Узнайте стоимость вашего ИТ-проекта
Опишите вашу идею, и мы подготовим оценку трудозатрат и стоимости разработки.
Android / iOS
Банковское ПО на базе ИИ для прогнозирования оттока клиентов
Специалисты TechCore внедрили алгоритмы ИИ и машинного обучения для прогнозирования оттока и разработки стратегий удержания клиентов банка.
Клиент
Наш клиент — крупный розничный банк, занимающий лидирующие позиции на рынке Ближнего Востока. Обладая значительным влиянием на локальном рынке, банк зарекомендовал себя как надежный финансовый институт, ориентированный на работу с частными лицами. Подробная информация о клиенте не разглашается в соответствии с требованиями Соглашения о конфиденциальности.
0
специалистов в команде
0
длительность проекта
Задача
Банк находился в процессе глобальной цифровой трансформации. Традиционные методы удержания клиентов оказались неэффективными, что потребовало перехода к персонализированному подходу. В рамках цифровизации банк планировал запустить таргетированные рекламные кампании и инструменты автоматизированного маркетинга на базе ИИ и предиктивной аналитики.
Однако в банке отсутствовала единая система для сбора данных, выявления поведенческих паттернов и комплексного бизнес-анализа. Компания TechCore разработала такую систему с использованием ML-моделей для прогнозирования оттока пользователей на основе их поведения.
Решение
TechCore разработала банковское ИИ-решение для прогнозирования оттока клиентов. Система анализирует данные по каждому пользователю, помогая внедрять таргетированные стратегии удержания. Решение оптимизирует использование ресурсов: банк может сосредоточиться на клиентах с высоким риском оттока, повышая эффективность программ удержания.
Продвинутая аналитика клиентских данных
Аналитическая система работает на стороне бэкенда, интегрируясь с корпоративным хранилищем данных банка для сбора информации о клиентах. С помощью Spark мы реализовали эффективную систему, которая обеспечивает работу ML-конвейеров, предобработку данных, обучение и оценку моделей, выявление аномалий и масштабирование. Система применяет комплексный подход, анализируя различные данные: историю транзакций, жалобы, демографические характеристики и другие параметры.
С помощью инструментов обработки естественного языка (NLP) система анализирует отзывы и определяет тональность сообщений. Это позволяет банку оперативно реагировать на проблемы пользователей и предотвращать их обострение, что повышает уровень лояльности.
Одной из главных проблем стала несбалансированность выборки: лишь малая часть клиентов действительно уходила из банка. Было критически важно, чтобы выбранная модель с высокой точностью определяла именно этот редкий класс клиентов. Такой дисбаланс мог привести к смещению результатов модели. Чтобы устранить возможные искажения и повысить общую точность системы, мы исследовали специализированные методы работы с несбалансированными выборками.
Для оценки точности, полноты и F-меры моделей мы помогли клиенту определить кастомные метрики и критерии оценки для каждого сценария в соответствии с бизнес-задачами. Основным показателем был выбран F1-score, так как он лучше всего отражает баланс между точностью и полнотой.
Итоговое решение объединило широкий спектр алгоритмов: от классических моделей бустинга до современных методов самообучения.
Оценки риска оттока
ИИ-алгоритм системы непрерывно анализирует данные о клиентах и относит их к соответствующей группе риска. Эти данные передаются в маркетинговую систему банка, где аналитики могут просматривать их в виде кластеров. Это упрощает фильтрацию и сегментацию клиентской базы.
Внедрение предиктивной аналитики и интеллектуальной сегментации позволяет банку запускать таргетированные кампании и формировать персональные предложения. Индивидуальные условия кешбэка, эксклюзивные промоакции и скидки помогают банку эффективно отвечать на потребности каждого клиента. Вероятность оттока в процентах также отображается в CMS-карточках. Это дает сотрудникам банка ценные инсайты при общении с пользователями и помогает вовремя применять стратегии удержания.
Технологии
Фронтенд
React, Redux, Redux-Thunk, React-hook-form, SASS, Axios, Storybook, Jest, Cypress
Бэкенд
Java, Spring (Boot, Data, MVC, Security), REST, SOAP, Liquibase, Maven, JUnit, WSDL, Mockito, Hibernate
Дата-инжиниринг
Apache Hive, Apache Spark, PySpark, Apache Airflow, Redis, Feasts
Облачные технологии
Oracle
DevOps
Kubernetes (k8s), Docker, Docker Compose, Jenkins
Машинное обучение
Apache Spark MLLib, Scikit-learn, LightGBM, XGBoost, Hyperopt, Numpy, Pandas, SciPy
MLOps
DVC, MLFlow, Comet
Процесс
TechCore предлагает комплексные ИИ-решения для банков. Эти решения охватывают несколько ключевых этапов, что гарантирует надежное внедрение и интеграцию без сбоев.
Постановка задачи
В ходе тесного сотрудничества и сессий по сбору требований с нашими клиентами мы сформировали четкую постановку задачи. Это включало привлечение ключевых стейкхолдеров и банковских экспертов для определения конкретных проблем, связанных с цифровизацией банка.
Сбор и исследовательский анализ данных
После определения задач мы сосредоточились на работе с большим объемом клиентских данных. Нашим первым шагом было проведение разведочного анализа данных (EDA). Это помогло нам подтвердить статистические гипотезы и заложило основу для конструирования признаков. Например, мы заметили, что уровень оттока среди женщин был выше, чем среди мужчин, при этом ни тип продукта, ни уровень дохода существенно не влияли на вероятность оттока. На этом этапе конструирование признаков сыграло решающую роль в обновлении и уточнении параметров.
Мы оценили различные алгоритмы машинного обучения, включая градиентный бустинг над деревьями решений (GBDT), наивный байесовский классификатор и классификационные нейронные сети. В результате тщательной оценки мы определили, что метод GBDT показал самые лучшие показатели для исходной задачи.
Разработка модели
Система постоянно оценивалась, совершенствовалась и тестировалась на этапе разработки модели. Мы оптимизировали модели, используя множество итераций и методов валидации, чтобы достичь максимальной производительности в прогнозной ИИ-аналитике.
Внедрение модели
В рамках этапа внедрения мы интегрировали разработанную модель в систему банка, включив её в число ключевых метрик пользователей. Данный процесс предполагал тесное взаимодействие между командами TechCore и ИТ-департаментом банка для обеспечения корректной интеграции.
Благодаря такому структурированному подходу TechCore предоставила эффективное банковское решение для прогнозной аналитики на базе ИИ. Оно закрыло ключевые задачи бизнеса и позволило клиенту принимать решения на основе данных для роста эффективности и качества обслуживания.
Команда
1
Проектный менеджер
2
Дата-сайентиста
2
Дата-инженера
3
Бэкенд-разработчика
2
Фронтенд-разработчика
1
QA-специалист
Результаты
Внедрение ИИ в банковские процессы позволило клиенту добиться заметных результатов. Банк отметил значительный рост долгосрочной ценности клиентов, открыв новые возможности для получения дохода. Благодаря внедрению целевых стратегий удержания заказчику удалось выстроить долгосрочные отношения со своей клиентской базой.
Одним из ключевых результатов системы стало существенное снижение уровня оттока клиентов. Также удалось возобновить активность более 15% клиентов из пассивной базы. Заблаговременно выявляя клиентов, склонных к прекращению использования услуг Система заранее выявляла клиентов с высокой вероятностью оттока. Это позволило банку своевременно реагировать на возможный отток и предлагать персонализированные меры по удержанию на основе данных, полученных из ИИ-системы прогнозирования.
Благодаря целевым коммуникациям и индивидуальным предложениям банк успешно удержал большее количество клиентов, повысив уровень лояльности и поддержав рост бизнеса.