Описание исходной ситуации:
- сегментирование клиентской базы банка предполагает высокую конверсию предложений внутренних продуктов клиентам;
- для сегментации требуется глубокое понимание и анализ поведения клиентов банка, например, данных о транзакциях пользователя.
- рост качества сегментации приводит к росту отклика на предлагаемые продукты банка и влияет на показатели бизнеса: от лояльности клиента до прибыли.
- используемые модели сегментации не являлись интерпретируемыми, их качество было низким;
- по этой причине возникали значительные риски при использовании текущих моделей в функционале продуктов.
Цели проекта:
- создание модели профилирования и сегментации клиентской базы по их транзакционной активности с высоким уровнем качества и интерпретацией.
Решение MIL Team: использование существующих решений команды в области клиентской аналитики и анализа транзакционных данных позволило реализовать процедуру обучения темпоральных моделей сегментации базы клиентов.
Для построения модели были использованы:
- Транзакции клиентов банка;
- Описание МСС-кодов и мерчантов;
- Сопроводительная информация о пользователе;
- Результаты продаж банковских продуктов.
Результаты моделирования:
- Модель поведения пользователей банка;
- Модель прогнозирования вероятности допокупки банковского продукта;
- Сегменты клиентской базы.
Заказчик: Финансы, Банкинг
Технологический стек: TopicNet, BigARTM, gensim, Python