Общ преглед: Банка за обслужване на физически лица е изправена пред предизвикателството да оптимизира офертите за привличане на нови клиенти и повишаване на стойността на съществуващите клиенти. Отделите за маркетинг и риск работеха с различни подходи и имаше нужда от унифицирана оценка, която да осигури единна мярка за очакваната рентабилност на клиент. За да се справим с това предизвикателство, нашият Data Science екип беше ангажиран да разработи решение с изкуствен интелект, което да дава надеждна обективна оценка за очакваната рентабилност на клиент, базирана на маркетингови и рискови фактори.
Решение: Екипът ни разработи CRM (Customer Relationship Management) модел, който комбинира маркетингови и рискови фактори за оценка на очакваната рентабилност на всеки банков продукт въз основа на разработения от нас методологичен продукт. Моделът използва моделите Propensity-to-Buy (PtB) за прогнозиране на вероятността клиентът да закупи конкретен продукт, както и моделите Probability of Default (PD) за оценка на риска клиентът да не изпълни задълженията си по даден кредит. Резултатът от модела е единна мярка за очакваната рентабилност на клиент, която може да се използва за класиране на следващата най-добра оферта (NBO) за всеки клиент.
За да разработим CRM модела, първо събрахме и интегрирахме данни от различни източници, включително данни за транзакции, демографски данни и данни за взаимодействието с клиентите. След това приложихме различни алгоритми за машинно обучение, като логистична регресия и random forests, за да обучим и тестваме моделите PtB и PD. Също така проведохме инженеринг и подбор на характеристики, за да идентифицираме най-подходящите променливи за прогнозиране на рентабилността.
