Ponowna aktywacja 17% klientów banków z wykorzystaniem AI w bankowości

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.

To evaluate the models’ precision, recall, and F-measure, we helped our client identify custom model metrics and acceptance criteria for each specific customer case in accordance with the business value. However, we have focused on F1-score as it illustrates a balance between precision and recall.

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.