Behavioural segmentation of mobile bank users

Abstract

Digitalisation has changed the banking industry dramatically. Physical bank branches are not needed as much as previously since customers can perform financial transactions and purchase banking products entirely digitally. Currently, mobile banks have become the most used digital banking channels. Because most of the interaction between the customer and the bank happens digitally, the personalised service experience should be reinvented. Thus, one of the main issues is to recognise the diversity of the customers as users and develop the services accordingly.

The focus of this thesis is to understand the behavioural profiles of mobile bank users. The research was conducted for a Finnish bank to increase the knowledge of the customers. K-means clustering, hybrid clustering, and fuzzy C-means clustering methods were compared with different combinations of feature subsets. The subsets of data were determined based on feature selection techniques such as correlation, mutual information, and Laplacian Score.

The clustering outcomes were compared with internal validation measures and evaluating the cluster structure. Based on the validation, mutual information based feature selection and K-means clustering provided the best grouping for the users. The findings conclude that differences between the mobile bank users exist. The analysis identified three different behavioural profiles that describe the activity of the users. Profiles were also distinct by customers’ demographical traits. The profiles can be utilised to develop the mobile banking app and provide personalised services for different types of customers.

Digitalisaatio on muokannut pankkien toimialaa huomattavasti. Fyysisille pankkien konttoreille ei ole samaan tapaan tarvetta kuin ennen, koska asiakkaat pystyvät helposti hoitamaan pankkiasiointinsa digitaalisesti. Erityisesti mobiilipankista on muotoutunut pankkien eniten käytetty digitaalinen kanava. Koska suurin osa kohtaamisista asiakkaan ja pankin välillä tapahtuu digitaalisesti, on yksilöllinen palvelukokemus tuotettava uudella tavalla. Tätä varten asiakkaiden eroavaisuudet palvelun käyttäjinä tulee tunnistaa ja hyödyntää palvelun kehityksessä.

Tämän tutkimuksen tavoitteena on tunnistaa erilaisia käyttäytymisprofiileja mobiilipankin käyttäjäkunnasta. Tutkimus toteutettiin suomalaiselle pankille tarkoituksena lisätä ymmärrystä pankin asiakkaista. K-means, hybridi, ja fuzzy C-means klusterointimenetelmiä vertailtiin erilaisten muuttujakombinaatioiden kesken. Datasetistä valittiin erilaisia muuttujakombinaatioita muuttujanvalintamenetelmien avulla, joita olivat korrelaatio, keskinäinen tieto ja Laplacian Score perustaiset menetelmät.

Klusteroinnin tuloksia verrattiin sisäisten validointimenetelmien avulla sekä vertaillen ryhmien rakennetta, joiden perusteella K-means klusterointimalli ja keskinäiseen tietoon perustuva muuttujanvalintamenetelmä tuottivat parhaimman lopputuloksen. Tulosten perusteella asiakkaissa voidaan tunnistaa eroavaisuuksia perustuen heidän käytökseensä mobiilipankissa. Analyysin avulla voitiin tunnistaa kolme käyttäytymisprofiilia, jotka kuvaavat erilaisia käyttöasteita. Profiilit olivat myös erilaisia demografisten tekijöiden osalta. Tutkimuksen tuloksena muodostettuja segmenttejä voidaan hyödyntää mobiilipankin kehityksessä sekä yksilöllisten palveluiden tarjoamisessa asiakkaille.