Por qué un banco eligió a Salford Predictive Modeler para reducir costos y aumentar el interés de los clientes en su aplicación móvil

Cuando un banco comercial nacional de China lanzó una campaña sobre una aplicación móvil, las descargas alcanzaron los 24 millones. Uno de los principales KPI de la campaña era animar a los usuarios a vincular sus tarjetas de crédito a la aplicación móvil para promover un uso más frecuente. Desafortunadamente, solo 13 millones de usuarios vincularon sus tarjetas.

El desafío

El banco se propuso lanzar otra campaña para animar a los usuarios a vincular sus tarjetas a la aplicación móvil. Sin embargo, con un equipo de 100 agentes de telemarketing que se podrían utilizar para hacer 200 llamadas por día, tomaría casi dos años comunicarse con los 13 millones de usuarios que no vincularon sus tarjetas.

El banco necesitaba encontrar un grupo específico de clientes que respondiera mejor a una campaña de ese tipo para el equipo de telemarketing. ¿Cómo podrían encontrar ese grupo objetivo en poco tiempo?

Pidieron al director de Analítica de datos de la sección de TI y a su equipo que utilizaran sus herramientas de aprendizaje de máquina para encontrar una solución, ya que se pueden usar para hacer predicciones a partir de datos existentes. El equipo trató de entrenar, evaluar e implementar un modelo que pudiera identificar a un grupo específico de clientes altamente receptivos. Sin embargo, se encontraron con que su solución de software existente no era fácil de usar. Se requería experiencia en la construcción de modelos para crear estas predicciones tan precisas. El proceso también requería experiencia en la optimización de los modelos y en hacerlos escalables.

Cómo ayudó SPM

QY Datatech Inc, el socio autorizado de Minitab en China, presentó Salford Predictive Modeler (SPM) al banco. El equipo utilizó dos de los motores de modelado de SPM, CART® y TreeNet®, que son particularmente efectivos cuando se enfrentan a conjuntos de datos muy grandes y sumamente complejos con diversas variables. En este caso, las variables eran una combinación de los detalles de un cliente y otros datos, como la frecuencia con la que el cliente utilizaba la aplicación del banco.

Por ejemplo, el motor de modelado CART produce un único árbol de clasificación y decisión que acepta datos categóricos para predecir un valor cualitativo y datos históricos que se pueden segmentar en un conjunto de reglas sí/no. Esta segmentación divide la variable de respuesta (Y) en particiones según la configuración de los predictores (X). Al cultivar o “podar” continuamente el árbol CART, el equipo pudo identificar rápidamente otras causas de la variabilidad excesiva en este proceso. Una vez que el equipo redujo a unas pocas las variables predictoras vitales, se establecieron controles para limitar los resultados a grupos de clientes con reglas específicas, como clientes de 25 años o mayores o que tuvieran un ingreso anual de más de 40.000 USD. Estas reglas estaban relacionadas con la segmentación de los datos demográficos de los clientes que tuvieran mayores probabilidades de vincular la aplicación móvil a su cuenta bancaria.

El equipo descubrió que el modelo CART mostraba algunas gemas ocultas, como el grupo de clientes con reglas específicas, que pueden ser difíciles de descubrir con las consultas tradicionales que se generan usando regresión y ANOVA. Cada división de la gráfica anterior muestra que los datos están segmentados en dos grupos en función del valor de una variable de predicción.

Las gráficas de dependencia parcial de TreeNet explican la reacción entre una variable y un destino de una manera intuitiva.

Después, el equipo utilizó el motor de modelado TreeNet para reducir rápidamente las variables que tenían más impacto y podían utilizarse para ilustrar la relación entre la variable y el resultado. El resultado era la posibilidad de que los clientes vincularan la aplicación a su cuenta bancaria y las variables identificadas en este ejemplo incluían los ingresos mensuales mostrados en la gráfica anterior.

El director de Analítica de datos utilizó la gráfica de ganancia de TreeNet para evaluar el modelo. TreeNet muestra estadísticas de ganancia/elevación truncando los datos de entrenamiento (bagging) para crear varios segmentos. El usuario también puede optar por analizar los datos de entrenamiento/prueba o los datos agrupados del bagging usando otras mediciones, como la curva de rendimiento diagnóstico o ROC. La curva ROC es una evaluación importante para la predicción binaria. Cuanto más alta sea la ROC, mejor será el rendimiento del modelo.

TreeNet tiene una ventana de resumen que muestra algunos estadísticos cruciales. Esta gráfica muestra la “log-verosimilitud negativa”, una medición estadística para la comprobación/comparación del modelo que hace énfasis en la interpretación de la probabilidad de las predicciones del modelo.

Al entrenar, probar y eliminar los clientes poco receptivos de la lista y luego optimizar y validar los modelos, el equipo logró encontrar un grupo objetivo de clientes. Los modelos generados podían identificar las características del grupo de clientes “altamente receptivos” al calificar y evaluar la tasa de respuesta de cada cliente en función de la respuesta histórica de los clientes a las promociones bancarias en el último año.

El equipo del banco afirmó que la mejor parte es que SPM es fácil de usar. Con solo unos pocos clics y sin necesidad de codificar, pudieron generar modelos iniciales y reducir el tiempo total de modelado de meses a días. De hecho, solo se necesitaron siete días para entrenar e implementar un modelo refinado que fuera capaz de predecir el grupo objetivo.

Resultados

Con este grupo refinado de 2 millones de usuarios de la aplicación que contactar, en comparación con los 13 millones iniciales, el equipo de telemarketing pudo comunicarse con todos en pocos meses. Como resultado, se registró un aumento de 300% en el número de usuarios que vinculan sus tarjetas a la aplicación móvil. El banco también evitó el costo asociado a la contratación de agentes de telemarketing adicionales, al tiempo que logró una mayor eficiencia y promovió estos servicios generadores de ingresos entre los clientes objetivo. El equipo de telemarketing también logró un aumento del 35% en la tasa de éxito en animar a los usuarios a vincular su tarjeta en comparación con campañas anteriores. Con el uso de Salford Predictive Modeler, el equipo del proyecto pudo ayudar al banco a entender y utilizar sus datos para generar información basada en hechos y tomar decisiones que redunden en menores costos.

ORGANIZACIÓN

Un banco comercial nacional de China

REVISIÓN GENERAL

  • Operando desde hace más de 30 años en 24 provincias de China
  • Más de 300.000 clientes corporativos, 34 millones de clientes individuales, 57 millones de clientes de tarjetas de crédito y 24 millones de clientes de banca móvil

DESAFÍO

13 millones de clientes que utilizan la aplicación móvil del banco no vincularon su tarjeta bancaria a la aplicación

PRODUCTOS UTILIZADOS

Salford Predictive Modeler

RESULTADOS

  • Incremento de un 300% en la vinculación a la aplicación móvil en comparación con campañas anteriores
  • Aumento de un 35% en las tasas de éxito en animar a los usuarios a vincular su tarjeta a la aplicación en comparación con campañas anteriores
  • Reducción de costos al aumentar la eficiencia del equipo de telemarketing
  • Promoción de servicios generadores de ingresos entre los clientes

Al utilizar este sitio, usted acepta el uso de cookies para efectos de análisis y contenido personalizado. Leer nuestra política