Genaktivering af 17% afviste bankkunder med AI-brug i bankverdenen

En af de primære udfordringer var et ubalanceret datasæt, hvor kun en lille del af kunderne var blevet afvist. Derfor var det afgørende at sikre, at den valgte model præcist forudsagde denne minoritetsklasse med højere præcision. Tilstedeværelsen af en sådan ubalance kunne potentielt føre til en skæv modelpræstation. For at løse dette problem udførte vi omfattende forskning i eksisterende løsninger, der er specielt designet til at håndtere ubalancerede dataeksempler for at afbøde enhver potentiel bias og forbedre modellens samlede ydeevne og nøjagtighed.

For at evaluere modellernes præcision, tilbagekaldelse og F-mål hjalp vi vores kunde med at identificere tilpassede modelmålinger og acceptkriterier for hver specifik kundesag i overensstemmelse med forretningsværdien. Vi har dog fokuseret på F1-score, da den illustrerer en balance mellem præcision og tilbagekaldelse.

Vores endelige løsning omfattede en bred vifte af maskinlæringsalgoritmer, der både indeholdt klassiske boosting-modeller og moderne selvstyrende teknikker. Ved at udnytte boosting-modeller løste vi effektivt det oprindelige churn-problem med en høj grad af nøjagtighed og sikrede præcise forudsigelser af kundeafgang.