3805
Прогнозирование востребованности банковских карт
2021 год.Вычисление вероятности того, что клиент не заберет перевыпущенную карту, на основе анализа 60 факторов
Какую проблему решали
Каждый месяц истекает срок действия примерно 3 миллионов дебетовых и кредитных карт Сбербанка, и их необходимо перевыпускать для клиентов. Но часть клиентов не забирает перевыпущенные карты, игнорируя уведомления. Банк несет неоправданные издержки на материалы, логистику и процесс создания карты. Для эффективного управления расходами на плановый перевыпуск Сбербанку понадобился инструмент прогнозирования востребованности карт.
Экономический эффект от внедренной технологии составляет свыше 28 млн рублей в месяц.
Решение проблемы
Ежемесячно для нескольких клиентских сегментов, имеющих разные виды карт, команда Сбербанка запускает суммарно 15 ИИ-моделей на Python для разных сегментов. Эти модели анализируют актуальную информацию о клиентах банка и формируют список тех, кому не стоит выпускать карты. Списки направляются в производственный центр, который использует их для планирования своей работы.
Потребность клиента в перевыпуске карте высчитывается, исходя из анализа 60 параметров. В итоге Сбербанк может составить прогнозный план по производству новых карт и сообщать об их готовности только тем, кто в них действительно нуждается.
Это позволяет банку экономить на выпуске карт и логистике, сокращает объем используемого пластика и обеспечивает лучший клиентский сервис за счет снижения нагрузки на сотрудников отделений.
Применяемые технологии
В решении используются две основные модели – одна прогнозирует, насколько перевыпуск карты востребован для заданного клиента или клиентского сегмента, вторая модель – транзакционной активности – помогает определить удобное место доставки карты. В первом случае решается задача классификации, во втором – кластеризации.
Перечень истекающих карт проходит несколько этапов фильтрации, например, удаление закрытых карт или удаление карт по стоплистам. Модель перевыпуска использует алгоритмы логистической регрессии и градиентного бустинга, а также учитывает также бизнес-критерии для экономии чипов.
Модель транзакционной активности анализирует, какие отделения клиент посещает чаще всего и в каких локациях происходят POS-транзакции, прогнозируя, где клиенту будет удобнее забрать новую карту.
Перечень истекающих карт проходит несколько этапов фильтрации, например, удаление закрытых карт или удаление карт по стоплистам. Модель перевыпуска использует алгоритмы логистической регрессии и градиентного бустинга, а также учитывает также бизнес-критерии для экономии чипов.
Модель транзакционной активности анализирует, какие отделения клиент посещает чаще всего и в каких локациях происходят POS-транзакции, прогнозируя, где клиенту будет удобнее забрать новую карту.
Бизнес-процесс
До проекта:
- Статистика по клиентам и стоп-листы анализировались и корректировались вручную
- Банк выпускал карты для клиентов, которым они больше не нужны
- Утилизация большого числа невостребованных карт влекла большие убытки
После проекта:
- Банк составляет прогнозный план по перевыпуску карт
- Оповещение об изготовлении новой карты приходит только тем клиентам, для которых продукт актуален
- Если клиент, для которого карта не была перевыпущена, приходит за ней, информация об этом используется для актуализации модели
Результаты
дивизиона "Кошелек клиента"
Вадим Кухарев
Руководитель DS Дивизиона “Кошелек клиента”
Евгений Хинензон
Разработчик DS Дивизиона “Кошелек клиента”
Похожие кейсы
AI-кейсы с доказанной бизнес-эффективностью. Все проекты успешно прошли проверку комиссией из признанных экспертов в технологиях и бизнесе.