Анализ данных в банке и телекоме

выходящих на просрочку растет с каждым месяцем.
Колл центр расширять никто

не хочет в виду высоких затрат на содержание, мотивацию, обучение и прочее затраты.
Нужен новый метод который позволит при неизменных затратах сохранять уровень по сборам

Как действует бизнес «ДО»:
Звонит с первого дня просрочки (далее регулярные звонки и СМС)

Предложение по пилоту:
Построить модель по выявлению «случайных» просрочников

Что сделали:
Построили регрессионную модель в SAS Guide с таргетом: хорошие -до 7 дней, средние –до 30, злостные – остальные)

Как оценивать результат:
В тестовых группах тестировали как отсутствие коммуникации с хорошими, так и более дешевый канал коммуникации.

Результат:
Пилот успешный, экономия состоялась за счет более грамотной политики управления каналами коммуникации

макропоказателей на кредитный портфель банка

Компании или её регулирующие органы предпочитают

стресс-тестирование, когда хотят посмотреть на то, как ведут себя финансовые инструменты в случае определенной стрессовой ситуации, например:
Что случится, если фондовые рынки обрушатся более чем на X% в этом году?
Что произойдет, если ВВП падает на Z% в течение данного года?
Что произойдет, если процентные ставки вырастут, по крайней мере на Y%?
Что делать, если половина инструментов в портфеле будет расторгнута через пять лет?
Что произойдет, если цена на нефть вырастет на 200%?

Что использовали:
Инструменты по работе с временными рядами в IBM SPSS Modeller

Про что важно не забыть:
Не стационарные временные ряды необходимо приводить в стационарный вид
Иначе корреляция будет между чем угодно
При рассмотрении влияния переменных с лагом на целевую, необходимо убедится в адекватности данного влияния и отсутствию сменны знака на разных уровнях лага.

Результат:
Не получилось построить модели с коэффициентом детерминации более 50%, за исключением одного продукта. Что, как нам показалось и логично

поведение)
Для формирования программ лояльности (но тут не совсем банк, точнее

ломбард был)
Для поиска вдохновения в разработке новых продуктов
Для проведения маркетинговых исследований
Прелюдия перед моделированием

Какие проблемы бывали:
Не достаточно данных для полной картинки. Особенно в очень узких задачах, когда например необходимо выяснить, кто в вашей базе клиентов –курит, водит автомобиль и т.д.

Решение:
Провести опрос силами CC по своей базе задавая интересующие вопросы – получить обучающую выборку. Далее дело техники 

как используется?
Используется банками и микро кредитными организациями как
дополнительный предиктор

в локальной скоринговой карте
в качестве прескоринга для таргетных/тригерных рассылок/звонков
как фильтр для телко- лидогенерации

Какая ценность для банков?
Увеличение коэффициента Gini (по опыту от 3 баллов до 8) – точность прогноза
Экономия на неэффективных звонках/СМС
Экономия на не эффективных лидах

данных для профилирования клиентов по соц. Демографическому портрету (пол, возраст,

семейное положение, наличие детей и т.д.)
Для чего это нужно?
Для более точных CBM моделей,
Анализа клиентов,
Сегментации и идентификации их потребностей клиентов

Как решали вопрос?
Сбор обучающей выборки с помощью СС
Прогонка всей базы по данной моделей

Что делали мы?
Построили модель по полу:
Модель отдельно по тем по кому есть 8 марта и 23 февраля и отдельно по тем по кому нет. Качество первой сильно лучше : ~80% и ~ 60% precision соответственно
Модель по возрасту:
Выборка оказалась сильно меньше чем по полу
Строили отдельно для 5 возрастных групп, трех и двух. Чем меньше сегментов не выше качество каждой в отдельности
Модель по семейному статусу была на очереди, но долго собиралась обучающая выборка…

Что еще можно?
Сегменты по интересам на базе DPI, звонковой активности: любитель сериалов, автомобилей , фитнеса и т.д.

которая предлагает каждому сегменту показать наиболее релевантный оффер

Рекламодатели дают

информацию по предложению которое будет таргетироватся

Далее описание оффера преобразуют в вектор (модель «word to vec»), и таргетируют на ту аудиторию (look-a-like) ,которая ранее отвлекалась на самый похожий оффер. И со временем получая ОС модель подстраивается под свою аудиторию

Такой таргетинг повышает отклики мин на 5 % и сокращает отток мин на 15%*

*- по данных коллег из России