Ανάλυση τραπεζικών δεδομένων με τη βοήθεια της Μηχανικής Μάθησης: Συμπεράσματα από την εφαρμογή της Μηχανικής Μάθησης στις πλατφόρμες Ηλεκτρονικής Τραπεζικής της Εθνικής Τραπέζης της Ελλάδος

Αργυρού, Αλεξάνδρα; Argyrou, Alexandra

dc.contributor.author	Αργυρού, Αλεξάνδρα	el
dc.contributor.author	Argyrou, Alexandra	en
dc.date.accessioned	2018-12-03T10:27:06Z
dc.date.available	2018-12-03T10:27:06Z
dc.date.issued	2018-12-03
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/48189
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.8998
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Τεχνο-Οικονομικά Συστήματα (ΜΒΑ)”	el
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Ηλεκτρονική τραπεζική	el
dc.subject	Ανάλυση τραπεζικών δεδομένων	el
dc.subject	Εθνική Τραπέζα της Ελλάδος	el
dc.subject	Μηχανικής μάθηση	el
dc.subject	Mobile banking
dc.subject	Web banking
dc.subject	Artificial intelligence
dc.subject	Machine learning
dc.title	Ανάλυση τραπεζικών δεδομένων με τη βοήθεια της Μηχανικής Μάθησης: Συμπεράσματα από την εφαρμογή της Μηχανικής Μάθησης στις πλατφόρμες Ηλεκτρονικής Τραπεζικής της Εθνικής Τραπέζης της Ελλάδος	el
heal.type	masterThesis
heal.classification	ΒΑΣΙΚΗ ΜΗΧΑΝΙΚΗ ΜΑΘΗΣΗ	el
heal.classificationURI	http://data.seab.gr/concepts/fec24cd140d4b110c225ac68fec062a57fb86360
heal.language	en
heal.access	campus
heal.recordProvider	ntua	el
heal.publicationDate	2018-10-31
heal.abstract	Η συγκεκριμένη διπλωματική αφορά την συλλογή και τη διαχείριση πληροφοριών οι οποίες πηγάζουν από τα interactions στις πλατφόρμες του web και mobile banking μετά το login των χρηστών. Οι πληροφορίες αυτές αποθηκεύονται σε ογκώδεις βάσεις δεδομένων, όπως και στην περίπτωση που αναλύουμε, για να αναλυθούν και επεξεργασθούν περαιτέρω με τη βοήθεια ειδικών εργαλείων που προέρχονται από τον τομέα του machine learning και artificial intelligence.Ο στόχος της συγκεκριμένης διεργασίας είναι διττός. Αφενός, με αυτό τον τρόπο, η Τράπεζα διασφαλίζει την ιδιωτικότητα των προσωπικών τραπεζικών δεδομένων των πελατών της και αφετέρου προχωρεί στην κατηγοριοποίηση τους ανάλογα με τον τρόπο χειρίζονται τις ηλεκτρονικές υπηρεσίες της. Το γεγονός αυτό κρίνεται ως ιδιαίτερα σημαντικό καθώς η Τράπεζα είναι σε θέση να αντιληφθεί σε βάθος τις ικανότητες, τις ιδιαιτερότητες και τις συνήθειες του εκάστοτε χρήστη του web και mobile platform της και να βελτιώσει, προσαρμοζόμενη πάντοτε σε αυτές, την σχετική υποδομή της. Η κατηγοριοποίηση των χρηστών των ηλεκτρονικών μέσων, που δεν αποτελεί καινούριο φαινόμενο, μπορεί να χρησιμοποιηθεί στο μέλλον με τον πλέον ευεργετικό τρόπο. Πιο συγκεκριμένα, είναι δυνατόν να αποτελέσει πηγή πολύτιμων πληροφοριών και συμπερασμάτων γύρω από τις προτιμήσεις των πελατών σε τραπεζικά προϊόντα και υπηρεσίες ή και ακόμα να διευκολύνει την εμπειρία τους σε αυτές. Με την πολύτιμη βοήθεια των αλγόριθμων που προέρχονται από την τεχνητή νοημοσύνη και της εφαρμογής της μηχανικής μάθησης (machine learning), οι αναλυτές είναι σε πλεονεκτική θέση να προβλέπουν οικονομικά και χρηματοοικονομικά trends προσαρμόζοντας τις τραπεζικές υπηρεσίες σε αυτά. Όσο οι τράπεζες επενδύουν στον τομέα της τεχνητής νοημοσύνης και της μηχανικής μάθησης εντάσσοντας τους κατάλληλους χρήστες σε beta προγράμματα και early adoption πλατφόρμες τόσο ευκολότερο θα μπορούν να δημιουργήσουν καινοτόμες στρατηγικές με στόχο την προσέλκυση μελλοντικών πελατών. Είναι γεγονός, πάντως, ότι όλο και περισσότεροι χρήστες με ετερόκλητο υπόβαθρο, όπως διαφορετική ηλικία, μόρφωση και εξοικείωση στις τεχνολογικές εφαρμογές , φαίνεται να προτιμούν τις ηλεκτρονικές υπηρεσίες και προϊόντα των Τραπεζών. Κρίνοντας συγκεκριμένα από την web και mobile πλατφόρμα της Εθνικής Τραπέζης της Ελλάδος συντείνουμε στο ίδιο συμπέρασμα. Το web και mobile banking της Εθνικής Τράπεζας, μίας από τις πλέον κορυφαίες τράπεζες της χώρας, διαθέτει τέτοια υποδομή και αρχιτεκτονική ικανή για να εφαρμόσουμε τα πλέον σύγχρονα εργαλεία μηχανικής μάθησης και τεχνητής νοημοσύνης. Ειδικότερα, στην συγκεκριμένη διπλωματική αναλύθηκαν τρισεκατομμύρια δεδομένα, από την γένεση του e-banking της Εθνικής Τράπεζας το 2014 μέχρι σήμερα με στόχο να δοκιμαστούν νέες εφαρμογές στην διαχείριση των big banking data και να εξαχθούν πολύτιμα συμπεράσματα και αντίστοιχες προβλέψεις. Έχει αποδειχθεί μάλιστα ότι βελτιώνοντας την εμπειρία των χρηστών στις ηλεκτρονικές τραπεζικές υπηρεσίες γίνεται πιθανότερο να προσελκύσεις νέους χρήστες. Ωστόσο η προαναφερθείσα βελτίωση εξαρτάται σε μεγάλο βαθμό από την αξιοποίηση των δεδομένων παλαιότερων χρηστών, που είναι αποθηκευμένα σε ειδικά διαμορφωμένες βάσεις δεδομένων. Με γνώμονα την βελτίωση της κάλυψης πληροφοριακών και συναλλακτικών ηλεκτρονικών υπηρεσιών των χρηστών και των επιχειρήσεων και με παράλληλη δυνατότητα προσαρμογής στις ιδιαίτερες ανάγκες και απαιτήσεις τους προχωρήσαμε στην ανάλυση των προαναφερθέντων δεδομένων. Χάρη στις υπερσύγχρονες υποδομές του web και mobile banking της Εθνικής Τράπεζας που παρέχουν καινοτόμες και ασφαλείς εξειδικευμένες ηλεκτρονικές υπηρεσίες σε ιδιώτες και επιχειρήσεις η ανάλυση των δεδομένων έγινε ευκολότερη. Η τεχνική που ακολουθήθηκε στη συγκεκριμένη έρευνα και υπόθεση εργασίας είναι η εξής. Αρχικά, αποτυπώσαμε σε μορφή μελέτης, με τη βοήθεια διαφόρων προγραμμάτων, αλγορίθμων μηχανικής μάθησης και ανοικτού τύπου κώδικα όπως το SQL Database management system, η R, η Hive, το Hadoop και άλλα που θα αναλυθούν παρακάτω, τα interaction points των χρηστών από τα τέλη του 2014 μέχρι σήμερα με σκοπό να τους κατηγοριοποιήσουμε βάσει ορισμένων κριτηρίων. Στη συνέχεια, αφού συλλέξαμε τα απαραίτητα δεδομένα και κατηγοριοποιήσαμε τα προφίλ των χρηστών ανάλογα με την ηλεκτρονική τους συμπεριφορά τους διαχωρίσαμε ανάλογα με την προτίμηση τους στο web ή στο mobile περιβάλλον δημιουργώντας δύο πιθανά σενάρια. Η τελική φάση της έρευνας, αφού διαμορφώσαμε τις κατάλληλες συνθήκες, περιλάμβανε την επιβεβαίωση της κατηγοριοποίησης των χρηστών με τη χρήση alpha και beta tests προκειμένου να έχουμε μια πιο ολοκληρωμένη εικόνα για την περαιτέρω βελτίωση της ήδη υπάρχουσας υποδομής παροχής ηλεκτρονικών web και mobile τραπεζικών υπηρεσιών.	el
heal.advisorName	Ψαρράς, Ιωάννης	el
heal.committeeMemberName	Ασκούνης, Δημήτριος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	251 σ.	el
heal.fullTextAvailability	true