Reaktivering av 17% bankkunder med bruk av kunstig intelligens i bankvirksomhet

En av hovedutfordringene var et ubalansert datasett, der bare en liten andel av kundene hadde gjort oppsigelser. Derfor var det avgjørende å sikre at den valgte modellen predikerte denne minoritetsklassen med høy presisjon. En slik ubalanse kunne potensielt føre til skjevhet i modellens resultater. For å løse dette problemet gjorde vi omfattende undersøkelser av eksisterende løsninger som er spesielt utviklet for å håndtere ubalanserte datautvalg for å redusere eventuelle skjevheter og forbedre modellens samlede ytelse og nøyaktighet.

For å evaluere modellenes presisjon, tilbakekalling og F-mål hjalp vi kunden vår med å identifisere tilpassede modellberegninger og akseptkriterier for hvert enkelt kundecase i samsvar med forretningsverdien. Vi har imidlertid fokusert på F1-målet, ettersom det illustrerer en balanse mellom presisjon og recall.

Den endelige løsningen vår omfattet et bredt spekter av maskinlæringsalgoritmer, med både klassiske boosting-modeller og moderne selvstyrte teknikker. Ved å bruke boosting-modeller løste vi det opprinnelige churn-problemet på en effektiv måte og med høy grad av nøyaktighet, noe som sikret presise prognoser for kundefrafall.