Menu
< VOLTAR AOS ESTUDOS DE CASO

Por que um banco escolheu o Salford Predictive Modeler para cortar custos e aumentar o envolvimento do cliente com seu app para mobile

Quando um banco comercial nacional na China fez uma campanha para um app para celular, o número de downloads chegou a 24 milhões. Um dos principais KPIs da campanha era incentivar os usuários a conectarem seus cartões de crédito com o app para mobile para aumentar a frequência de uso. Infelizmente, apenas 13 milhões de usuários conectaram seus cartões.

O desafio

O banco planejou lançar outra campanha para incentivar os usuários a conectar seus cartões ao app para mobile, No entanto, uma equipe com 100 profissionais de telemarketing que poderiam fazer 200 ligações por dia para conversar com os 13 milhões de usuários que não conectaram seus cartões levaria quase dois anos para entrar em contato com todos.

O banco precisava encontrar um grupo segmentado de clientes que responderia melhor a tal campanha da equipe de telemarketing. Como eles encontrariam esse grupo segmentado em um curto espaço de tempo?

Eles pediram para o gerente de análise de dados do departamento de TI e sua equipe para usar as ferramentas de aprendizado de máquina que eles possuíam para encontrar uma solução, pois elas podem ser usadas para ajudar a fazer previsões a partir dos dados existentes. A equipe tentou treinar, avaliar e implantar um modelo que poderia identificar um grupo de clientes segmentado, altamente responsivo. No entanto, eles descobriram que a solução de software que tinham não era fácil de usar. Ele exigia experiência em criação de modelos para fazer essas previsões. O processo também exigia experiência na otimização e dimensionamento dos modelos.

Como o SPM ajudou

A QY Datatech Inc, parceiro autorizado da Minitab na China, apresentou o Salford Predictive Modeler (SPM) ao banco. A equipe usou dois mecanismo de modelamento do SPM, CART® e TreeNet®, que eram especialmente poderosos quando enfrentaram conjuntos de dados altamente complexos com diversas variáveis. Nesse caso, as variáveis eram uma combinação das informações de um cliente e outros dados, como a frequência de uso do app do banco pelo cliente.

Por exemplo, o mecanismo de modelamento CART produziu uma árvore de classificação de decisão única que usou dados categóricos para prever um valor qualitativo e dados históricos que podiam ser segmentados em um conjunto de regras sim/não. A segmentação divide a variável de resposta (Y) em partições com base nas configurações do preditor (X). Aumentar ou “podar” continuamente a árvore do CART ajudou a equipe a identificar rapidamente causas adicionais da variabilidade excessiva nesse processo. Assim que a equipe reduziu para algumas de variáveis preditoras vitais, foram implantados controles para limitar os resultados aos grupos de cliente com regras específicas, como clientes maiores de 25 anos ou com renda anual maior do que US$ 40.000. Essas regras estavam relacionadas à segmentação de grupos demográficos de clientes que teriam mais chance de conectar o app para mobile à sua conta bancária.

 

A equipe descobriu que o modelo CART mostrou alguns resultados valiosos, como o grupo de clientes com regras específicas, que seria difícil de descobrir com consultas tradicionais geradas com o uso de regressão e ANOVA. Cada divisão no gráfico acima mostra que os dados são segmentados em dois grupos com base no valor de uma variável preditora.
Os gráficos de dependência parcial no TreeNet explicam as reações entre uma variável com um alvo de uma maneira intuitiva.

A equipe então usou o mecanismo de modelamento TreeNet para encontrar rapidamente as variáveis com maior impacto e que poderiam ser usadas para ilustrar a relação entre a variável e o resultado. O resultado era a probabilidade de os clientes conectarem o app à conta bancária e as variáveis identificadas nesse exemplo incluíam a renda mensal mostrada no gráfico acima.

O gerente de análise de dados usou o gráfico de ganho no TreeNet para avaliar o modelo. O TreeNet mostrou estatísticas de ganho/levantamento ao trucar dados de treinamento (empacotamento) em vários segmentos. O usuário também podia escolher analisar dados de treinamento/teste ou empacotados em conjuntos com várias outras medições, como ROC (característica de operação do receptor). A curva do ROC é uma avaliação importante da previsão binária. Quanto maior o ROC, melhor o desempenho do modelo.
O TreeNet tem uma janela de resumo que exibe algumas estatísticas cruciais. Esse gráfico mostra a “probabilidade logarítmica negativa”, uma medição estatística da verificação/comparação do modelo, que enfatiza a interpretação da probabilidade das previsões do modelo.

Por meio de treinamento, teste e eliminação de clientes de baixa resposta da lista e depois da otimização e validação dos modelos, a equipe conseguiu encontrar um grupo segmentado de clientes. Os modelos gerados foram capazes de identificar características do grupo de clientes “altamente responsivos” ao pontuar e avaliar cada taxa de resposta do cliente com base no histórico de capacidade de resposta às promoções do banco no ano anterior.

A equipe no banco disse que o melhor de tudo era que o SPM era fácil de usar. Com apenas alguns cliques e sem necessidade de programação, eles conseguiram gerar modelos iniciais e reduzir o tempo de modelamento geral de meses para dias. De fato, levou apenas 7 dias para treinar e implantar um modelo refinado que conseguia prever o grupo alvo.

Resultados

Com esse grupo refinado de 2 milhões de usuários do app para entrar em contato, em comparação com os 13 milhões iniciais, a equipe de telemarketing conseguiu falar todos que precisavam em poucos meses. Como resultado, eles notaram um aumento de 300% na conexão de cartões com o app para mobile. O banco também evitou o custo associado com o recrutamento de mais profissionais de telemarketing e aumentou a eficiência e promoveu esses serviços de geração de receita a clientes segmentados ao mesmo tempo. A equipe de telemarketing também obteve uma taxa de sucesso 35% maior em incentivar os usuários a conectar seu cartão, em comparação com campanhas anteriores. Com o Salford Predictive Modeler, a equipe de projeto conseguiu ajudar o banco a compreender e usar seus dados para gerar insights baseados em fatos para tomar decisões que economizam custos.

ORGANIZAÇÃO

Um banco comercial nacional na China

VISÃO GERAL

  • Estabelecido há mais de 30 anos em 24 províncias chinesas
  • Mais de 300.000 clientes corporativos, 34 milhões de clientes individuais, 57 milhões de clientes de cartão de crédito e 24 milhões de clientes de mobile banking

DESAFIO

13 milhões de clientes que usam o app para mobile do banco não haviam conectado o cartão do banco ao app

PRODUTOS USADOS

Salford Predictive Modeler®

RESULTADOS

  • Aumento de 300% na conexão do cartão ao app para mobile em comparação com as campanhas anteriores
  • Taxa de sucesso 35% maior em incentivar os usuários a conectar o cartão ao app em comparação com campanhas anteriores
  • Redução de custos com o aumento da eficiência da equipe de telemarketing
  • Promoção de serviços com geração de receita aos clientes
clear