Riattivazione di 17% clienti bancari abbandonati con l'uso dell'AI nel settore bancario

Una delle sfide principali da affrontare era un set di dati sbilanciato, in cui solo una piccola parte dei clienti aveva effettuato il churning. Pertanto, era fondamentale garantire che il modello selezionato prevedesse accuratamente questa classe minoritaria con una maggiore precisione. La presenza di tale sbilanciamento potrebbe potenzialmente portare a prestazioni distorte del modello. Per risolvere questo problema, abbiamo condotto una ricerca approfondita sulle soluzioni esistenti, progettate specificamente per la gestione di campioni di dati sbilanciati, al fine di mitigare qualsiasi potenziale distorsione e migliorare le prestazioni complessive e l'accuratezza del modello.

Per valutare la precisione, il richiamo e la misura F dei modelli, abbiamo aiutato il nostro cliente a identificare metriche e criteri di accettazione del modello personalizzati per ogni caso specifico del cliente, in base al valore aziendale. Tuttavia, ci siamo concentrati sul punteggio F1 in quanto illustra un equilibrio tra precisione e richiamo.

La nostra soluzione finale comprendeva una gamma diversificata di algoritmi di apprendimento automatico, incorporando sia i classici modelli di boosting sia le moderne tecniche auto-supervisionate. Sfruttando i modelli di boosting, abbiamo affrontato efficacemente il problema del churn originale con un alto grado di accuratezza, garantendo previsioni precise sul churn dei clienti.