Ponowna aktywacja 17% klientów banków z wykorzystaniem AI w bankowości

NLP

Analityka predykcyjna

React

Innowise wykorzystał algorytmy AI i ML do przewidywania rezygnacji klientów i opracowania ukierunkowanych strategii utrzymania klientów dla banku detalicznego.

Klient

Przemysł

Bankowość

Region

MENA

Klient od

2021

Nasz klient, znany bank detaliczny, zajmuje silną pozycję w regionie MENA (Bliski Wschód i Afryka Północna). Dzięki znaczącej obecności i wpływom na lokalnym rynku, bank ten stał się zaufaną instytucją finansową obsługującą klientów indywidualnych.

Szczegółowe informacje o kliencie nie mogą zostać ujawnione zgodnie z postanowieniami umowy NDA.

Wyzwanie: Zmniejszenie wskaźnika rezygnacji klientów dzięki sztucznej inteligencji w branży bankowej

Nasz klient przechodził globalną transformację cyfrową. Tradycyjne metody utrzymania klientów okazały się nieskuteczne, co skłoniło bank do poszukiwania spersonalizowanego podejścia. Jedną ze strategii przyjętych przez bank w ramach działań digitalizacyjnych było wdrożenie ukierunkowanych kampanii reklamowych w ramach zautomatyzowanego marketingu skierowanego do określonych grup użytkowników, w celu zatrzymania klientów przy użyciu sztucznej inteligencji i analityki predykcyjnej.

Jednak bankowi brakowało ujednoliconego systemu zdolnego do gromadzenia danych użytkowników, identyfikowania wzorców zachowań wskazujących na potencjalny odpływ klientów i ich kompleksowej analizy. Zadaniem Innowise było opracowanie takiego systemu, wykorzystującego modele ML do wykrywania odejść klientów na podstawie wzorców zachowań.

Rozwiązanie: Analiza i przewidywanie zachowań klientów za pomocą oprogramowania bankowości predykcyjnej opartego na sztucznej inteligencji

Innowise opracował oparte na sztucznej inteligencji oprogramowanie bankowości predykcyjnej do analizy indywidualnych wskaźników rezygnacji, aby pomóc naszemu klientowi wdrożyć wysoce ukierunkowane strategie retencji. Rozwiązanie to optymalizuje zasoby, umożliwiając skoncentrowanie wysiłków na klientach wysokiego ryzyka, zapewniając maksymalny wpływ na utrzymanie cennych klientów.

Ulepszona analiza danych klientów

System analityczny działa na zapleczu, płynnie integrując się z hurtownią danych banku w celu gromadzenia danych klientów. Wykorzystaliśmy silnik Spark do opracowania wydajnego systemu, który zapewnia potoki ML, wstępne przetwarzanie danych, szkolenie i ocenę modeli, wykrywanie anomalii i skalowanie danych. System wykorzystuje wieloaspektowe podejście do analizy różnych aspektów informacji o klientach, w tym historii transakcji, skarg klientów, danych demograficznych itp.

Analizując dane klientów za pomocą przetwarzania języka naturalnego (NLP), system rejestruje nastroje i opinie klientów. Ta funkcjonalność umożliwia bankowi proaktywne rozwiązywanie problemów i obaw klientów, zanim dojdzie do ich eskalacji, wzmacniając w ten sposób lojalność klientów.

Jednym z głównych wyzwań był niezrównoważony zbiór danych, w którym tylko niewielka część klientów zrezygnowała z usług. Dlatego też kluczowe było zapewnienie, że wybrany model dokładnie przewidział tę mniejszościową klasę z większą precyzją. Obecność takiej nierównowagi może potencjalnie prowadzić do stronniczej wydajności modelu. Aby rozwiązać tę kwestię, przeprowadziliśmy szeroko zakrojone badania nad istniejącymi rozwiązaniami zaprojektowanymi specjalnie do obsługi niezrównoważonych próbek danych, aby złagodzić wszelkie potencjalne odchylenia i poprawić ogólną wydajność i dokładność modelu.

Aby ocenić precyzję, wycofanie i miarę F modeli, pomogliśmy naszemu klientowi zidentyfikować niestandardowe wskaźniki modelu i kryteria akceptacji dla każdego konkretnego przypadku klienta zgodnie z wartością biznesową. Skupiliśmy się jednak na wyniku F1, ponieważ ilustruje on równowagę między precyzją a wycofaniem.

Nasze ostateczne rozwiązanie obejmowało zróżnicowany zakres algorytmów uczenia maszynowego, włączając zarówno klasyczne modele boosting, jak i nowoczesne techniki samonadzorowane. Wykorzystując modele boosting, skutecznie rozwiązaliśmy pierwotny problem churn z wysokim stopniem dokładności, zapewniając precyzyjne prognozy dotyczące rezygnacji klientów.

Ocena ryzyka rezygnacji

Algorytm sztucznej inteligencji systemu zapewnia bieżącą analizę wskaźników użytkowników i określa ich grupę klasyfikacyjną rezygnacji. Informacje te są następnie włączane do systemu marketingowego banku, umożliwiając analitykom prezentowanie ich w widoku grupowym. Ułatwia to skuteczne filtrowanie i segmentację w oparciu o określone kategorie użytkowników.

Wdrożenie analityki predykcyjnej AI i inteligentnej segmentacji umożliwia bankowi opracowywanie ukierunkowanych kampanii i wysoce spersonalizowanych ofert. Dostosowując indywidualne opcje zwrotu gotówki, ekskluzywne promocje bankowe i spersonalizowane rabaty, bank może skutecznie zaspokoić unikalne wymagania i potrzeby każdego klienta. System wyświetla również procentowe ryzyko rezygnacji dla każdego klienta na kartach CMS, umożliwiając pracownikom banku uzyskanie cennych informacji podczas interakcji i wdrażanie strategii retencyjnych w celu utrzymania klientów.

Technologie

Front-end

React, Redux, Redux-Thunk, React-hook-form, SASS, Axios, Storybook, Jest, Cypress

Back-end

Java, Spring (Boot, Data, MVC, Security), REST, SOAP, Liquibase, Maven, JUnit, WSDL, Mockito, Hibernate

Inżynieria danych

Apache Hive, Apache Spark, PySpark, Apache Airflow, Redis Feasts

Cloud

Oracle

DevOps

Kubernetes (k8s), Docker, Docker Compose, Jenkins

Uczenie maszynowe

Apache Spark MLLib, Scikit-learn, LightGBM, XGBoost, Hyperopt, Numpy, Pandas, SciPy

MLOps

DVC, MLFlow, Comet

Proces

Innowise oferuje kompleksowy pakiet rozwiązań AI dla banków. Rozwiązania te obejmują wiele istotnych etapów, zapewniając solidne wdrożenie i płynną integrację.

Ramy problemu

Dzięki szeroko zakrojonej współpracy i sesjom zbierania wymagań z naszymi klientami, ustaliliśmy jasne ramy problemu. Wymagało to zaangażowania kluczowych interesariuszy i ekspertów bankowych w celu zidentyfikowania konkretnych wyzwań związanych z cyfryzacją banków.

Pozyskiwanie danych i analiza danych eksploracyjnych

Po zdefiniowaniu ram problemu, skupiliśmy się na radzeniu sobie z dużą ilością danych klientów. Naszym pierwszym krokiem było przeprowadzenie eksploracyjnej analizy danych. Pomogło nam to zweryfikować hipotezy statystyczne i położyło podwaliny pod inżynierię funkcji. Zaobserwowaliśmy na przykład, że wskaźnik rezygnacji wśród klientów płci żeńskiej był wyższy niż wśród klientów płci męskiej, a ani produkt, ani wynagrodzenie nie wpływały znacząco na prawdopodobieństwo rezygnacji. Inżynieria cech odegrała kluczową rolę w aktualizacji i udoskonalaniu cech na tym etapie. Oceniliśmy różne algorytmy uczenia maszynowego, w tym drzewa decyzyjne z gradientem Boosting (GBDT), Naiwnego Bayesa i klasyfikacyjne sieci neuronowe. Dzięki starannej ocenie ustaliliśmy, że metoda GBDT przyniosła najwyższe wskaźniki dla oryginalnego zadania.

Rozwój modelu

System był stale oceniany, udoskonalany i testowany podczas fazy opracowywania modelu. Dopracowaliśmy modele przy użyciu wielu iteracji i technik walidacji, aby osiągnąć najwyższą wydajność w analityce predykcyjnej AI.

Wdrożenie modelu

W ramach etapu wdrożenia zintegrowaliśmy opracowany model z systemem banku, włączając go jako część kluczowych wskaźników użytkowników. Proces ten wymagał ścisłej komunikacji między zespołami Innowise i działem IT banku, aby zapewnić płynną integrację. Postępując zgodnie z tym ustrukturyzowanym podejściem, Innowise dostarczyło skuteczne rozwiązanie bankowości predykcyjnej oparte na sztucznej inteligencji, odpowiadając na konkretne wyzwania naszego klienta i umożliwiając mu podejmowanie decyzji opartych na danych w celu poprawy wydajności i zadowolenia klientów.

Zespół

Kierownik projektu

Specjaliści ds. danych

Inżynierowie danych

Inżynierowie zaplecza

Inżynierowie front-end

Specjalista ds. kontroli jakości

Wyniki: Zwiększona wartość życiowa klienta i ponowna aktywacja porzuconych klientów dzięki sztucznej inteligencji w bankowości i finansach

Wdrożenie sztucznej inteligencji w bankowości i finansach przyniosło naszemu klientowi niezwykłe rezultaty. Bank doświadczył znacznego wzrostu wartości życiowej klienta, odblokowując nowe możliwości generowania przychodów i wspierając długoterminowe relacje z cennymi klientami poprzez wdrażanie ukierunkowanych strategii retencyjnych.

Jednym z najbardziej godnych uwagi osiągnięć systemu było znaczne obniżenie wskaźników rezygnacji klientów i udana reaktywacja 17% nieaktywnych klientów. Identyfikując z wyprzedzeniem klientów, którzy prawdopodobnie zrezygnują z usług banku, system umożliwił bankowi proaktywne rozwiązywanie ich obaw i dostarczanie spersonalizowanych inicjatyw retencyjnych w oparciu o spostrzeżenia dostarczane przez oparte na sztucznej inteligencji oprogramowanie do bankowości predykcyjnej. Dzięki ukierunkowanej komunikacji i dostosowanym ofertom bank z powodzeniem zatrzymał większą liczbę klientów, zapewniając ich stałą lojalność i przyczyniając się do ogólnego rozwoju instytucji.

Czas trwania projektu

Listopad 2021 - grudzień 2022

Powiązane przypadki

Skontaktuj się z nami!

Zarezerwuj połączenie lub wypełnij poniższy formularz, a my skontaktujemy się z Tobą po przetworzeniu Twojego zgłoszenia.

Nazwa

Firma

E-mail

Telefon

Wiadomość Prosimy o podanie szczegółów projektu, czasu trwania, stosu technologicznego, potrzebnych specjalistów IT i innych istotnych informacji.

Nagraj wiadomość głosową na temat
projekt, który pomoże nam lepiej go zrozumieć

W razie potrzeby dołącz dodatkowe dokumenty

Prześlij plik

Można załączyć maksymalnie 1 plik o łącznej wielkości 2 MB. Ważne pliki: pdf, jpg, jpeg, png

Informujemy, że po kliknięciu przycisku Wyślij Innowise będzie przetwarzać Twoje dane osobowe zgodnie z naszą Polityką prywatności w celu dostarczenia Ci odpowiednich informacji.

Co będzie dalej?

Po otrzymaniu i przetworzeniu Twojego zgłoszenia skontaktujemy się z Tobą wkrótce, aby wyszczególnić potrzeby projektu i podpisać umowę o zachowaniu poufności, aby zapewnić poufność informacji.

Po przeanalizowaniu wymagań, nasi analitycy i programiści opracowują projekt z zakresem prac, wielkością zespołu, czasem i kosztami szacunki.

Umówimy się z Tobą na spotkanie, aby omówić ofertę i dojść do porozumienia porozumienia.

Podpisujemy umowę i rozpoczynamy pracę nad projektem tak szybko, jak to możliwe możliwe.

Ponowna aktywacja 17% klientów banków z wykorzystaniem AI w bankowości

Klient

Wyzwanie: Zmniejszenie wskaźnika rezygnacji klientów dzięki sztucznej inteligencji w branży bankowej

Rozwiązanie: Analiza i przewidywanie zachowań klientów za pomocą oprogramowania bankowości predykcyjnej opartego na sztucznej inteligencji

Technologie

Proces

Zespół

Wyniki: Zwiększona wartość życiowa klienta i ponowna aktywacja porzuconych klientów dzięki sztucznej inteligencji w bankowości i finansach

Powiązane przypadki

Skontaktuj się z nami!

Co będzie dalej?

Let^●s develop
software together!

Złóż kolejną prośbę

Zamknij

Ponowna aktywacja 17% klientów banków z wykorzystaniem AI w bankowości

Klient

Wyzwanie: Zmniejszenie wskaźnika rezygnacji klientów dzięki sztucznej inteligencji w branży bankowej

Rozwiązanie: Analiza i przewidywanie zachowań klientów za pomocą oprogramowania bankowości predykcyjnej opartego na sztucznej inteligencji

Technologie

Proces

Zespół

Wyniki: Zwiększona wartość życiowa klienta i ponowna aktywacja porzuconych klientów dzięki sztucznej inteligencji w bankowości i finansach

Powiązane przypadki

Skontaktuj się z nami!

Co będzie dalej?

Let●s develop software together!

Subskrybuj do nasz newsletter

Złóż kolejną prośbę

Zamknij

Let^●s develop
software together!

Subskrybuj
do nasz newsletter