Reactivação de 17% de clientes bancários abandonados com a utilização da IA no sector bancário

Um dos principais desafios enfrentados foi um conjunto de dados desequilibrado, em que apenas uma pequena fração dos clientes tinha abandonado o serviço. Por conseguinte, era crucial garantir que o modelo selecionado previsse com maior precisão esta classe minoritária. A presença de tal desequilíbrio poderia potencialmente levar a um desempenho tendencioso do modelo. Para resolver este problema, efectuámos uma investigação aprofundada sobre as soluções existentes especificamente concebidas para lidar com amostras de dados desequilibrados, a fim de atenuar qualquer potencial enviesamento e melhorar o desempenho geral e a precisão do modelo.

Para avaliar a precisão, a recuperação e a medida F dos modelos, ajudámos o nosso cliente a identificar métricas de modelos personalizados e critérios de aceitação para cada caso específico de cliente, de acordo com o valor comercial. No entanto, concentrámo-nos na pontuação F1, uma vez que ilustra um equilíbrio entre a precisão e a recuperação.

A nossa solução final englobou uma gama diversificada de algoritmos de aprendizagem automática, incorporando tanto modelos clássicos de reforço como técnicas modernas auto-supervisionadas. Ao tirar partido dos modelos de boosting, resolvemos eficazmente o problema original da rotatividade com um elevado grau de precisão, garantindo previsões precisas da rotatividade dos clientes.