ある銀行がコストを削減し、独自の携帯電話アプリで顧客とのかかわりを向上するためにSalford Predictive Modeler®を選択したのはなぜでしょう

中国の国営商業銀行が携帯電話アプリのキャンペーンを実施したとき、ダウンロードの件数は2,400万件に達しました。キャンペーンの主なKPI(重要業績評価指標)の一つは、ユーザーにそのクレジットカードを携帯電話アプリと紐づけてもらい、利用の頻度を増やすことでした。ところが、残念なことに、クレジットカードと紐づけたユーザーはわずか1,300万人でした。

課題

この銀行は、ユーザーにそのクレジットカードを携帯電話アプリと紐づけてもらうため、別のキャンペーンを始める計画を立てました。ですが、テレフォンアポインター100人のチームが紐づけをしなかった1,300万人のユーザーに営業を行う場合、1人が1日200件の電話をかけても全員にかけ終えるまでに2年ほどを要します。

銀行は、よりキャンペーンに反応しそうな顧客のターゲットグループを、テレフォンアポインターのチームのために模索する必要がありました。どうやって短期間でこのターゲットグループを見つけることができたのでしょうか?

銀行はそのIT部門のデータ分析責任者とそのチームに、既存の機械学習ツールを使って既存データから予測を行い、ソリューションを見つけるよう頼みました。チームは、反応する可能性の非常に高い顧客のターゲットグループをピンポイントで見つけられるであろうモデルを、トレーニング、評価、展開しようとしました。しかしながら、既存のソフトウェアソリューションは使いにくいことがわかりました。これには、非常に正確な予測を作成するためにモデル構築の経験が必要でした。また、モデルを最適化し、スケーラブルにした経験も必要でした。

SPMによる支援方法

中国のMinitab認可パートナーであるQY Datatech Incは、銀行にSalford Predictive Modeler®(SPM)を紹介しました。銀行のチームは、SPMの2つのモデリングエンジンCART®TreeNet®を使用しました。これは、多様な変数を含む大きくて非常に複雑なデータセットに直面したとき、特に強力でした。この場合では、変数は顧客の詳細と、銀行のアプリを顧客がどれだけひんぱんに使用するかなどの他のデータの組み合わせでした。

たとえば、CARTモデリングエンジンは、yes/noルールのセットにセグメンテーションできる、定性的価値および過去データの予測にカテゴリデータを採用する単一の決定分類木を生成しました。このセグメンテーションは、応答(Y)変数を予測因子(X)設定に基づいて区分に分割します。チームはCART木を継続的に育てて「剪定」することにより、このプロセスで過剰な変動性の追加的な原因をすばやく特定することができました。チームは重要な予測変数を絞り込んでから、25歳以上の顧客や40,000米ドル以上の年収の顧客など、特定のルールに当てはまる顧客グループに結果を制限しました。これらのルールは、自分の銀行口座を携帯電話アプリに紐づけする可能性の高い顧客の人口統計をターゲットとすることに関連していました。

チームは、回帰および一元配置分散分析(ANOVA)を使用して生成される従来のクエリでは見つけるのが難しかったであろう特定ルールの顧客グループなど、隠れた貴重な情報を示すCARTモデルを見つけました。上のグラフのそれぞれの分割が示すものは、データが1つの予測変数の値に基づいて2つのグループにわかれていることです。

TreeNet®の部分従属プロットは、1つの変数とターゲットの反応を直感的な方法で説明しています。

チームはこの後、TreeNet®モデリングエンジンを使用して、最大の影響をおよぼし、変数と結果の関係を図示できる変数にすばやく絞り込みました。結果は、顧客が自分の銀行口座とアプリを紐づける可能性であり、この例で特定された変数には上のグラフの月収が含まれています。

データ分析責任者は、モデルの評価にTreeNet®のゲイン図を使用しました。TreeNet®で示されるものは、トレーニングデータ(バギング)を複数のセグメントに切り詰めたゲイン/リフト統計です。ユーザーは、また、受信者操作特性(ROC)などのさまざまな測定と一緒に、トレーニング/テストのデータまたはバギングされたデータプールを分析することを選択できます。ROC曲線は2価予測の重要な評価です。ROCが高いほど、モデル性能が良くなります。

TreeNet®には、複数の重大な統計を示す要約ウィンドウがあります。このプロットは、モデル予測の確率解釈を強調するモデル検査/比較の統計的測定「負の対数尤度」を示しています。

チームはトレーニング、テストを行い、応答の低い顧客をリストから削除し、モデルを最適化、検証して、顧客のターゲットグループを見つけることができました。生成されたモデルで、過去1年間の銀行キャンペーンへの各顧客の応答履歴に基づいて顧客の応答率をスコアリング、評価することで、「高応答性」の顧客のグループの特徴を割り出すことができました。

銀行のチームによれば、一番良かったのは、SPMが簡単に使えることだったそうです。数クリックするだけで、コード化の必要もなく、最初のモデルを生成できて、モデルリング全般にかかる時間を数か月から数日まで短縮できました。実際にかかった時間は、ターゲットグループを予測できるモデルのトレーニング、精緻化、展開でわずか7日です。

結果

この絞り込まれた200万人のアプリユーザーのグループに連絡することは、最初の1,300万人に比べればはるかに楽で、テレフォンアポインターは数か月で全員に連絡を取ることができました。結果として、クレジットカードを携帯電話アプリに紐づけたユーザーは300%増加しました。銀行は、テレフォンアポインターの増員コストを回避し、効率性を向上させ、同時にこれらの収益につながるサービスをターゲットの顧客に推進しました。テレフォンアポインターのチームはまた、前回のキャンペーンと比べて、クレジットカードを紐づけるようユーザーに促したときの成功率が35%高まったことを報告しました。Salford Predictive Modeler®を装備して、銀行はそのデータを理解し、事実に基づく洞察を得てコスト節約になる決定を行うためにデータを使用することができました。

組織

中国の国営商業銀行

概要

  • 30年以上前に中国で設立され、24省にあります。
  • 法人顧客は300,000社、個人顧客は3,400万人、クレジットカードの顧客は5,700万人、モバイルバンキングの顧客は2,400万人。

課題

銀行の携帯電話アプリを使用する1,300万人の顧客がそのカードをアプリに紐づけませんでした。

使用製品:

Salford Predictive Modeler

結果

  • 前回のキャンペーンと比べて、携帯電話アプリへの紐づけは300%増になりました。
  • 前回のキャンペーンと比べて、カードを紐づけるようユーザーに促したときの成功率が35%高まりました。
  • テレフォンアポインターの効率を高めて、コストを削減しました。
  • 収益をもたらすサービスを顧客に推進しました。

本サイトを使用すると、分析およびコンテンツのカスタマイズのためにクッキーが使用されることに同意したことになります。 当社のプライバシーポリシーをご確認ください

OK