17%-asiakkaan uudelleenaktivointi, kun pankkiasiakkaat käyttävät AI:tä pankkitoiminnassa.

Yksi tärkeimmistä haasteista oli epätasapainoinen tietokanta, jossa vain pieni osa asiakkaista oli vaihtanut asiakkaita. Siksi oli ratkaisevan tärkeää varmistaa, että valittu malli ennustaa tämän vähemmistöluokan tarkasti ja suuremmalla tarkkuudella. Tällaisen epätasapainon esiintyminen voisi mahdollisesti johtaa mallin vääristyneeseen suorituskykyyn. Tämän ongelman ratkaisemiseksi teimme laajaa tutkimusta olemassa olevista ratkaisuista, jotka on suunniteltu erityisesti epätasapainoisten datanäytteiden käsittelyyn, jotta mahdollisia vääristymiä voitaisiin lieventää ja parantaa mallin yleistä suorituskykyä ja tarkkuutta.

Arvioidaksemme mallien tarkkuutta, palautusta ja F-mittaria autoimme asiakastamme määrittämään mukautetut mallin mittarit ja hyväksymiskriteerit kullekin asiakastapaukselle liiketoiminta-arvon mukaisesti. Olemme kuitenkin keskittyneet F1-tulokseen, koska se kuvaa tasapainoa tarkkuuden ja muistutuksen välillä.

Lopullinen ratkaisumme sisälsi monipuolisen valikoiman koneoppimisalgoritmeja, jotka sisälsivät sekä klassisia tehostamismalleja että nykyaikaisia itseohjautuvia tekniikoita. Boosting-malleja hyödyntämällä pystyimme tehokkaasti ratkaisemaan alkuperäisen poistumisongelman suurella tarkkuudella ja varmistamaan tarkat ennusteet asiakkaiden poistumisesta.