Re-activatie van 17% afgewezen bankklanten met AI-gebruik in bankieren

Een van de belangrijkste uitdagingen was een onevenwichtige dataset, waarin slechts een klein deel van de klanten had gechurned. Daarom was het van cruciaal belang om ervoor te zorgen dat het geselecteerde model deze minderheidsklasse nauwkeurig voorspelde met een hogere precisie. De aanwezigheid van een dergelijke onevenwichtigheid zou mogelijk kunnen leiden tot vertekende modelprestaties. Om dit probleem aan te pakken, hebben we uitgebreid onderzoek gedaan naar bestaande oplossingen die specifiek zijn ontworpen voor het omgaan met onevenwichtige datasamples om mogelijke vertekeningen te beperken en de algehele prestaties en nauwkeurigheid van het model te verbeteren.

Om de precisie, recall en F-maatstaf van de modellen te evalueren, hielpen we onze klant bij het identificeren van aangepaste modelmetriek en acceptatiecriteria voor elke specifieke klantcase in overeenstemming met de bedrijfswaarde. We hebben ons echter geconcentreerd op de F1-score, omdat deze een balans illustreert tussen precisie en terugroepen.

Onze uiteindelijke oplossing omvatte een breed scala aan machine-learningalgoritmen, met zowel klassieke boostingmodellen als moderne technieken voor zelftoezicht. Door gebruik te maken van boostingmodellen hebben we het oorspronkelijke churnprobleem effectief aangepakt met een hoge mate van nauwkeurigheid, zodat we nauwkeurige voorspellingen konden doen over het verloop van klanten.