Ontmoet ons op de E-commerce Berlin Expo, 22 februari 2024.

Laat uw contactgegevens achter, dan sturen we u onze whitepaper per e-mail toe.
Ik geef toestemming voor het verwerken van mijn persoonlijke gegevens om gepersonaliseerd marketingmateriaal te sturen in overeenstemming met de Privacybeleid. Door de inzending te bevestigen, gaat u akkoord met het ontvangen van marketingmateriaal
Bedankt.

Het formulier is succesvol verzonden.
Meer informatie vindt u in uw mailbox.

Innowise is een internationaal full-cycle softwareontwikkelingsbedrijf bedrijf opgericht in 2007. Wij zijn een team van 1600+ IT professionals die software ontwikkelen voor andere professionals wereldwijd.
Over ons
Innowise is een internationaal full-cycle softwareontwikkelingsbedrijf bedrijf opgericht in 2007. Wij zijn een team van 1400+ IT professionals die software ontwikkelen voor andere professionals wereldwijd.

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

Innowise heeft AI- en ML-algoritmen ingezet om klantverloop te voorspellen en gerichte retentiestrategieën te ontwikkelen voor een retailbank.

Klant

Industrie
Banking
Regio
MENA
Klant sinds
2021

Onze klant, een vooraanstaande retailbank, heeft een sterke positie binnen de MENA-regio (Midden-Oosten en Noord-Afrika). Met een aanzienlijke aanwezigheid en invloed op de lokale markt heeft deze bank zich gevestigd als een vertrouwde financiële instelling voor particulieren.

Gedetailleerde informatie over de klant kan niet openbaar worden gemaakt krachtens de bepalingen van de NDA.

Uitdaging: Klantverloop verminderen door middel van kunstmatige intelligentie in de banksector

Onze klant onderging een wereldwijde digitale transformatie. Traditionele methoden om klanten te behouden bleken niet effectief, waardoor de bank op zoek ging naar een gepersonaliseerde aanpak. Een van de strategieën die de bank toepaste als onderdeel van hun digitaliseringsinspanningen was de implementatie van gerichte reclamecampagnes binnen geautomatiseerde marketing gericht op specifieke gebruikersgroepen, met als doel klanten te behouden met behulp van AI en voorspellende analyses.

De bank beschikte echter niet over een uniform systeem waarmee gebruikersgegevens konden worden verzameld, gedragspatronen konden worden geïdentificeerd die duidden op potentiële klantuitval, en dat uitgebreid kon worden geanalyseerd. Innowise kreeg de opdracht om een dergelijk systeem te ontwikkelen, gebruikmakend van ML-modellen om klantuitval te detecteren op basis van gedragspatronen. 

Oplossing: Klantgedrag analyseren en voorspellen met AI-gestuurde voorspellende banksoftware

Innowise heeft een AI-gestuurde softwareoplossing voor voorspellend bankieren ontwikkeld om individuele opzeggingspercentages te analyseren om onze klant te helpen zeer gerichte retentiestrategieën te implementeren. Deze oplossing optimaliseert de middelen door gerichte inspanningen voor risicoklanten mogelijk te maken, waardoor een maximaal effect wordt bereikt bij het behouden van waardevolle klanten.
Regeling Oplossingsarchitectuur

Verbeterde analyse van klantgegevens

Het analytische systeem werkt aan de back-end en integreert naadloos met het datawarehouse van de bank om klantgegevens te verzamelen. We hebben de Spark-engine gebruikt om een efficiënt systeem te ontwikkelen dat ML-pipelines, data preprocessing, modeltraining en -evaluatie, anomaliedetectie en dataschaling biedt. Het systeem gebruikt een veelzijdige aanpak om verschillende aspecten van klantgegevens te analyseren, waaronder transactiegeschiedenis, klachten van klanten, demografische gegevens, enz.

Door klantgegevens te analyseren met behulp van natuurlijke taalverwerking (NLP) legt het systeem het sentiment en de feedback van klanten vast. Deze functionaliteit stelt de bank in staat om problemen en zorgen van klanten proactief aan te pakken voordat ze escaleren, waardoor de klantloyaliteit wordt versterkt.

 

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.

Churn-risico-evaluatie

Het AI-algoritme van het systeem zorgt voor een voortdurende analyse van gebruikersgegevens en bepaalt hun churn classificatiegroep. Deze informatie wordt vervolgens opgenomen in het marketingsysteem van de bank, waardoor analisten de informatie kunnen presenteren in een geclusterde weergave. Dit vergemakkelijkt efficiënt filteren en segmenteren op basis van specifieke gebruikerscategorieën.

De implementatie van AI predictive analytics en intelligente segmentatie stelt de bank in staat om gerichte campagnes en zeer persoonlijke aanbiedingen te ontwikkelen. Door individuele cashbackopties, exclusieve bankpromoties en gepersonaliseerde kortingen op maat te maken, kan de bank effectief inspelen op de unieke eisen en behoeften van elke klant. Het systeem toont ook het churn-risicopercentage voor elke klant op de CMS-kaarten, zodat het bankpersoneel waardevolle inzichten kan opdoen tijdens hun interacties en retentiestrategieën kan implementeren om klanten te behouden.

Technologieën

Front-end
React, Redux, Redux-Thunk, React-hook-form, SASS, Axios, Storybook, Jest, Cypress
Back-end
Java, Spring (Boot, Data, MVC, Beveiliging), REST, SOAP, Liquibase, Maven, JUnit, WSDL, Mockito, Hibernate
Data Engineering
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

Proces

Innowise biedt een uitgebreid pakket AI-oplossingen voor banken. Deze oplossingen omvatten meerdere essentiële fasen en zorgen voor een robuuste implementatie en naadloze integratie.

Probleemkader
Door uitgebreide samenwerking en het verzamelen van vereisten met onze klanten hebben we een duidelijk probleemkader opgesteld. Hierbij werden de belangrijkste belanghebbenden en bankdeskundigen betrokken om de specifieke uitdagingen te identificeren die gepaard gaan met de digitalisering van banken.
Gegevensverzameling en verkennende gegevensanalyse
Na het definiëren van het probleemkader richtten we ons op het omgaan met een grote hoeveelheid klantgegevens. Onze eerste stap was het uitvoeren van verkennende gegevensanalyse. Dit hielp ons bij het valideren van statistische hypotheses en legde de basis voor feature engineering. We stelden bijvoorbeeld vast dat het opzegpercentage onder vrouwelijke klanten hoger was dan onder mannelijke klanten, en dat noch het product noch het salaris de waarschijnlijkheid van opzegging significant beïnvloedde. Feature engineering speelde een cruciale rol bij het bijwerken en verfijnen van de features in dit stadium. We evalueerden verschillende machine-learning algoritmen, waaronder Gradient Boosting Decision Trees (GBDT), Naïve Bayes en Classificational Neural Networks. Door zorgvuldige beoordeling stelden we vast dat de GBDT-methode de hoogste metriek opleverde voor de oorspronkelijke taak.
Modelontwikkeling
Het systeem werd voortdurend geëvalueerd, verfijnd en getest tijdens de ontwikkelingsfase van het model. We hebben de modellen verfijnd met behulp van meerdere iteraties en validatietechnieken om de hoogste prestaties in AI voorspellende analyses te bereiken.
Model inzet
Als onderdeel van de implementatiefase integreerden we het ontwikkelde model in het systeem van de bank en namen we het op als onderdeel van de belangrijkste statistieken van de gebruikers. Dit proces ging gepaard met nauwe communicatie tussen de teams van Innowise en de IT-afdeling van de bank om een naadloze integratie te garanderen. Door deze gestructureerde aanpak leverde Innowise een effectieve AI-gestuurde voorspellende bankoplossing die de specifieke uitdagingen van onze klant aanging en hen in staat stelde datagestuurde beslissingen te nemen voor betere prestaties en klanttevredenheid.

Team

1
Projectleider
2
Gegevenswetenschappers
2
Data Ingenieurs
2
Back-end ingenieurs
2
Front-end ingenieurs
1
QA Specialist

Resultaten: Verhoogde customer lifetime value en re-activatie van afgehaakte klanten met AI in bankieren en financiën

De implementatie van AI in bankieren en financiën leverde opmerkelijke resultaten op voor onze klant. De bank ervoer een significante toename in customer lifetime value, ontsloot nieuwe omzetkansen en koesterde langdurige relaties met haar waardevolle klanten door gerichte retentiestrategieën in te zetten. 

Een van de meest opmerkelijke resultaten van het systeem was de substantiële verlaging van het klantverloop en de succesvolle heractivering van 17% van inactieve klanten. Door vooraf klanten te identificeren die waarschijnlijk de diensten van de bank zullen verlaten, stelde het systeem de bank in staat om proactief in te spelen op hun zorgen en gepersonaliseerde retentie-initiatieven te bieden op basis van inzichten die de AI-gestuurde softwareoplossing voor voorspellend bankieren verschafte. Door gerichte communicatie en op maat gemaakte aanbiedingen wist de bank met succes een groter aantal klanten te behouden, hun blijvende loyaliteit te garanderen en bij te dragen aan de algehele groei van de instelling.

Duur van het project
  • November 2021 - december 2022

Neem contact met ons op!

Boek een gesprek of vul het onderstaande formulier in en we nemen contact met je op zodra we je aanvraag hebben verwerkt.

    Voeg projectgegevens alsjeblieft, duur, technische stapel, IT-professionals nodig en andere relevante informatie toe
    Neem een spraakbericht over uw
    project op om het ons beter te helpen begrijpen
    Voeg indien nodig aanvullende documenten bij
    Bestand uploaden

    Je kunt maximaal 1 bestand van 2MB bijvoegen. Geldige bestanden: pdf, jpg, jpeg, png

    Wij wijzen u erop dat wanneer u op de verzendknop klikt, Innowise uw persoonsgegevens verwerkt in overeenstemming met ons Privacybeleid om u van de juiste informatie te voorzien.

    Wat gebeurt er nu?

    1

    Na ontvangst en verwerking van uw aanvraag, nemen wij binnenkort contact met u op om uw projectbehoeften in detail te beschrijven en een NDA te ondertekenen om de vertrouwelijkheid van informatie te garanderen.

    2

    Na het bestuderen van de vereisten, stellen onze analisten en ontwikkelaars een projectvoorstel met de omvang van de werkzaamheden, teamgrootte, tijd en kosten schattingen.

    3

    Wij regelen een ontmoeting met u om het aanbod te bespreken en tot een overeenkomst.

    4

    We tekenen een contract en beginnen zo snel mogelijk aan uw project te werken mogelijk.

    Bedankt.

    Uw bericht is verzonden.
    Wij verwerken uw aanvraag en nemen zo spoedig mogelijk contact met u op.

    Deze website gebruikt cookies

    Wij gebruiken cookies om uw surfervaring te verbeteren, gepersonaliseerde advertenties of inhoud aan te bieden en het websiteverkeer te analyseren. Door op "Alles accepteren" te klikken, stemt u in met ons gebruik van cookies. Bekijk onze Privacybeleid.

    Bedankt.

    Uw bericht is verzonden.
    Wij verwerken uw aanvraag en nemen zo spoedig mogelijk contact met u op.

    pijl