چگونه می‌توان از ریزش مشتریان بانک جلوگیری کرد؟
در ابتدای این کارگاه، حسن زادمهر با تعریف ریزش مشتری به توقف استفاده از محصول یا خدمت بانک در یک بازه زمانی خاص، گفت: «ریزش مشتری از دو نوع سخت و نرم است که در ریزش نرم طی ۲ ماه تا یک سال مشتری ریزش می‌کند. در ریزش سخت، در کمتر از دو ماه مشتری ریزش می‌کند.»
او با طرح این سؤال که چرا دانستن علل ریزش مشتری مهم است؟ بیان کرد: «پاسخ به این سؤال دو دلیل دارد یکی اینکه در نبرد بازاریابی، رقابت و جذب مشتری جدید تا ۷ برابر حفظ مشتری موجود هزینه دارد. دومین دلیل این است که ۹۰ درصد از مشتریان ریزشی بانک را ترک می‌کنند بدون آنکه علت آن را کسی در بانک بفهمد.»
مدیرعامل شرکت مهندسی صنایع یاس ارغوانی در ادامه به بیان علل ترک بانک توسط مشتری پرداخت و گفت: «مشتری بانک را ترک می‌کند؛ چون تجربه خوبی ندارد. علت رفتن مشتری از بانک می‌تواند در این باشد که محصول یا خدمت بانک کاربری راحتی ندارد، محصول یا خدمت بانک کیفیت لازم را ندارد، محصول یا خدمت بانک قیمت قابل‌رقابت یا رقبا ندارد، محصول یا خدمت بانک زندگی مشتری را راحت‌تر نمی‌کند، محصول یا خدمت بانک ارزش برای مشتری خلق نمی‌کند، مشتری در بانک احساس تبعیض دارد و یا بانک مشتری را بسیار وابسته به خودکرده است، باشد.»
او درباره اینکه چطور می‌توان مشتری را بهتر بشناسیم و از ریزش مشتری بانک جلوگیری کرد، توضیح داد: «یکی از راه‌های شناخت مشتری این است که پروفایل کاملی از مشتری داشته باشید، رفتار مشتری را ببینید، صدای مشتری را بشنوید و با مشتری تعامل داشته باشید.»
زادمهر یکی از بهترین راه‌ها برای بهبود تجربه مشتری را استفاده از تحلیل داده دانست و کفت: «علاوه بر این، نیاز مشتری را شناسایی و محصول و خدمتی که نیاز دارد ارائه کنید. نحوه استفاده از محصول و خدمت را راحت کنید. استراتژی قیمت‌گذاری بر اساس ارزشی که به مشتریان خود ارائه می‌دهید، ایجاد کنید. با مشتریانی که ریزش دارند، صحبت کنید. مشتری وفادار به بانک ایجاد کنید. خدمات مبتنی بر موبایل ایجاد کنید. خدمات شخصی‌سازی ایجاد کنید. تعامل فعال برای بهبود مدیریت مالی و حفظ ارزش پول ملی مشتری داشته باشید.»
در ادامه، فردین صبوری، مدیر واحد تحلیل و مهندسی داده این شرکت به این موضوع پرداخت که چرا یادگیری ماشین برای سازمان‌ها و بانک‌ها مهم است. طبق گفته او، ماشین راهی برای پیش‌بینی روندها را فراهم می‌کند و برای تشخیص قواعد نیاز به سیستمی است که بر اساس دیتا و رفتار مشتریان بروز رسانی شود.
او بخشی از ویژگی‌های استخراج شده برای جلوگیری از ریزش مشتریان از طریق شبکه‌های عصبی بازگشتی در تعداد و مبلغ چک‌های وصولی و برگشتی، مبلغ اصل وام، کانال موردعلاقه مشتری، تعداد کل اقساط، استان محل انجام تراکنش و … اعلام کرد و در ادامه به نحوه ساخت برچسب برای داده‌ها، نحوه پاک‌سازی و پیش‌پردازش داده‌ها، پرداخت.
صبوری چالش‌های موجود برای جلوگیری از ریزش مشتریان از طریق شبکه‌های عصبی بازگشتی را نامتوازن بودن دیتا، رفتارهای آنی مشتریان، عدم شناخت نگرش و استراتژی رقبا و مشکلات غیرقابل‌پیش‌بینی اعلام کرد.