Reactivación del 17% de los clientes bancarios que pierden clientes con el uso de AI en la banca

Uno de los principales retos era un conjunto de datos desequilibrado, en el que sólo una pequeña parte de los clientes habían abandonado. Por lo tanto, era crucial garantizar que el modelo seleccionado predijera con exactitud esta clase minoritaria con mayor precisión. La presencia de este desequilibrio podría dar lugar a un rendimiento sesgado del modelo. Para resolver este problema, investigamos a fondo las soluciones existentes diseñadas específicamente para tratar muestras de datos desequilibradas con el fin de mitigar cualquier posible sesgo y mejorar el rendimiento y la precisión generales del modelo.

Para evaluar la precisión, la recuperación y la medida F de los modelos, ayudamos a nuestro cliente a identificar métricas de modelo personalizadas y criterios de aceptación para cada caso de cliente específico de acuerdo con el valor empresarial. Sin embargo, nos hemos centrado en la puntuación F1, ya que ilustra un equilibrio entre precisión y recuperación.

Nuestra solución final abarcó una amplia gama de algoritmos de aprendizaje automático, incorporando tanto modelos clásicos de boosting como técnicas modernas de autosupervisión. Mediante el uso de modelos de refuerzo, abordamos el problema original de la pérdida de clientes con un alto grado de precisión, garantizando predicciones precisas de la pérdida de clientes.