Розширена анотація українською мовою

Конкуренція між маркетинговими стратегіями підприємств переходить у площину використання штучного інтелекту та починає розглядатися в контексті конкуренції між проектами Data Science. Тому актуальним є питання розробки методології та побудови моделі в тій чи іншій сфері економіки, що допоможе забезпечити ефективну роботу та досягнення цілей компанії. Ринок банківських послуг має певну специфіку поведінки споживачів, тому формування маркетингових стратегій є досить складним процесом. Таким чином, перед банками стоїть важливе завдання зберегти лояльність своїх існуючих клієнтів і залучити нових. Метою статті є побудова маркетингової стратегії для залучення нових клієнтів у банківський сектор за допомогою інструментів Data Science. Результатом дослідження є побудова двох економетричних моделей кредитних продуктів банку: кредитів готівкою та кредитних карток, – які визначають важливість впливу різних факторів на притік нових клієнтів та допомагають розподілити рекламний бюджет між різними видами реклами для досягнення високої ефективності. Використовуючи побудовану модель, було визначено, що рекламні кампанії безпосередньо впливають на збільшення кількості нових клієнтів у банку, а також на загальне зростання обізнаності про бренд банківської установи в суспільстві. Крім того, визначені ваги кожного з факторів впливу допомогли сформувати рекламний бюджет, що збільшило приплив клієнтів на 12% із середньою рентабельністю інвестицій (ROI) 3,18. Враховуючи все вище сказане, модель показала свою ефективність в організації рекламної кампанії банку, коли рішення приймалися з використанням технологій Data Science. Отримані на основі моделей результати дають досить чітке уявлення про фактори, що впливають на приплив нових клієнтів до банку, що дозволить моделювати розподіл бюджету рекламних кампаній у майбутні періоди та прогнозувати їх ефективність. Конкуренція у фінансовому секторі країни змушує банківські установи використовувати інструменти Data Science у своїй маркетинговій діяльності.

Ключові слова: банк, маркетингова активність, реклама, регресія, притік нових клієнтів, Data Science.

Класифікація JEL: С35, G21, М30.

Цитувати як: Zatonatska, T., Hubska, M., & Shpyrko, V. (2022). Marketing Strategies in the Banking Services Sector With the Help of Data Science Marketing and Management of Innovations, 2, 121-127. https://doi.org/10.21272/mmi.2022.2-11

Ця стаття публікуються за ліцензією Creative Commons Attribution International License

Список використаних джерел

1. Alalwan, A. A. (2018). Investigating the impact of social media advertising features on customer purchase intention. International Journal of Information Management, 42, 65-77. [Google Scholar] [CrossRef]
2. Chernyak, O., & Fareniuk, Y. (2020). Modeling of Effectiveness of Media Investment Based on Data Science Technologies for Ukrainian Bank. In ICTERI Workshops (pp. 282-289). [Google Scholar]
3. DePino F. (2021). Modern Bank Marketing – A Comprehensive Guide. 2021. Retrieved from [Link]
4. Dolega, L., Rowe, F., & Branagan, E. (2021). Going digital? The impact of social media marketing on retail website traffic, orders and sales. Journal of Retailing and Consumer Services, 60, 102501. [Google Scholar]
5. Fedirko, O., Zatonatska, T., Wołowiec, T., & Skowron, S. (2021). Data Science and Marketing in E-Commerce Amid COVID-19 Pandemic. European Research Studies, 24, 3-16. [Google Scholar]
6. Financial Conduct Authority. Strategic Review of Retail Banking Business Models – Final Report (2022). Retrieved from [Link]
7. Kuznyetsova, A., Kozmuk, N., Zherebylo, I., Sydorova, O., & Zvarych, M. (2018). The Essence of Retail and Development of Retail Banking Innovative Mechanisms in Ukraine. Marketing and Management of Innovations, 4, 316-331. [Google Scholar] [CrossRef]
8. Lin, Y., Ahmad, Z., Shafik, W., Khosa, S. K., Almaspoor, Z., Alsuhabi, H., & Abbas, F. (2021). Impact of Facebook and Newspaper Advertising on Sales: A Comparative Study of Online and Print Media. Computational intelligence and neuroscience, 2021. [Google Scholar] [CrossRef]
9. Mykhalchuk, T., Zatonatska, T., Dluhopolskyi, O., Zhukovska, A., Dluhopolska, T., & Liakhovych, L. (2021, September). Development of Recommendation System in e-Commerce using Emotional Analysis and Machine Learning Methods. In 2021 11th IEEE International Conference on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications (IDAACS) (Vol. 1, pp. 527-535). IEEE. [Google Scholar]
10. Rodriguez, M., Peterson, R. M., & Ajjan, H. (2015). CRM/social media technology: impact on customer orientation process and organisational sales performance. In Ideas in marketing: Finding the new and polishing the old (pp. 636-638). Springer, Cham. [Google Scholar] [CrossRef]
11. Shapiro, B., Hitsch, G., & Tuchman, A. (2020). Generalisable and Robust TV Advertising Effects (No. 2020-111). Becker Friedman Institute for Research In Economics. [Google Scholar] [CrossRef]
12. Zhou, Y., Ahmad, Z., Alsuhabi, H., Yusuf, M., Alkhairy, I., & Sharawy, A. M. (2021). Impact of YouTube Advertising on Sales with Regression Analysis and Statistical Modeling: Usefulness of Online Media in Business. Computational Intelligence and Neuroscience, 2021. [Google Scholar] [CrossRef]