Encuéntrenos en la E-commerce Berlin Expo, el 22 de febrero de 2024.

Déjenos sus datos y le enviaremos nuestro libro blanco por correo electrónico.
Consiento el tratamiento de mis datos personales para el envío de material publicitario personalizado de conformidad con la Política de privacidad. Al confirmar el envío, acepta recibir material de marketing
Gracias.

El formulario se ha enviado correctamente.
Encontrará más información en su buzón.

Innowise es una empresa internacional de desarrollo de software de ciclo completo de software de ciclo completo fundada en 2007. Somos un equipo de más de 1600+ profesionales de TI que desarrollan software para otros profesionales de todo el mundo.
Conócenos
Innowise es una empresa internacional de desarrollo de software de ciclo completo de software de ciclo completo fundada en 2007. Somos un equipo de más de 1400 profesionales de TI que desarrollan software para otros profesionales de todo el mundo.

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

Innowise ha empleado algoritmos de IA y ML para predecir la pérdida de clientes y desarrollar estrategias de retención específicas para un banco minorista.

Cliente

Industria
Banking
Región
MENA
Cliente desde
2021

Nuestro cliente, un importante banco minorista, ocupa una sólida posición en la región MENA (Oriente Medio y Norte de África). Con una presencia e influencia significativas en el mercado local, este banco se ha consolidado como una institución financiera de confianza dirigida a particulares.

La información detallada sobre el cliente no puede divulgarse en virtud de las disposiciones del acuerdo de confidencialidad.

Reto: Reducir la tasa de pérdida de clientes mediante la Inteligencia Artificial en el sector bancario

Nuestro cliente estaba experimentando una transformación digital global. Los métodos tradicionales de retención de clientes resultaron ineficaces, lo que llevó al banco a buscar un enfoque personalizado. Una de las estrategias que el banco adoptó como parte de sus esfuerzos de digitalización fue la implementación de campañas publicitarias específicas dentro del marketing automatizado dirigidas a grupos de usuarios específicos, con el objetivo de retener a los clientes utilizando IA y análisis predictivo.

Sin embargo, el banco carecía de un sistema unificado capaz de recopilar datos de usuarios, identificar patrones de comportamiento indicativos de una posible pérdida de clientes y analizarlos exhaustivamente. Se encargó a Innowise el desarrollo de dicho sistema, aprovechando los modelos ML para detectar el abandono de clientes basándose en patrones de comportamiento. 

Solución: Analizar y predecir el comportamiento de los clientes con un software de banca predictiva basado en IA.

Innowise ha desarrollado una solución de software bancario predictivo impulsado por IA para analizar las tasas de rotación individuales para ayudar a nuestro cliente a implementar estrategias de retención altamente específicas. Esta solución optimiza los recursos al permitir centrar los esfuerzos en los clientes de alto riesgo, garantizando el máximo impacto en la retención de la valiosa clientela.
Esquema Arquitectura de la solución

Análisis de datos de clientes mejorados

El sistema analítico opera en el back-end, integrándose a la perfección con el almacén de datos del banco para recopilar los datos de los clientes. Utilizamos el motor Spark para desarrollar un sistema eficiente que proporciona canalizaciones ML, preprocesamiento de datos, entrenamiento y evaluación de modelos, detección de anomalías y escalado de datos. El sistema utiliza un enfoque multifacético para analizar diversos aspectos de la información de los clientes, como el historial de transacciones, las quejas de los clientes, los datos demográficos, etc.

Al analizar los datos de los clientes mediante el procesamiento del lenguaje natural (PLN), el sistema capta el sentimiento y las opiniones de los clientes. Esta funcionalidad permite al banco abordar de forma proactiva los problemas y preocupaciones de los clientes antes de que se agraven, reforzando así su fidelidad.

 

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.

Evaluación del riesgo de rotación

El algoritmo de IA del sistema proporciona un análisis continuo de las métricas de los usuarios y determina su grupo de clasificación de bajas. A continuación, esta información se incorpora al sistema de marketing del banco, lo que permite a los analistas presentarla en una vista agrupada. Esto facilita un filtrado y una segmentación eficaces basados en categorías específicas de usuarios.

La aplicación del análisis predictivo de IA y la segmentación inteligente permiten al banco desarrollar campañas específicas y ofertas altamente personalizadas. Mediante la adaptación de opciones individuales de devolución de efectivo, promociones exclusivas del banco y descuentos personalizados, el banco puede atender eficazmente los requisitos y necesidades únicos de cada cliente. El sistema también muestra el porcentaje de riesgo de rotación de cada cliente en las tarjetas CMS, lo que permite al personal del banco obtener información valiosa durante sus interacciones y aplicar estrategias de retención para conservar a los clientes.

Tecnologías

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

Proceso

Innowise ofrece un conjunto completo de soluciones de IA para bancos. Estas soluciones abarcan múltiples fases esenciales, garantizando una implementación sólida y una integración perfecta.

Marco del problema
Mediante una amplia colaboración y sesiones de recopilación de requisitos con nuestros clientes, establecimos un marco de problemas claro. Esto implicó la participación de las principales partes interesadas y expertos bancarios para identificar los retos específicos asociados a la digitalización bancaria.
Adquisición de datos y análisis exploratorio de datos
Tras definir el marco del problema, nos centramos en tratar una gran cantidad de datos de clientes. Nuestro primer paso fue realizar un análisis exploratorio de los datos. Esto nos ayudó a validar hipótesis estadísticas y sentó las bases para la ingeniería de características. Por ejemplo, observamos que la tasa de abandono de clientes femeninos era mayor que la de los masculinos, y ni el producto ni el salario afectaban significativamente a la probabilidad de abandono. La ingeniería de características desempeñó un papel crucial en la actualización y el perfeccionamiento de las características en esta fase. Evaluamos varios algoritmos de aprendizaje automático, como los árboles de decisión de aumento gradual (Gradient Boosting Decision Trees, GBDT), Naïve Bayes y las redes neuronales clasificatorias. Mediante una cuidadosa evaluación, determinamos que el método GBDT arrojaba las métricas más altas para la tarea original.
Desarrollo de modelos
El sistema se evaluó, perfeccionó y probó continuamente durante la fase de desarrollo del modelo. Afinamos los modelos mediante múltiples iteraciones y técnicas de validación para lograr el máximo rendimiento en el análisis predictivo de IA.
Despliegue de modelos
Como parte del paso de despliegue, integramos el modelo desarrollado en el sistema del banco, incorporándolo como parte de las métricas clave de los usuarios. Este proceso implicó una estrecha comunicación entre los equipos del Grupo Innowise y el departamento de TI del banco para garantizar una integración perfecta. Al seguir este enfoque estructurado, Innowise entregó una solución de banca predictiva eficaz impulsada por IA, abordando los desafíos específicos de nuestro cliente y permitiéndoles tomar decisiones basadas en datos para mejorar el rendimiento y la satisfacción del cliente.

Equipo

1
Jefe de proyecto
2
Científicos de datos
2
Ingenieros de datos
2
Ingenieros de back-end
2
Ingenieros frontales
1
Especialista en control de calidad

Resultados: Aumento del valor del ciclo de vida del cliente y reactivación de clientes dados de baja con IA en banca y finanzas.

La implantación de la IA en la banca y las finanzas proporcionó resultados notables a nuestro cliente. El banco experimentó un aumento significativo del valor vitalicio del cliente, desbloqueando nuevas oportunidades de ingresos y fomentando relaciones a largo plazo con su valiosa clientela mediante el despliegue de estrategias de retención específicas. 

Uno de los logros más notables del sistema fue la reducción sustancial de las tasas de abandono de clientes y la reactivación satisfactoria de 17% de clientes inactivos. Al identificar con antelación a los clientes susceptibles de abandonar los servicios del banco, el sistema permitió a este abordar de forma proactiva sus preocupaciones y ofrecer iniciativas de retención personalizadas basadas en la información proporcionada por la solución de software de banca predictiva basada en IA. Gracias a una comunicación específica y a ofertas personalizadas, el banco logró retener a un mayor número de clientes, garantizando su fidelidad y contribuyendo al crecimiento global de la entidad.

Duración del proyecto
  • Noviembre 2021 - Diciembre 2022

Póngase en contacto con nosotros

Reservar una llamada o rellene el siguiente formulario y nos pondremos en contacto con usted cuando hayamos procesado su solicitud.

    Por favor, facilítenos detalles del proyecto, duración, tecnologías, especialistas informáticos necesarios y otra información relevante.
    Grabe un mensaje de voz sobre su proyecto
    para ayudarnos a comprenderlo mejor.
    Adjunte los documentos adicionales si es necesario
    Cargar archivo

    Puede adjuntar hasta 1 archivo de 2 MB en total. Archivos válidos: pdf, jpg, jpeg, png

    Le informamos de que cuando haga clic en el botón Enviar, Innowise procesará sus datos personales de acuerdo con nuestra Política de privacidad con el fin de proporcionarle la información adecuada.

    Qué pasa después?

    1

    Una vez recibida y procesada su solicitud, nos pondremos en contacto con usted para detallar las necesidades de su proyecto y firmar un acuerdo de confidencialidad que garantice la confidencialidad de la información.

    2

    Después de examinar los requisitos, nuestros analistas y desarrolladores elaboran una propuesta de proyecto con el alcance de las obras, el tamaño del equipo, el tiempo y las estimaciones de costos.

    3

    Concertamos una reunión con usted para discutir la oferta y llegar a un acuerdo.

    4

    Firmamos un contrato y comenzamos a trabajar en su proyecto lo más rápido posible.

    Gracias.

    Su mensaje ha sido enviado.
    Procesaremos su solicitud y nos pondremos en contacto con usted lo antes posible.

    Este sitio web utiliza cookies

    Utilizamos cookies para mejorar su experiencia de navegación, publicar anuncios o contenidos personalizados y analizar el tráfico del sitio. Al hacer clic en "Aceptar todo", usted acepta el uso que hacemos de las cookies. Consulte nuestra Política de privacidad.

    Gracias.

    Su mensaje ha sido enviado.
    Procesaremos su solicitud y nos pondremos en contacto con usted lo antes posible.

    flecha