Модел за прогнозиране на склонността към отпускане на заеми за банка на дребно

Клиентът

Клиентът е банка на дребно, предлагаща широка гама от кредитни продукти на своите клиенти. Ефективността на маркетинга им зависи от достигането до правилните клиенти с правилната оферта в точното време. С нарастването на конкуренцията те се нуждаеха от подход, основан на данни, за да идентифицират клиентите, които е най-вероятно да се ангажират с кредитни продукти.
 

Предизвикателството

Маркетинговите кампании в банкирането на дребно често разчитат на стратегии за широко таргетиране, което води до ниски проценти на конверсия и неефективно използване на ресурсите. Банката се нуждаеше от по-прецизен начин за идентифициране на клиенти с висока вероятност да кандидатстват за кредитни продукти.

Предизвикателството включваше моделиране на поведението на клиентите във времето, улавяне на модели в минали заявления за кредит и прогнозиране на намеренията в близко бъдеще. Това изискваше обработка на данни от времеви серии и идентифициране на фини поведенчески сигнали, които предшестват заявлението за кредит. Освен това, различните кредитни продукти показват различни модели на поведение на клиентите, което налага отделни подходи за моделиране, като същевременно се поддържа единна система. Без прогнозно таргетиране банката рискува пропуснати възможности за приходи, неефективни разходи за кампании и неоптимално ангажиране на клиентите.
 

Какво направихме

Подход

Разработихме рамка за моделиране на склонността, базирана на машинно обучение, за да предвидим вероятността клиентите да кандидатстват за кредитни продукти в рамките на едномесечен хоризонт. Подходът се фокусира върху улавяне на поведенчески тенденции чрез проектиране на времеви серии.

По време на фазата на откриване установихме, че различните кредитни продукти изискват различни стратегии за моделиране поради различните модели на поведение на клиентите. Това доведе до разработването на отделни модели за всеки продукт, осигурявайки по-висока точност на прогнозиране. Ключово решение беше да се изгради цялостен автоматизиран процес на обработка, който да позволява непрекъсната обработка на данни, обучение на модели и генериране на прогнози за оперативна употреба.
 

Методология

• Оценка на данните:
  Анализира сурови данни за клиенти, включително исторически заявления за кредити и модели на поведение
• Избор на подход:
  Оценява множество алгоритми за машинно обучение и избира най-добре ефективните модели чрез систематично сравнение
• Разработване на модели:
  Разработва функции за времеви серии за улавяне на тенденциите в поведението на клиентите и обучава отделни модели за всеки кредитен продукт
• Рамка за валидиране:
  Използва исторически данни и оптимизация за търсене в мрежа за оценка на производителността на модела в различни конфигурации
• Интеграция:
  Изгражда автоматизиран процес, обхващащ предварителна обработка на данни, инженеринг на функции, обучение на модели и генериране на месечни прогнози
• Съответствие:
  Осигурява спазване на поверителността на данните и вътрешното управление стандарти

Резултатът

Точно прогнозиране на склонността на клиентите да кандидатстват за заем

Решението позволи на банката да присвои индивидуални оценки за склонност на всеки клиент за всеки кредитен продукт, поддържайки прецизно и приложимо насочване.
 

Вторични резултати:

• Подобрено таргетиране на маркетинговите кампании
• Идентифициране на ключови поведенчески фактори, влияещи върху заявленията за заем
• Подобрени проценти на конверсия чрез персонализирано обслужване
• Мащабируем процес на разработване, позволяващ непрекъснати актуализации и прогнози на моделите

Сблъсквате се с подобно предизвикателство?

Ако искате да подобрите ефективността на кампанията си и да се насочите към правилните клиенти с прецизност, ние можем да ви помогнем да изградите прогнозни модели, които превръщат данните за клиентите в измеримо бизнес въздействие.

Резервирайте техническа консултация