Модели транзакционной активности FMCD (для дебетовых и кредитный карт)

Разработать модели машинного обучения для прогнозирования количества (Frequency), суммы (Monetary), частоты (Consistency), вариативности (Diversity) транзакций (отдельно для дебетовых и кредитных карт) через 1.5 месяца после отчетной даты для каждой из 8-ми категорий MCC:

1. Медицина, красота, здоровье

2. Кафе, рестораны

3. Супермаркеты, торговые центры

4. Коммунальные платежи, связь, интернет-провайдеры

5. Интернет-магазины, электронные деньги

6. Техника, электроника

7. Транспорт, такси, перевозки, услуги почты

8. Автомобиль, АЗС, личный транспорт

Модели применяются в бизнес-процессах заказчика для формирования индивидуальных маркетинговых предложений, скидок клиентам с целью увеличения оборота транзакций по ДК/КК клиентами и своевременного предотвращения оттока за счет раннего выявления трендов на снижение оборотов по отдельным MCC-категориям при сравнении факта за предыдущие 1.5 мес. и прогнозов (это также реализовано в решении) и поиска наилучшего пути взаимодействия с клиентами.

• Автоматизирован процесс подбора релевантного пути взаимодействия с клиентом на основе понимания сильных и слабых транзакционных механик по результатам работы решения.

• Автоматическая стратегия сегментации пользователя по транзакционной активности.

В цифрах:

• Прирост конверсии в подключение категорий кешбэка у целевого сегмента составил +51%.

• В 3 раза увеличилось среднее количество транзакций в релевантных категориях кешбэка на одного клиента.

• Прирост средней суммы транзакций на одного клиента составил +37%.

JupyterHub, Hadoop, PySpark, CatBoost, PyArrow, Система управления CRM предложениями

• Для разработки использовались большие объемы данных (~150 млн. записей и ~13 тыс. признаков для моделирования).

• Краткие сроки проекта: необходимость проведения работ в параллели.

• Необходимость генерации, расчета и проверки новых признаков, полезных для прогноза.

• Большое количество изменений стратегии и расчета механик в процессе проекта и внедрения решения.

• В параллели с проектом шла миграция источников данных в банке (импортозамещение), что требовало дополнительных работ по подготовке данных и отбору периодов разработки для моделей.

• В качестве данных для разработки модели использовались данные клиентов с кредитными/дебетовыми картами, объем данных составил ~150 млн. записей и ~13 тыс. признаков, в том числе сгенерированные для этой модели (соц-дем информация, кредитная история, транзакционное поведение клиента).

• Был создан пайплайн на PySpark, позволяющий в течение 24 часов на больших объемах данных, указанных ранее, автоматизированно производить отбор предсказательных признаков и обучать модель так, чтобы она была устойчива к изменению данных.

• Для каждой метрики (например, частоты) была разработана модель множественной регрессии на основе градиентного бустинга (реализация CatBoost) для 8-ми MCC-категорий.

• Решение сравнивает фактическое и прогнозное значение транзакционных механик (F, M, C, D), для подбора наилучшего предложения клиенту (например, повышенный кэшбэк на категорию «Здоровье»).

• Исследованы и выбраны наиболее удачные с т.з. бизнес-применения алгоритмы расчета транзакционных механик (пр.: Diversity может быть рассчитана по-разному).

• В результате разработки решения было создано: 12 пром. витрин применения, все модели находятся в пром. эксплуатации (рассчитываются ежемесячно).

• Динамические расчеты бизнес-стратегии в зависимости от результатов всего спектра моделей и расчета дополнительных факторов. Пример: автоматическое определение порогов скорбалла для отнесения клиентов к группе транзакционной активности и авто-выделение сильных и слабых значений транзакционных механик каждого клиента, определяющих путь взаимодействия с клиентом. Т.о., подбирается оптимальный путь взаимодействия с клиентом (что и в каком объеме предлагать).

• Идут работы по дальнейшей оптимизации подбора пути взаимодействия на основе, в том числе, CLTV. 

Все регионы РФ