Reaktivierung von 17% abgewanderten Kunden mit dem Churn Prediction Model im Bankwesen

Eine der größten Herausforderungen war ein unausgewogener Datensatz, bei dem nur ein kleiner Teil der Kunden gewechselt hatte. Daher musste unbedingt sichergestellt werden, dass das ausgewählte Modell diese Minderheitsklasse mit höherer Genauigkeit vorhersagt. Das Vorhandensein eines solchen Ungleichgewichts könnte möglicherweise zu einer verzerrten Modellleistung führen. Um dieses Problem anzugehen, führten wir eine umfassende Untersuchung bestehender Lösungen durch, die speziell für den Umgang mit unausgewogenen Datenstichproben entwickelt wurden, um mögliche Verzerrungen abzuschwächen und die Gesamtleistung und Genauigkeit des Modells zu verbessern.

Um die Präzision, den Recall und den F-Wert der Modelle zu bewerten, halfen wir unserem Kunden bei der Ermittlung von benutzerdefinierten Modellmetriken und Akzeptanzkriterien für jeden spezifischen Kundenfall in Übereinstimmung mit dem Geschäftswert. Wir haben uns jedoch auf den F1-Score konzentriert, da er ein Gleichgewicht zwischen Präzision und Rückruf darstellt.

Unsere endgültige Banking-Software umfasste ein breites Spektrum an Algorithmen des maschinellen Lernens, die sowohl klassische Boosting-Modelle als auch moderne selbstüberwachte Techniken beinhalten. Durch den Einsatz von Boosting-Modellen konnten wir das ursprüngliche Abwanderungsproblem mit einem hohen Maß an Genauigkeit angehen und präzise Vorhersagen zur Kundenabwanderung treffen.