Показати скорочену інформацію

dc.contributor.authorKhoshaba, O. M.en
dc.contributor.authorGordiiets, O. V.en
dc.contributor.authorХошаба, О. М.uk
dc.date.accessioned2026-04-28T12:46:00Z
dc.date.available2026-04-28T12:46:00Z
dc.date.issued2026
dc.identifier.citationKhoshaba O. M., Gordiiets O. V. Development of a software tool for prioritising and ing the next communication action in banking crm systems // Матеріали Міжнародної науково-практичної інтернет-конференції «Молодь в науці: дослідження, проблеми, перспективи (МН-2026)», м. Вінниця, 22-26 червня 2026 р. Електрон. текст. дані. 2026. URI: https://conferences.vntu.edu.ua/index.php/mn/mn2026/paper/view/27886.en, uk
dc.identifier.urihttps://ir.lib.vntu.edu.ua//handle/123456789/51261
dc.description.abstractУ роботі розглянуто розробку програмного засобу для пріоритизації та вибору наступної комунікаційної дії для клієнтів банківських установ у CRM-середовищі. Актуальність теми зумовлена тим, що статичні правила розсилок і фрагментовані інтеграції між CRM, цифровими каналами, сервісами повідомлень та робочими місцями операторів не забезпечують належної персоналізації, своєчасності та узгодженості контактів. Запропоновано модель пріоритизації та вибору next-best-action, яка враховує RFM-показники, lead score, ймовірність відгуку, обмеження частоти контактів, згоду на обробку персональних даних, оптимальний часовий інтервал надсилання та релевантність банківського продукту. Подальшого розвитку набув підхід до інтеграції CRM-платформи з каналами банківських комунікацій, у якому використано комбінування дедуплікації клієнтських записів на основі нечіткого зіставлення атрибутів, журналювання подій взаємодії, рольового керування доступом та контролю ідемпотентності API-викликів. Для перевірки підходу описано програмний прототип і сценарно-орієнтоване експериментальне оцінювання на синтетичному наборі даних, структурно наближеному до роздрібних банківських процесів. Отримані результати показали підвищення точності сегментації клієнтської бази на 19,4 %, збільшення середнього response rate на 16,8 %, зменшення частки дубльованих клієнтських карток на 24,3 % і скорочення кількості помилок синхронізації між CRM та зовнішніми сервісами на 28,7 %. Запропонований програмний засіб може бути використаний як прикладна основа для модернізації комунікаційних контурів банківських установ.uk
dc.description.abstractThis paper addresses the development of a software tool to prioritise and the next communication action for clients of banking institutions within a CRM environment. The topic is relevant because static mailing rules and fragmented integrations between CRM platforms, digital channels, messaging services, and operator workplaces do not provide the required degree of personalisation, timeliness, and communication consistency. A customer prioritisation and next-best-action model is proposed that takes into account RFM indicators, lead score, response probability, contact frequency constraints, consent to personal data processing, the optimal sending time window, and the relevance of a banking product. The approach to CRM-platform integration with banking communication channels is further developed by combining fuzzy-attribute matching for client-record deduplication, interaction-event logging, role-based access control, and idempotency control for API calls. To validate the approach, the paper describes a software prototype and a scenario-based experimental evaluation using a synthetic dataset that is structurally aligned with retail banking processes. The obtained results demonstrate a 19.4% increase in customer-base segmentation accuracy, a 16.8% increase in average response rate, a 24.3% reduction in duplicated client cards, and a 28.7% reduction in synchronisation errors between the CRM and external services. The proposed software tool may therefore serve as a foundation for modernising the communication layer of banking institutions.en
dc.language.isoen_USen_US
dc.publisherВНТУuk
dc.relation.ispartofМатеріали Міжнародної науково-практичної інтернет-конференції «Молодь в науці: дослідження, проблеми, перспективи (МН-2026)», м. Вінниця, 22-26 червня 2026 р.uk
dc.relation.urihttps://conferences.vntu.edu.ua/index.php/mn/mn2026/paper/view/27886
dc.subjectbanking institutionen
dc.subjectCRMen
dc.subjectnext-best-actionen
dc.subjectcustomer prioritisationen
dc.subjectRFM analysisen
dc.subjectlead scoringen
dc.subjectomnichannel communicationen
dc.subjectrecord deduplicationen
dc.subjectevent loggingen
dc.subjectAPI idempotencyen
dc.subjectбанківська установаuk
dc.subjectпріоритизація клієнтівuk
dc.subjectRFM-аналізuk
dc.subjectомніканальна комунікаціяen
dc.subjectдедуплікація записівuk
dc.subjectжурналювання подійuk
dc.subjectідемпотентність APIuk
dc.titleDevelopment of a software tool for prioritising and ing the next communication action in banking crm systemsen
dc.typeThesis
dc.identifier.udc004.4:336.71:004.738.5
dc.relation.referencesGerea, C.; Gonzalez-Lopez, F.; Herskovic, V. Omnichannel Customer Experience and Management: An Integrative Review and Research Agenda // Sustainability. — 2021. — Vol. 13(5). — Art. 2824. — DOI: 10.3390/su13052824.en
dc.relation.referencesDesiraju, K.; Mishra, A.N.; Sengupta, P. Customer perceptions on open banking apps: Insights using Structural topic modeling // Journal of Retailing and Consumer Services. — 2024. — Vol. 81. — Art. 104029. — DOI: 10.1016/j.jretconser.2024.104029.en
dc.relation.referencesLopes, J.M.; Massano-Cardoso, I.; Pedrosa, L. The role of artificial intelligence in mobile banking: decoding portuguese consumers’ perceptions and intentions to engage // Future Business Journal. — 2025. — Vol. 11. — Art. 125. — DOI: 10.1186/s43093-025-00510-0.en
dc.relation.referencesSalminen, J.; Mustak, M.; Sufyan, M. et al. How can algorithms help in segmenting users and customers? A systematic review and research agenda for algorithmic customer segmentation // Journal of Marketing Analytics. — 2023. — Vol. 11. — P. 677–692. — DOI: 10.1057/s41270-023-00235-5.en
dc.relation.referencesMena, G.; Coussement, K.; De Bock, K.W. et al. Exploiting time-varying RFM measures for customer churn prediction with deep neural networks // Annals of Operations Research. — 2024. — Vol. 339. — P. 765–787. — DOI: 10.1007/s10479-023-05259-9.en
dc.relation.referencesZhang, X.; Zhou, Y.; Lin, Z.; Wang, Y. Ensemble learning with dynamic weighting for response modeling in direct marketing // Electronic Commerce Research and Applications. — 2024. — Vol. 64. — Art. 101371. — DOI: 10.1016/j.elerap.2024.101371.en
dc.relation.referencesGonzález-Flores, L.; Rubiano-Moreno, J.; Sosa-Gómez, G. The relevance of lead prioritization: a B2B lead scoring model based on machine learning // Frontiers in Artificial Intelligence. — 2025. — Vol. 8. — Art. 1554325. — DOI: 10.3389/frai.2025.1554325.en
dc.relation.referencesInformation Commissioner’s Office. Electronic and telephone marketing [Electronic resource]. — Updated: 20.08.2025. — URL: https://ico.org.uk/for-organisations/direct-marketing-and-privacy-and-electronic-communications/guide-to-pecr/electronic-and-teleph one-marketing/ (date of access: 22.03.2026).en
dc.relation.referencesAzeroual, O.; Jha, M.; Nikiforova, A. et al. A Record Linkage-Based Data Deduplication Framework with DataCleaner Extension // Multimodal Technologies and Interaction. — 2022. — Vol. 6(4). — Art. 27. — DOI: 10.3390/mti6040027.en
dc.relation.referencesBogner, J.; Fritzsch, J.; Wagner, S. et al. Industry practices and challenges for the evolvability assurance of microservices // Empirical Software Engineering. — 2021. — Vol. 26. — Art. 104. — DOI: 10.1007/s10664-021-09999-9.en
dc.relation.referencesOWASP Foundation. OWASP Top 10 API Security Risks – 2023 [Electronic resource]. — 2023. — URL: https://owasp.org/API-Security/editions/2023/en/0x11-t10/ (date of access: 22.03.2026).en
dc.relation.referencesFielding, R.; Nottingham, M.; Reschke, J. HTTP Semantics : RFC 9110 [Electronic resource]. — June 2022. — URL: https://www.rfc-editor.org/rfc/rfc9110 (date of access: 22.03.2026).en
dc.relation.referencesSouppaya, M.; Scarfone, K.; Dodson, D. Secure Software Development Framework (SSDF) Version 1.1: Recommendations for Mitigating the Risk of Software Vulnerabilities : NIST Special Publication 800-218 [Electronic resource]. — 2022. — URL: https://csrc.nist.gov/pubs/sp/800/218/final (date of access: 22.03.2026).en


Файли в цьому документі

Thumbnail

Даний документ включений в наступну(і) колекцію(ї)

Показати скорочену інформацію