıyor olacaktır. Bu tür bir model, müşterilerinden aldıkları şikayetleri sınıflandırmak istedikleri bir müşteri hizmetleri departmanı için çok faydalı olacaktır. Şikayet veritabanı Tüketici Finansal Koruma Bürosu tarafından sağlanmakta olup, bu veri seti tüketicilerin ipotek hizmetleri, ön ödemeli kart hizmetleri, öğrenci kredisi vb. bu linkten elde edilebilir: (https://www.consumerfinance.gov/) Projenin amacı, müşterilerin şikayet analizleri ile finansal kurumların şikayetlere hızlı, sistemli ve doğru aksiyon almalarına yardımcı olmaktır.