Møt oss på E-commerce Berlin Expo, 22. februar 2024.

Legg igjen kontaktinformasjonen din, så sender vi deg vår whitepaper på e-post.
Jeg samtykker i å behandle personopplysningene mine for å sende personlig tilpasset markedsføringsmateriell i samsvar med Retningslinjer for personvern. Ved å bekrefte innsendingen samtykker du i å motta markedsføringsmateriell.
Takk skal du ha!

Skjemaet har blitt sendt inn.
Mer informasjon finner du i postkassen din.

Innowise er et internasjonalt selskap som utvikler programvare for hele syklusen selskap grunnlagt i 2007. Vi er et team på mer enn 1600+ IT-profesjonelle som utvikler programvare for andre fagfolk over hele verden.
Om oss
Innowise er et internasjonalt selskap som utvikler programvare for hele syklusen selskap grunnlagt i 2007. Vi er et team på mer enn 1600+ IT-profesjonelle som utvikler programvare for andre fagfolk over hele verden.

Reaktivering av 17% bankkunder med bruk av kunstig intelligens i bankvirksomhet

Innowise har brukt AI- og ML-algoritmer til å forutsi kundefrafall og utvikle målrettede strategier for å holde på kundene for en retailbank.

Kunde

Industri
Banking
Region
MENA
Kunde siden
2021

Vår oppdragsgiver, en fremtredende retailbank, har en sterk posisjon i MENA-regionen (Midtøsten og Nord-Afrika). Banken har en betydelig tilstedeværelse og innflytelse i det lokale markedet, og har etablert seg som en pålitelig finansinstitusjon for privatpersoner.

Detaljert informasjon om kunden kan ikke utleveres i henhold til bestemmelsene i NDA.

Utfordring: Redusere kundefrafallet i banksektoren ved hjelp av kunstig intelligens.

Kunden vår gjennomgikk en global digital transformasjon. Tradisjonelle metoder for å holde på kundene viste seg å være ineffektive, og banken søkte derfor en persontilpasset tilnærming. En av strategiene banken tok i bruk som en del av digitaliseringsarbeidet, var å implementere målrettede reklamekampanjer innen automatisert markedsføring rettet mot spesifikke brukergrupper, med mål om å holde på kundene ved hjelp av AI og prediktiv analyse.

Banken manglet imidlertid et enhetlig system som kunne samle inn brukerdata, identifisere atferdsmønstre som indikerer potensiell kundeavgang, og analysere dem grundig. Innowise fikk i oppdrag å utvikle et slikt system som ved hjelp av ML-modeller kunne oppdage kundefrafall basert på atferdsmønstre. 

Løsning: Analysere og forutsi kundeatferd med AI-drevet programvare for prediktiv bankvirksomhet.

Innowise har utviklet en AI-drevet prediktiv bankløsning som analyserer individuelle churn-rater for å hjelpe kundene våre med å implementere målrettede strategier for å holde på kundene. Denne løsningen optimaliserer ressursene ved å muliggjøre fokusert innsats på høyrisikokunder, noe som sikrer maksimal effekt når det gjelder å beholde verdifulle kunder.
Ordning Løsningsarkitektur

Forbedret analyse av kundedata

Analysesystemet fungerer på baksiden og integreres sømløst med bankens datavarehus for å samle inn kundedata. Vi brukte Spark-motoren til å utvikle et effektivt system som tilbyr ML-pipelines, forbehandling av data, modelltrening og -evaluering, avviksdeteksjon og dataskalering. Systemet bruker en mangefasettert tilnærming for å analysere ulike aspekter av kundeinformasjon, inkludert transaksjonshistorikk, kundeklager, demografi osv.

Ved å analysere kundedata ved hjelp av naturlig språkbehandling (NLP) fanger systemet opp kundenes følelser og tilbakemeldinger. Denne funksjonaliteten gjør det mulig for banken å ta proaktivt tak i kundenes problemer og bekymringer før de eskalerer, og dermed styrke kundelojaliteten.

 

En av hovedutfordringene var et ubalansert datasett, der bare en liten andel av kundene hadde gjort oppsigelser. Derfor var det avgjørende å sikre at den valgte modellen predikerte denne minoritetsklassen med høy presisjon. En slik ubalanse kunne potensielt føre til skjevhet i modellens resultater. For å løse dette problemet gjorde vi omfattende undersøkelser av eksisterende løsninger som er spesielt utviklet for å håndtere ubalanserte datautvalg for å redusere eventuelle skjevheter og forbedre modellens samlede ytelse og nøyaktighet.

For å evaluere modellenes presisjon, tilbakekalling og F-mål hjalp vi kunden vår med å identifisere tilpassede modellberegninger og akseptkriterier for hvert enkelt kundecase i samsvar med forretningsverdien. Vi har imidlertid fokusert på F1-målet, ettersom det illustrerer en balanse mellom presisjon og recall.

Den endelige løsningen vår omfattet et bredt spekter av maskinlæringsalgoritmer, med både klassiske boosting-modeller og moderne selvstyrte teknikker. Ved å bruke boosting-modeller løste vi det opprinnelige churn-problemet på en effektiv måte og med høy grad av nøyaktighet, noe som sikret presise prognoser for kundefrafall.

Evaluering av churn-risiko

Systemets AI-algoritme sørger for løpende analyse av brukerdata og bestemmer hvilken churn-klassifiseringsgruppe de tilhører. Denne informasjonen integreres deretter i bankens markedsføringssystem, slik at analytikerne kan presentere den i en gruppert visning. Dette muliggjør effektiv filtrering og segmentering basert på spesifikke brukerkategorier.

Ved hjelp av prediktiv AI-analyse og intelligent segmentering kan banken utvikle målrettede kampanjer og svært personlige tilbud. Ved å skreddersy individuelle cashback-alternativer, eksklusive bankkampanjer og personlige rabatter kan banken effektivt imøtekomme hver enkelt kundes unike krav og behov. Systemet viser også den prosentvise risikoen for kundefrafall for hver enkelt kunde på CMS-kortene, noe som gjør det mulig for bankansatte å få verdifull innsikt i interaksjonen med kundene og iverksette strategier for å holde på kundene.

Teknologier

Front-end
React, Redux, Redux-Thunk, React-hook-form, SASS, Axios, Storybook, Jest, Cypress
Back-end
Java, Spring (Boot, Data, MVC, Sikkerhet), REST, SOAP, Liquibase, Maven, JUnit, WSDL, Mockito, Hibernate
Data Engineering
Apache Hive, Apache Spark, PySpark, Apache Airflow, Redis Feasts
Cloud
Oracle
DevOps
Kubernetes (k8s), Docker, Docker Compose, Jenkins
Maskinlæring
Apache Spark MLLib, Scikit-learn, LightGBM, XGBoost, Hyperopt, Numpy, Pandas, SciPy
MLOps
DVC, MLFlow, Comet

Prosess

Innowise tilbyr en omfattende pakke med AI-løsninger for banker. Disse løsningene omfatter flere viktige faser, noe som sikrer en robust implementering og sømløs integrering.

Problemstilling
Gjennom omfattende samarbeid og behovsinnhenting med kundene våre etablerte vi et tydelig problemrammeverk. Dette innebar at vi engasjerte viktige interessenter og bankeksperter for å identifisere de spesifikke utfordringene knyttet til bankdigitalisering.
Datainnsamling og utforskende dataanalyse
Etter å ha definert problemstillingen fokuserte vi på å håndtere en stor mengde kundedata. Det første trinnet var å utføre utforskende dataanalyse. Dette hjalp oss med å validere statistiske hypoteser og la grunnlaget for utvikling av funksjoner. Vi observerte for eksempel at frafallsraten blant kvinnelige kunder var høyere enn blant mannlige kunder, og at verken produktet eller lønnen påvirket sannsynligheten for frafall i nevneverdig grad. Feature engineering spilte en avgjørende rolle for å oppdatere og forbedre funksjonene på dette stadiet. Vi evaluerte ulike maskinlæringsalgoritmer, inkludert Gradient Boosting Decision Trees (GBDT), Naïve Bayes og Classificational Neural Networks. Gjennom en grundig vurdering kom vi frem til at GBDT-metoden ga de høyeste beregningene for den opprinnelige oppgaven.
Utvikling av modeller
Systemet ble kontinuerlig evaluert, forbedret og testet i løpet av modellutviklingsfasen. Vi finjusterte modellene ved hjelp av flere iterasjoner og valideringsteknikker for å oppnå den høyeste ytelsen innen AI-prediktiv analyse.
Implementering av modellen
Som en del av implementeringsfasen integrerte vi den utviklede modellen i bankens system og gjorde den til en del av brukernes nøkkeltall. Denne prosessen innebar tett kommunikasjon mellom Innowises team og bankens IT-avdeling for å sikre en sømløs integrering. Ved å følge denne strukturerte tilnærmingen leverte Innowise en effektiv AI-drevet prediktiv bankløsning som tok for seg kundens spesifikke utfordringer og gjorde det mulig for dem å ta datadrevne beslutninger for å oppnå bedre resultater og kundetilfredshet.

Team

1
Prosjektleder
2
Dataforskere
2
Dataingeniører
2
Back-end-ingeniører
2
Front-end-ingeniører
1
QA-spesialist

Resultater: Økt kundelivstidsverdi og reaktivering av kunder med AI i bank- og finanssektoren.

Implementeringen av kunstig intelligens i bank- og finanssektoren ga bemerkelsesverdige resultater for kunden vår. Banken opplevde en betydelig økning i kundenes livstidsverdi, nye inntektsmuligheter og langsiktige relasjoner med verdifulle kunder gjennom målrettede strategier for å holde på kundene. 

Et av de mest bemerkelsesverdige resultatene av systemet var den betydelige reduksjonen i kundefrafallet og den vellykkede reaktiveringen av 17% av inaktive kunder. Ved å identifisere kunder som sannsynligvis kommer til å forlate bankens tjenester på forhånd, gjorde systemet det mulig for banken å ta proaktivt tak i kundenes bekymringer og tilby tilpassede tiltak for å holde på kundene basert på innsikt fra den AI-drevne prediktive bankløsningen. Gjennom målrettet kommunikasjon og skreddersydde tilbud klarte banken å holde på et større antall kunder, noe som sikret fortsatt lojalitet og bidro til institusjonens samlede vekst.

Prosjektets varighet
  • November 2021 - desember 2022

Ta kontakt med oss!

Bestill en samtale eller fyll ut skjemaet nedenfor, så kontakter vi deg så snart vi har behandlet forespørselen din.

    Ta med prosjektdetaljer, varighet, teknisk stack, behov for IT-fagfolk og annen relevant informasjon.
    Spill inn en talemelding om din
    prosjektet for å hjelpe oss å forstå det bedre
    Legg ved ytterligere dokumenter om nødvendig
    Last opp fil

    Du kan legge ved opptil 1 fil på totalt 2 MB. Gyldige filer: pdf, jpg, jpeg, png

    Vær oppmerksom på at når du klikker på Send-knappen, vil Innowise behandle personopplysningene dine i samsvar med vår Personvernerklæring for å gi deg relevant informasjon.

    Hva skjer videre?

    1

    Etter at vi har mottatt og behandlet forespørselen din, vil vi komme tilbake til deg innen kort tid for å beskrive prosjektbehovene dine og undertegne en taushetserklæring for å sikre informasjonens konfidensialitet.

    2

    Etter å ha undersøkt kravene, utarbeider våre analytikere og utviklere en prosjektforslag med arbeidsomfang, teamstørrelse, tid og kostnader estimater.

    3

    Vi arrangerer et møte med deg for å diskutere tilbudet og komme til en avtale.

    4

    Vi signerer en kontrakt og begynner å jobbe med prosjektet ditt så raskt som mulig.

    Takk skal du ha!

    Meldingen din er sendt.
    Vi behandler forespørselen din og kontakter deg så snart som mulig.

    Takk skal du ha!

    Meldingen din er sendt.
    Vi behandler forespørselen din og kontakter deg så snart som mulig.

    pil