Réactivation de 17% de clients bancaires désabonnés grâce à l'utilisation de l'IA dans les services bancaires

L'un des principaux défis à relever était un ensemble de données déséquilibré, dans lequel seule une petite fraction des clients avait changé de fournisseur. Il était donc crucial de s'assurer que le modèle sélectionné prédisait cette classe minoritaire avec une plus grande précision. La présence d'un tel déséquilibre pourrait potentiellement conduire à une performance biaisée du modèle. Pour résoudre ce problème, nous avons mené des recherches approfondies sur les solutions existantes spécifiquement conçues pour traiter des échantillons de données déséquilibrées afin d'atténuer tout biais potentiel et d'améliorer les performances globales et la précision du modèle.

Pour évaluer la précision, le rappel et la mesure F des modèles, nous avons aidé notre client à identifier des mesures et des critères d'acceptation personnalisés pour chaque cas client spécifique en fonction de la valeur commerciale. Cependant, nous nous sommes concentrés sur le score F1 car il illustre un équilibre entre la précision et le rappel.

Notre solution finale comprenait une gamme variée d'algorithmes d'apprentissage automatique, incorporant à la fois des modèles classiques de stimulation et des techniques modernes d'auto-supervision. En nous appuyant sur les modèles de boosting, nous avons efficacement résolu le problème initial du désabonnement avec un degré élevé de précision, garantissant ainsi des prédictions précises sur le désabonnement des clients.