Повышение эффективности маркетинговой компании в сегменте B2C

КЛИЕНТ

Заказчик — финансовая организация, производящая разнообразные виды операций с деньгами и оказывающая финансовые услуги юридическим и физическим лицам.

ВЫЗОВ

Заказчику необходим был ожидаемый эффект от использования алгоритмов MACHINE LEARNING, в виде повышения эффективности маркетинговых кампаний, а именно:

  • Роста конверсии от рассылок
  • Сокращения нерезультативных контактов
  • Более глубокого понимания клиентов

РЕШЕНИЕ

Этапы Решения задачи повышения эффективности от рассылок с использованием алгоритмов машинного обучения:

  1. разработка предиктивной модели, результатом которой стал список клиентов с предсказанной вероятностью подачи заявки на анализируемый банковский продукт
  2. разработка модели кластеризации, результатом которой стал  список клиентов для рассылки с выделенными кластерами

На первом этапе для построения модели были определены клиенты, имеющие транзакционную активность за 3 месяца до отчетной даты

  • Было выделено больше двух сотен переменных данных, а также социально-демографические характеристики и данные о тратах в разрезе сегментов бизнес-направлений
  • Алгоритмом классификации стал Gradient boosting

На втором этапе для кластерного анализа были использованы клиенты, вероятность отклика по которым больше или равно обозначенной показательной величины

  • Количество зависимых переменных сократилось до двух десятков. Сегментация проводилась на основе данных о поле, возрасте, месте проживания, а также на основе данных о тратах за три месяца разрезе сегментов бизнес-направлений
  • Список для рассылки был разделен алгоритмами на конечное кол-во кластеров
  • Для кластеризации был использован метод Kmeans

Общая схема процесса выглядела так:

Общая схема процесса

ПОЛУЧЕННЫЕ РЕЗУЛЬТАТЫ

Фактический эффект от использования алгоритмов MACHINE LEARNING:

  1. Уровень конверсии в отчетном квартале: за первый месяц повысился более чем на 300%, за второй месяц повысился более чем на 270%, за третий месяц более чем на 1000%
  2. Были четко определены 5 сегментов для точечной персонифицированной рассылки

Обозначенные инструменты позволили заказчику:

В части маркетинга:

  • Персонализировать маркетинг
  • Обозначить Real-time маркетинг
  • Сегментировать клиентов
  • Построить социальные графов и пр.

В части продаж:

  • Выстроить Предиктивную аналитику
  • Спрогнозировать LTV
  • Спрогнозировать отток и пр.

В части Службы безопасности

  • Выявить клиентов, совершающих мошеннические операции

Обнаружить скрытые связи и «серые» схем и пр.

ТЕХНОЛОГИИ И ИНСТРУМЕНТЫ

Основная разработка производилась с использованием языков программирования Python и PL/SQL

остались вопросы?
похожие кейсы
Сервис для совершения быстрых переводов между картами, запроса денег и разделения счета за услугу
Сервис для совершения быстрых переводов между картами, запроса денег и разделения счета за услугу
Приложение для совершения быстрых переводов между картами по РБ и в другие страны (согласно публичной оферте), для запроса денег и разделения счета между субъектами
low-code | Outsystems
подробнее
Перевод крупного банка Беларуси с монолитной системы Интернет-Банкинга на распределенную систему
Перевод крупного банка Беларуси с монолитной системы Интернет-Банкинга на распределенную систему
Заказчик – один из ведущих банков Беларуси
подробнее
Создание единого корпоративного хранилища данных
Создание единого корпоративного хранилища данных, BI
Клиент столкнулся с проблемой наличия нескольких учетных и транзакционных систем, различных по назначению и целям, разработанных разными компаниями-разработчиками.
подробнее