Bitte hinterlassen Sie Ihre Kontaktdaten, wir werden Ihnen unser Whitepaper per E-Mail zusenden
Ich stimme der Verarbeitung meiner persönlichen Daten zu, um personalisiertes Marketingmaterial in Übereinstimmung mit der der Datenschutzrichtlinie geschickt zu bekommen. Mit der Bestätigung der Anmeldung erklären Sie sich damit einverstanden, Marketingmaterial zu erhalten
Vielen Dank!

Das Formular wurde erfolgreich abgeschickt.
Weitere Informationen finden Sie in Ihrem Briefkasten.

Innowise ist ein internationales Unternehmen für den vollen Zyklus der Softwareentwicklung, welches 2007 gegründet wurde. Unser Team besteht aus mehr als 1600+ IT-Experten, welche Software für mehrere Branchen und Domänen weltweit entwickeln.
Über uns
Innowise ist ein internationales Unternehmen für den vollen Zyklus der Softwareentwicklung, welches 2007 gegründet wurde. Unser Team besteht aus mehr als 1600+ IT-Experten, welche Software für mehrere Branchen und Domänen weltweit entwickeln.

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

Innowise hat KI- und ML-Algorithmen in der Banking-Software eingesetzt, um die Kundenabwanderung vorherzusagen und gezielte Kundenbindungsstrategien für eine Privatkundenbank zu entwickeln.

Der Kunde

Branche
Bankwesen
Region
MENA
Kunde seit
2021

Unser Kunde, eine bekannte Privatkundenbank, hat eine starke Position in der MENA-Region (Naher Osten und Nordafrika). Mit ihrer bedeutenden Präsenz und ihrem Einfluss auf dem lokalen Markt hat sich die Bank als vertrauenswürdiges Finanzinstitut für Privatkunden etabliert.

Detaillierte Informationen über den Kunden können aufgrund der Bestimmungen des NDA nicht veröffentlicht werden.

Herausforderung: Senkung der Kundenabwanderungsrate durch KI in der Banking-Software

Unser Kunde befand sich inmitten einer globalen digitalen Transformation. Herkömmliche Arten der Kundenbindung erwiesen sich als unwirksam, weshalb die Bank einen personalisierten Ansatz suchte. Eine Strategie, die von der Bank im Zuge ihrer Digitalisierungsbemühungen angewendet wurde, war die Implementierung gezielter Werbekampagnen im Rahmen des automatisierten Marketings. Diese Kampagnen wurden auf spezifische Nutzergruppen ausgerichtet und hatten zum Ziel, Kunden mithilfe von KI und prädiktiver Analytik zu binden.

Der Bank fehlte jedoch ein einheitliches System, das in der Lage war, Benutzerdaten zu sammeln, Verhaltensmuster zu erkennen, die auf eine potenzielle Kundenabwanderung hinweisen, und diese umfassend zu analysieren. Innowise wurde mit der Entwicklung eines solchen Systems beauftragt, das ML-Modelle nutzt, um die Kundenabwanderung anhand von Verhaltensmustern zu erkennen. 

Lösung: Analyse und Vorhersage des Kundenverhaltens mit KI-gesteuerter Banking Software

Innowise hat eine KI-gesteuerte prädiktive Banking-Software entwickelt, um die individuellen Abwanderungsraten zu analysieren und unseren Kunden bei der Umsetzung gezielter Kundenbindungsstrategien zu helfen. Diese Banking-Software optimiert die Ressourcen, indem sie gezielte Maßnahmen für Hochrisikokunden ermöglicht und so eine maximale Wirkung bei der Bindung wertvoller Kunden gewährleistet.

Verbesserte Analyse von Kundendaten

Das Analysesystem arbeitet im Backend und lässt sich nahtlos in das Data Warehouse der Bank integrieren, um Kundendaten zu sammeln. Wir haben die Spark-Engine verwendet, um ein effizientes System zu entwickeln, das ML-Pipelines, Datenvorverarbeitung, Modelltraining und -auswertung, Anomalieerkennung und Datenskalierung bietet. Das System verwendet einen vielschichtigen Ansatz, um verschiedene Aspekte der Kundeninformationen zu analysieren, einschließlich den Transaktionsverlauf, Kundenbeschwerden, demografische Daten usw.

Durch die Analyse von Kundendaten mittels natürlicher Sprachverarbeitung (NLP) erfasst das System die Stimmung und das Feedback der Kunden. Diese Funktion ermöglicht es der Bank, proaktiv auf Kundenprobleme und -anliegen einzugehen, bevor sie eskalieren, und so die Kundenbindung zu stärken.

 

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.

Bewertung des Abwanderungsrisikos

Der KI-Algorithmus von Banking-Software bietet eine kontinuierliche Analyse der Nutzerkennzahlen und bestimmt die Klassifizierungsgruppe der Abwanderung. Diese Informationen werden dann in das Marketingsystem der Bank integriert, so dass Analysten sie in einer geclusterten Ansicht darstellen können. Dies erleichtert eine effiziente Filterung und Segmentierung nach bestimmten Nutzerkategorien.

Die Implementierung von KI-Prädiktionsanalysen und intelligenter Segmentierung ermöglicht es der Bank, gezielte Kampagnen und hochgradig personalisierte Angebote zu entwickeln. Durch die Anpassung individueller Cashback-Optionen, exklusiver Werbeaktionen und personalisierter Rabatte kann die Bank effektiv auf die einzigartigen Anforderungen und Bedürfnisse jedes Kunden eingehen. Das System zeigt auch den prozentualen Anteil des Abwanderungsrisikos für jeden Kunden auf den CMS-Karten an, so dass die Bankmitarbeiter bei ihren Interaktionen wertvolle Erkenntnisse gewinnen und Strategien zur Kundenbindung umsetzen können, um die Kunden zu behalten.

Technologien

Front-end
React, Redux, Redux-Thunk, React-hook-form, SASS, Axios, Storybook, Jest, Cypress
Back-end
Java, Spring (Boot, Daten, MVC, Sicherheit), REST, SOAP, Liquibase, Maven, JUnit, WSDL, Mockito, Hibernate
Data Engineering
Apache Hive, Apache Spark, PySpark, Apache Airflow, Redis Feasts
Cloud
Oracle
DevOps
Kubernetes (k8s), Docker, Docker Compose, Jenkins
Maschinelles Lernen
Apache Spark MLLib, Scikit-learn, LightGBM, XGBoost, Hyperopt, Numpy, Pandas, SciPy
MLOps
DVC, MLFlow, Comet

Prozess

Innowise bietet eine umfassende Suite von KI-Tools für die Banking-Software. Diese KI-Lösungen umfassen mehrere wichtige Phasen und gewährleisten eine robuste Implementierung und nahtlose Integration.

Problemrahmen
Durch intensive Zusammenarbeit und Anforderungserhebungen mit unseren Kunden haben wir einen klaren Problemrahmen geschaffen. Dies beinhaltete die Einbindung wichtiger Stakeholder und Bankexperten, um die spezifischen Herausforderungen im Zusammenhang mit der Digitalisierung von Banken zu identifizieren.
Datenerfassung und explorative Datenanalyse
Nach der Definition des Problemrahmens konzentrierten wir uns auf den Umgang mit einer großen Menge an Kundendaten. Unser erster Schritt war die explorative Datenanalyse. Dies half uns, statistische Hypothesen zu validieren und legte die Grundlage für die Entwicklung. So stellten wir fest, dass die Abwanderungsrate bei weiblichen Kunden höher war als bei männlichen, und dass weder das Produkt noch das Gehalt die Abwanderungswahrscheinlichkeit signifikant beeinflussten. Das Feature-Engineering spielte eine entscheidende Rolle bei der Aktualisierung und Verfeinerung der Merkmale in dieser Phase. Wir bewerteten verschiedene Algorithmen des maschinellen Lernens, darunter Gradient Boosting Decision Trees (GBDT), Naïve Bayes und klassifikatorische neuronale Netze. Durch eine sorgfältige Bewertung stellten wir fest, dass die GBDT-Methode die höchsten Werte für die ursprüngliche Aufgabe lieferte.
Modellentwicklung
Das System wurde während der Modellentwicklungsphase kontinuierlich bewertet, verfeinert und getestet. Wir haben die Modelle durch mehrere Iterationen und Validierungstechniken fein abgestimmt, um die höchste Leistung in der KI-Prädiktionsanalyse zu erreichen.
Einsatz des Modells
Im Rahmen des Implementierungsschritts integrierten wir das entwickelte Modell in die Banking-Software und nahmen es in die Schlüsselkennzahlen der Benutzer auf. Dieser Prozess erforderte eine enge Kommunikation zwischen den Teams von Innowise und der IT-Abteilung der Bank, um eine nahtlose Integration zu gewährleisten. Dank dieses strukturierten Ansatzes konnten wir eine effektive KI-gestützte Predictive-Banking-Software bereitstellen, die den spezifischen Herausforderungen unseres Kunden gerecht wird und es ihm ermöglicht, datengestützte Entscheidungen zu treffen, um seine Leistung und Kundenzufriedenheit zu verbessern.

Team

1
Project Manager
2
Datenwissenschaftler
2
Dateningenieure
2
Back-End-Ingenieure
2
Front-End-Ingenieure
1
QS-Spezialist

Ergebnisse: Höherer Customer Lifetime Value und Reaktivierung von abgewanderten Kunden durch KI-Tools in der Banking.Software

Die Implementierung von KI im Bankwesen hat für unseren Kunden bemerkenswerte Ergebnisse gebracht. Die Bank erlebte eine signifikante Steigerung des Customer Lifetime Value, wodurch neue Umsatzchancen erschlossen und langfristige Beziehungen zu ihrer wertvollen Kundschaft durch gezielte Bindungsstrategien gefördert werden konnten. 

Einer der bemerkenswertesten Erfolge des Systems war die erhebliche Senkung der Kundenabwanderungsrate und die erfolgreiche Reaktivierung von 17% inaktiver Kunden. Durch die frühzeitige Identifizierung von Kunden, die die Dienste der Bank wahrscheinlich verlassen werden, ermöglichte das System der Bank, proaktiv auf deren Anliegen einzugehen und personalisierte Kundenbindungsinitiativen anzubieten, die auf den Erkenntnissen der KI-gesteuerten Predictive-Banking-Softwarelösung basieren. Durch gezielte Kommunikation und maßgeschneiderte Angebote konnte die Bank eine größere Anzahl von Kunden erfolgreich an sich binden, was ihre anhaltende Treue sicherte und zum Gesamtwachstum beitrug.

Dauer des Projekts
  • November 2021 - Dezember 2022

Kontaktieren Sie uns!

Buchen Sie einen Anruf oder füllen Sie das Formular unten aus und wir melden uns bei Ihnen, sobald wir Ihre Anfrage bearbeitet haben.

    Bitte fügen Sie Projektdetails, Dauer, Technologie-Stack, benötigte IT-Experten und andere Infos bei.
    Bitte fügen Sie Projektdetails, Dauer, Technologie-Stack, benötigte IT-Experten
    und andere Infos bei.
    Hängen Sie nach Bedarf zusätzliche Dokumente an.
    Datei hochladen

    Sie können bis zu 1 Datei von insgesamt 2 MB anhängen. Gültige Dateien: pdf, jpg, jpeg, png

    Bitte beachten Sie, dass Innowise mit dem Anklicken der Schaltfläche 'Senden' Ihre persönlichen Daten nach der Datenschutzrichtlinie verarbeiten wird, um Ihnen die gewünschten Informationen zukommen zu lassen.

    Wie geht es weiter?

    1

    Sobald wir Ihre Anfrage erhalten und bearbeitet haben, werden wir uns mit Ihnen in Verbindung setzen, um Ihre Projektanforderungen zu besprechen und eine NDA für die Vertraulichkeit der Informationen zu unterzeichnen.

    2

    Nach der Prüfung der Anforderungen erstellen unsere Analysten und Entwickler einen Projektvorschlag, der Arbeitsumfang, Teamgröße, Zeit- und Kostenschätzung enthält.

    3

    Wir vereinbaren einen Termin mit Ihnen, um das Angebot zu besprechen und eine Vereinbarung zu treffen.

    4

    Wir unterzeichnen einen Vertrag und beginnen umgehend mit der Arbeit an Ihrem Projekt.

    Vielen Dank!

    Ihre Nachricht wurde gesendet.
    Wir werden Ihre Anfrage bearbeiten und Sie so schnell wie möglich kontaktieren.

    Vielen Dank!

    Ihre Nachricht wurde gesendet.
    Wir werden Ihre Anfrage bearbeiten und Sie so schnell wie möglich kontaktieren.

    Pfeil