Modelling bank customer behaviour using feature engineering and classification techniques
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216275%3A25410%2F23%3A39920844" target="_blank" >RIV/00216275:25410/23:39920844 - isvavai.cz</a>
Výsledek na webu
<a href="https://www.sciencedirect.com/science/article/pii/S0275531923000399" target="_blank" >https://www.sciencedirect.com/science/article/pii/S0275531923000399</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1016/j.ribaf.2023.101913" target="_blank" >10.1016/j.ribaf.2023.101913</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Modelling bank customer behaviour using feature engineering and classification techniques
Popis výsledku v původním jazyce
This study investigates customer behaviour and activity in the banking sector and uses various feature transformation techniques to convert the behavioural data into different data structures. Feature selection is then performed to generate feature subsets from the transformed datasets. Several classification methods used in the literature are applied to the original and transformed feature subsets. The proposed combined knowledge mining model enable us to conduct a benchmark study on the prediction of bank customer behaviour. A real bank customer dataset, drawn from 24,000 active and inactive customers, is used for an experimental analysis, which sheds new light on the role of feature engineering in bank customer classification. This paper's detailed systematic analysis of the modelling of bank customer behaviour can help banking institutions take the right steps to increase their customers' activity.
Název v anglickém jazyce
Modelling bank customer behaviour using feature engineering and classification techniques
Popis výsledku anglicky
This study investigates customer behaviour and activity in the banking sector and uses various feature transformation techniques to convert the behavioural data into different data structures. Feature selection is then performed to generate feature subsets from the transformed datasets. Several classification methods used in the literature are applied to the original and transformed feature subsets. The proposed combined knowledge mining model enable us to conduct a benchmark study on the prediction of bank customer behaviour. A real bank customer dataset, drawn from 24,000 active and inactive customers, is used for an experimental analysis, which sheds new light on the role of feature engineering in bank customer classification. This paper's detailed systematic analysis of the modelling of bank customer behaviour can help banking institutions take the right steps to increase their customers' activity.
Klasifikace
Druh
J<sub>imp</sub> - Článek v periodiku v databázi Web of Science
CEP obor
—
OECD FORD obor
50206 - Finance
Návaznosti výsledku
Projekt
<a href="/cs/project/GA19-15498S" target="_blank" >GA19-15498S: Modelování emocí ve verbální a neverbální manažerské komunikaci pro predikci podnikových finančních rizik</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2023
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název periodika
Research in International Business and Finance
ISSN
0275-5319
e-ISSN
1878-3384
Svazek periodika
65
Číslo periodika v rámci svazku
April
Stát vydavatele periodika
NL - Nizozemsko
Počet stran výsledku
16
Strana od-do
101913
Kód UT WoS článku
000951433200001
EID výsledku v databázi Scopus
2-s2.0-85149284943