Model DL ograniczający utratę klientów dla jednego z największych banków w Europie

Trzy kobiety wpisują kod pin do bankomatu.
Kategoria:
Sztuczna inteligencja
Branża:
Fintech
Model:
Team Outsourcing
Model płatności:
Fixed price

Klient

Dla Klienta, którym jest jeden z pięciu największych banków w Europie zbudowaliśmy model przewidywania utraty klientów.

Wyzwanie

Kiedy klienci odchodzą, banki tracą potencjalne przychody. Z kolei zdobycie nowych klientów wymaga większych nakładów finansowych niż utrzymanie obecnych.

Do tej pory bank pracował na własnym modelu, który przewidywał odejścia klientów, zamiast bezpośrednio pomagać w ich ograniczaniu.  Struktura modelu nie pozwalała bankowi na właściwe działanie, ponieważ sygnały rezygnacji były zawsze wychwytywane zbyt późno. Ze względu na zastosowane podejście, model nie był dostosowany do celów biznesowych.

Rozwiązanie

Analiza potrzeb biznesowych i istniejącego modelu 

Podczas warsztatów z klientem przeanalizowaliśmy jego potrzeby biznesowe oraz niedociągnięcia istniejącego modelu. Doszliśmy do wniosku, że jeśli stwierdzimy, że klient chce zrezygnować z konta dopiero, gdy na jego konto przestanie przychodzić wynagrodzenie, to będzie już za późno na zatrzymanie klienta. Ważne jest to, że faktycznym celem budowy modelu jest zmniejszenie stopnia odchodzenia klientów. Predykcja odchodzenia jest tylko narzędziem.

Poprawa istniejącego modelu bankowego  

Do oceny szansy odejścia klienta postanowiliśmy wykorzystać bardziej subtelne sygnały, np. zmianę aktywności właściciela konta bankowego  przez na przykład zmniejszenie liczby przelewów wychodzących.

Sygnały były wystarczająco wczesne, aby podjąć działania mające na celu ograniczenie rezygnacji. Skonfigurowaliśmy wewnętrzną infrastrukturę  on premise i opracowaliśmy kod w celu przeprowadzenia zaawansowanego szkolenia modelu i wyboru funkcji.

Model został zbudowany w tradycyjny sposób, przy użyciu miesięcznych zagregowanych danych i monitorowanych działań kilku milionów klientów.

Dodatkowe eksperymenty przeprowadziliśmy przy użyciu niestandardowych podejść i niezagregowanych, atomowych danych, wykorzystaliśmy m.in:

  • Surowe dane transakcyjne (zdarzenia)
  • Opisy transakcji na koncie
  • Deep Learning do przewidywania ilości odejść

Oznaczało to, że szereg „warstw” prostych jednostek obliczeniowych łączyło się w sieć w taki sposób, aby dane wprowadzane do systemu przechodziły przez każdą z nich po kolei. Dzięki tej głębi sieć może uczyć się bardziej złożonych struktur bez konieczności dostarczenia danych w nierealistycznie wielkich ilościach.

  • Modele językowe do przewidywania rezygnacji takie jak technologia osadzania słów (przetwarzanie języka naturalnego-NLP) i głębokich sieci neuronowych.

Umożliwiło to przekształcenie danych tekstowych w postać liczbową, którą algorytmy uczenia maszynowego mogą zrozumieć. Ponadto można je wykorzystać do uchwycenia kontekstualnej istoty słów, ich podobieństwa i związku z innymi słowami.

Four rules to build the model DL

Rezultaty

  • Zmniejszenie wskaźnika rezygnacji o 6% jego wartości.
  • Zapoznanie zespołu data science banku z nowymi podejściami do modelowania, które można zastosować do innych problemów (transfer know-how).
  • Infrastruktura obliczeniowa, którą skonfigurowaliśmy, została wykorzystana do optymalizacji innych problemów związanych z modelowaniem.

Technologie

Logo fastText
logo Keras
Logo DyNet
python logo
Entwicklung von Software, Anwendungen und Aktualisierung von Systemen mit neueren Technologien

Tworzenie oprogramowania, aplikacji oraz aktualizacja systemów do nowszych technologii

Design, Development, DevOps czy Cloud – jakiego zespołu potrzebujesz, aby przyspieszyć pracę nad swoimi projektami?
Porozmawiaj o swoich potrzebach z naszymi specjalistami.

Jakub Orczyk

Członek zarządu / Dyrektor sprzedaży
VM.PL

Zamów bezpłatną konsultację
kuba (1)