Återaktivering av 17% bankkunder med AI-användning i bank

Innowise har använt AI- och ML-algoritmer för att förutsäga kundernas churn och utveckla riktade retentionsstrategier för en detaljbank.

Kund

Industri

Banking

Region

MENA

Kund sedan

2021

Vår kund, en framstående detaljhandelsbank, har en stark position inom MENA-regionen (Mellanöstern och Nordafrika). Med en betydande närvaro och inflytande på den lokala marknaden har denna bank etablerat sig som en betrodd finansiell institution som tillgodoser individer.

Detaljerad information om kunden kan inte lämnas ut enligt bestämmelserna i NDA.

Utmaning: minskande kundkör priser genom artificiell intelligens i bankbranschen

Vår kund genomgick en global digital transformation. Traditionella kundretentionsmetoder visade sig vara ineffektiva, vilket fick banken att söka ett personligt tillvägagångssätt. En av de strategier som banken antog som en del av sina digitaliseringsinsatser var genomförandet av riktade reklamkampanjer inom automatiserad marknadsföring riktad mot specifika användargrupper, med målet att behålla kunder med AI och prediktiv analys.

Banken saknade emellertid ett enhetligt system som kunde samla in användardata, identifiera beteendemönster som indikerar potentiell kundkur och analysera den omfattande. Innowise fick i uppdrag att utveckla ett sådant system, genom att utnyttja ML-modeller för att upptäcka kundslitning baserat på beteendemönster.

Lösning: analysera och förutsäga kundbeteende med AI-driven prediktiv bankprogramvara

Innowise har utvecklat en AI-driven prediktiv bankprogramvarulösning för att analysera individuella churn-priser för att hjälpa vår kund att implementera mycket riktade retentionsstrategier. Denna lösning optimerar resurser genom att möjliggöra fokuserade insatser på högriskkunder, vilket säkerställer maximal effekt för att behålla värdefull kundkrets.

Förbättrad kunddataanalys

Analyssystemet fungerar på baksidan och integreras sömlöst med bankens datalager för att samla in kunddata. Vi använde Spark engine för att utveckla ett effektivt system som tillhandahåller ML-rörledningar, förbehandling av data, modellutbildning och utvärdering, anomalidetektering och dataskalning. Systemet använder ett mångfacetterat tillvägagångssätt för att analysera olika aspekter av kundinformation, inklusive transaktionshistorik, kundklagomål, demografi osv.

Genom att analysera kunddata genom naturlig språkbehandling (NLP) fångar systemet känslan och kundfeedback. Denna funktion ger banken möjlighet att proaktivt ta itu med kundproblem och problem innan de eskalerar, vilket stärker kundlojaliteten.

En av de främsta utmaningarna var en obalanserad dataset, där endast en liten del av kunderna hade churned. Därför var det avgörande att se till att den valda modellen exakt förutsade denna minoritetsklass med högre precision. Förekomsten av en sådan obalans kan potentiellt leda till partisk modellprestanda. För att lösa detta problem genomförde vi omfattande forskning om befintliga lösningar som är särskilt utformade för att hantera obalanserade dataprover för att mildra eventuella fördomar och förbättra modellens övergripande prestanda och noggrannhet.

För att utvärdera modellernas precision, återkallelse och F-mått hjälpte vi vår kund att identifiera anpassade modellmått och acceptanskriterier för varje specifikt kundfall i enlighet med affärsvärdet. Vi har dock fokuserat på F1-poäng eftersom det illustrerar en balans mellan precision och återkallelse.

Vår slutliga lösning omfattade ett varierat utbud av maskininlärningsalgoritmer, som innehåller både klassiska boosting-modeller och moderna självövervakade tekniker. Genom att utnyttja öka modeller, vi effektivt behandlat den ursprungliga churn problem med en hög grad av noggrannhet, säkerställa exakta förutsägelser för kunden churn.

Utvärdering av churn risk

Systemets AI-algoritm ger kontinuerlig analys av användarmått och bestämmer deras churn-klassificeringsgrupp. Denna information införlivas sedan i bankens marknadsföringssystem, vilket gör det möjligt för analytiker att presentera den i en grupperad vy. Detta underlättar effektiv filtrering och segmentering baserat på specifika användarkategorier.

Implementeringen av AI-prediktiv analys och intelligent segmentering ger banken möjlighet att utveckla riktade kampanjer och mycket personliga erbjudanden. Genom att skräddarsy individuella cash back-alternativ, exklusiva bankkampanjer och personliga rabatter kan banken effektivt tillgodose de unika kraven och behoven hos varje kund. Systemet visar också churn riskprocent för varje kund på CMS-kort, vilket gör det möjligt för bankpersonal att få värdefulla insikter under sina interaktioner och implementera retentionsstrategier för att behålla kunder.

Teknik

Front-end

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

Back-end

Java, Spring (Boot, Data, MVC, Säkerhet), 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

Maskininlärning

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

MLOps

DVC, MLFlow, Comet

Process

Innowise erbjuder en omfattande serie AI-lösningar för banker. Dessa lösningar omfattar flera viktiga faser, vilket säkerställer en robust implementering och sömlös integration.

Problemramverk

Genom omfattande samarbete och kravsamlingssessioner med våra kunder skapade vi ett tydligt problemramverk. Detta innebar att engagera viktiga intressenter och bankexperter för att identifiera de specifika utmaningar som är förknippade med bankdigitalisering.

Datainsamling och explorativ dataanalys

Efter att ha definierat problemramen fokuserade vi på att hantera en stor mängd kunddata. Vårt första steg var att utföra explorativ dataanalys. Detta hjälpte oss att validera statistiska hypoteser och lade grunden för funktionsteknik. Till exempel observerade vi att churn-frekvensen bland kvinnliga kunder var högre än hos manliga kunder, och varken produkten eller lönen påverkade churn-sannolikheten avsevärt. Funktionsteknik spelade en avgörande roll för att uppdatera och förfina funktionerna i detta skede. Vi utvärderade olika maskininlärningsalgoritmer, inklusive Gradient Boosting Decision Trees (GBDT), Naïve Bayes och Classificational Neural Networks. Genom noggrann bedömning fastställde vi att GBDT-metoden gav de högsta mätvärdena för den ursprungliga uppgiften.

Utveckling av modeller

Systemet utvärderades, förfinades och testades kontinuerligt under modellutvecklingsfasen. Vi finjusterade modellerna med hjälp av flera iterationer och valideringstekniker för att uppnå högsta prestanda inom AI-prediktiv analys.

Modell distribution

Som en del av distribution steget integrerade vi den utvecklade modellen i bankens system och införlivar den som en del av användarnas nyckeltal. Denna process innebar nära kommunikation mellan innowise Group-team och bankens IT-avdelning för att säkerställa sömlös integration. Genom att följa detta strukturerade tillvägagångssätt levererade Innowise en effektiv AI-driven prediktiv banklösning som tog itu med våra kunders specifika utmaningar och gjorde det möjligt för dem att fatta datadrivna beslut för förbättrad prestanda och kundnöjdhet.

Team

Projektledare

Dataforskare

Dataingenjörer

Back-end-ingenjörer

Front-end-ingenjörer

QA-specialist

Resultat: ökat kundlivslängdsvärde och återaktivering av churned kunder med AI inom bank och finans

Implementeringen av AI inom bank och finans gav anmärkningsvärda resultat för vår kund. Banken upplevde en betydande ökning av kundens livstidsvärde, öppnade nya intäktsmöjligheter och främjade långsiktiga relationer med sin värdefulla kundkrets genom att använda riktade retentionsstrategier.

En av de mest anmärkningsvärda resultaten av systemet var den betydande minskningen av kundernas churn-priser och framgångsrik återaktivering av 17% av de inaktiva kunderna. Genom att identifiera kunder som sannolikt kommer att lämna bankens tjänster i förväg gjorde systemet det möjligt för banken att proaktivt ta itu med sina problem och tillhandahålla personliga retentionsinitiativ baserade på insikter från den AI-drivna prediktiva bankprogramvarulösningen. Genom riktad kommunikation och skräddarsydda erbjudanden behöll banken framgångsrikt ett större antal kunder, vilket säkerställde deras fortsatta lojalitet och bidrog till institutionens övergripande tillväxt.

Projektets löptid

November 2021 - december 2022

Relaterade fall

Kontakta oss!

Boka ett samtal eller fyll i formuläret nedan så återkommer vi till dig när vi har behandlat din förfrågan.

Namn

Företag

E-post

Telefon

Meddelande Vänligen inkludera projektinformation, varaktighet, teknologistack, IT-proffs som behövs och annan relevant information

Spela in ett röstmeddelande om ditt projekt för att hjälpa oss att förstå det bättre

Bifoga ytterligare dokument vid behov

Ladda upp filen

Du kan bifoga upp till 1 fil på totalt 2 MB. Giltiga filer: pdf, jpg, jpeg, png

Observera att när du klickar på knappen Skicka kommer Innowise att behandla dina personuppgifter i enlighet med vår Integritetspolicy för att ge dig lämplig information.

Vad händer härnäst?

Efter att ha mottagit och behandlat din begäran kommer vi att återkomma till dig inom kort för att specificera dina projektbehov och underteckna en NDA för att säkerställa konfidentialitet av information.

Efter att ha undersökt kraven utarbetar våra analytiker och utvecklare en projektförslag med arbetets omfattning, lagets storlek, tid och kostnad uppskattningar.

Vi ordnar ett möte med dig för att diskutera erbjudandet och komma överens.

Vi skriver på ett kontrakt och börjar arbeta med ditt projekt så snabbt som möjligt.