Acelerador de hiperpersonalización para bancos y fintechs mediante transacciones con tarjeta de crédito

Acelerador de hiperpersonalización para bancos y fintechs mediante transacciones con tarjeta de crédito

  • Big Data
  • marzo 3, 2022
  • No Comment
  • 59
  • 14 minutes read


Así como Netflix y Tesla revolucionaron las industrias de medios y automotriz, muchas empresas fintech están transformando la industria de servicios financieros, ganándose los corazones y las mentes de una población digitalmente activa a través de servicios personalizados, innumerables tarjetas de crédito más seguras y experiencias omnicanal sin fricciones. La historia de éxito de NuBank como una startup de ocho años que se convirtió en el banco más valioso de América Latina no es aislada; Más de 280 unicornios fintech también están preparados para alterar toda la industria de pagos. Como se señaló en el estudio de la Autoridad de Conducta Financiera (FCA), “Hay indicios de que algunas de las ventajas históricas de los grandes bancos pueden comenzar a debilitarse como resultado de la innovación, la digitalización y el comportamiento cambiante del consumidorAnte la elección entre interrupción o interrupción, muchas instituciones de servicios financieros (FSI) tradicionales, como JP Morgan Chase, han anunciado recientemente importantes inversiones estratégicas para competir con las empresas de tecnología financiera en su propio suelo: en la nube, utilizando datos e inteligencia artificial (IA). . ).

Dado el volumen de datos necesarios para impulsar la personalización avanzada, la complejidad de ejecutar IA desde experimentos (prueba de concepto/POC) hasta canalizaciones de datos a escala empresarial, combinado con estrictas normas de privacidad para el uso de datos de clientes en la infraestructura de la nube, Lakehouse for Financial Los servicios se han convertido rápidamente en la plataforma estratégica para que muchos disruptores e titulares aceleren la transformación digital y brinden información personalizada y experiencias bancarias mejoradas a millones de clientes (vea cómo HSBC reinventa la banca móvil con IA, piensa).

En nuestro acelerador de soluciones anterior, mostramos cómo se pueden identificar marcas y comerciantes a partir de transacciones con tarjeta de crédito. En nuestro nuevo acelerador de soluciones (inspirado en el estudio de 2019 de Bruss et al. y nuestra experiencia trabajando con instituciones bancarias minoristas globales), aprovechamos este trabajo para diseñar una estrategia de inventario de hiperpersonalización moderna que es una imagen completa del consumidor, yendo más allá de la demografía, los ingresos, los productos y los servicios tradicionales (quién es usted) hasta el comportamiento de las transacciones y las preferencias de compra (cómo realiza operaciones bancarias). Como activo de datos, lo mismo se puede aplicar a muchos casos de uso posteriores, p. B. Programas de lealtad para aplicaciones de banca en línea, prevención de fraude para plataformas de banca central o riesgos crediticios para iniciativas «Compre ahora y pague después» (BNPL).

contexto transaccional

Si bien el enfoque habitual para cualquier caso de uso de segmentación es un modelo de agrupación simple, existen pocas técnicas estándar. Alternativamente, al convertir datos de su arquetipo original, se puede acceder a una gama más amplia de técnicas que a menudo conducen a resultados inesperados. En este acelerador de soluciones, transformamos nuestros datos de transacciones de tarjetas originales en un paradigma de gráficos, aprovechando las técnicas desarrolladas originalmente para el procesamiento del lenguaje natural (NLP).

Muestre las transacciones de la tarjeta como un gráfico de dos partes

De manera similar a las técnicas de PNL, donde el significado de una palabra se define por el contexto que la rodea, la categoría de un comerciante se puede aprender de su base de clientes y de las otras marcas que respaldan a sus clientes. Para construir este contexto, generamos «recorridos de compras» mediante la simulación de clientes que caminan de una tienda a otra hacia arriba y hacia abajo en nuestra estructura de gráficos. El objetivo es aprender «incrustaciones», una representación matemática de la información contextual que llevan los clientes en nuestra red. En este ejemplo, dos operadores que son contextualmente cercanos estarían incrustados en vectores grandes que son matemáticamente cercanos. Esto hará que dos clientes con el mismo comportamiento de compra se acerquen matemáticamente, allanando el camino para una estrategia de segmentación de clientes más avanzada.

Incrustaciones de comerciantes

Word2Vec fue desarrollado por Tomas Mikolov, et. desarrollado. Alabama. en Google para hacer más eficiente el entrenamiento de redes neuronales incrustadas, y desde entonces se ha convertido en el estándar de facto para desarrollar algoritmos de incrustación de palabras previamente entrenados. En nuestra solución, utilizamos el modelo wordVec estándar de la API de ML de Apache Spark™, ​​que entrenamos con nuestros recorridos de compras definidos previamente.


from pyspark.ml.feature import Word2Vec
 
with mlflow.start_run(run_name="shopping_trips") as run:
 
 word2Vec_model = Word2Vec() 
   .setVectorSize(255) 
   .setWindowSize(3) 
   .setMinCount(5) 
   .setInputCol('walks') 
   .setOutputCol(vectors) 
   .fit(shopping_trips)
 
  mlflow.spark.log_model(word2Vec_model, "model")

La forma más obvia de validar rápidamente nuestro enfoque es observar sus resultados y aplicar la experiencia. En este ejemplo de marcas como «Paul Smith», nuestro modelo puede ver que los competidores más cercanos de Paul Smith son «Hugo Boss», «Ralph Lauren» o «Tommy Hilfiger».

Comerciantes contextualmente cercanos a Paul Smith

No solo identificamos marcas dentro de la misma categoría (es decir, la industria de la moda), sino también marcas con un precio similar. No solo podríamos clasificar las diferentes líneas de negocio en función de los datos de comportamiento del cliente, sino que nuestra segmentación de clientes también podría estar impulsada por la calidad de los productos que compran. Esta observación confirma los resultados de Bruss et. Alabama.

Agrupación de comerciantes

Si bien los resultados preliminares fueron preocupantes, podría haber grupos de comerciantes que son más o menos similares a otros que tal vez deseemos identificar más a fondo. La forma más fácil de encontrar estos grupos significativos de distribuidores/marcas es visualizar nuestro espacio vectorial incrustado en un gráfico 3D. Para ello, aplicamos técnicas de aprendizaje automático como el análisis de componentes principales (PCA) para reducir nuestros vectores integrados en 3 dimensiones.

Visualización de incrustaciones comerciales en 3 dimensiones

Usando un gráfico simple, pudimos identificar diferentes grupos de comerciantes. Aunque estos minoristas tienen diferentes líneas de negocio y pueden parecer diferentes a primera vista, todos tienen una cosa en común: atraen una base de clientes similar. Podemos confirmar mejor esta hipótesis utilizando un modelo de agrupamiento (KMeans).

Huellas dactilares transaccionales

Una de las características curiosas del modelo word2vec es que aún puede agregar vectores lo suficientemente grandes mientras mantiene un alto valor predictivo. En otras palabras, el significado de un documento podría determinarse promediando el vector de cada una de sus palabras constituyentes (ver el libro blanco de Mikolov et al.). De manera similar, las preferencias de gasto de los clientes se pueden conocer agregando vectores de cada una de sus marcas preferidas. Dos clientes con un gusto similar por las marcas de lujo, los automóviles de alta gama y los licores finos teóricamente estarían cerca y, por lo tanto, pertenecerían al mismo segmento.


customer_merchants = transactions 
   .groupBy('customer_id') 
   .agg(F.collect_list('merchant_name').alias('walks'))

customer_embeddings = word2Vec_model.transform(customer_merchants)

Vale la pena señalar que tal vista agregada produciría una huella digital transaccional única para cada uno de nuestros usuarios finales. Aunque dos huellas digitales pueden compartir características similares (las mismas preferencias de compra), estas firmas únicas se pueden usar para rastrear el comportamiento individual único de los clientes a lo largo del tiempo.

Si una firma se desvía drásticamente de las observaciones anteriores, podría ser un signo de actividad fraudulenta (por ejemplo, un interés repentino en las empresas de juegos de azar). Si la firma diverge con el tiempo, podría ser indicativo de eventos de la vida (tener un hijo recién nacido). Este enfoque es clave para impulsar la hiperpersonalización en la banca minorista: la capacidad de rastrear las preferencias de los clientes utilizando datos en tiempo real ayudará a los bancos a ofrecer marketing personalizado y ofertas, como notificaciones automáticas, en varios eventos de la vida positivos o negativos.

Huellas digitales de transacciones a lo largo del tiempo

segmentación de clientes

Aunque pudimos generar una señal que ofrece un gran valor predictivo para analizar el comportamiento de los clientes, todavía no hemos abordado nuestro problema central de segmentación. Tomando prestado de las contrapartes minoristas, que a menudo son más avanzadas cuando se trata de casos de uso de 360° del cliente, incluida la segmentación, la prevención de abandono o el valor de por vida del cliente, podemos usar un acelerador de soluciones que no sea nuestro Lakehouse for Retail que nos guiará a través de varias técnicas de segmentación. Clientes potenciales patrocinados por organizaciones minoristas de primer nivel.

Siguiendo las mejores prácticas de la industria minorista, pudimos segmentar toda nuestra base de clientes en 5 grupos diferentes con diferentes características de compra.

Segmentación de nuestra base de clientes en 5 personas que gastan

Si bien el grupo n.º 0 parece estar orientado a las actividades de juegos de azar (categoría de comerciantes 4 en el gráfico anterior), otro grupo está más centrado en los negocios en línea y los servicios basados ​​en suscripción (categoría de comerciantes 6), lo que probablemente indica una generación más joven de clientes. Invitamos a nuestros lectores a complementar esta vista con puntos de datos adicionales que ya conocen sobre sus clientes (segmentos originales, productos y servicios, ingreso promedio, datos demográficos, etc.) para comprender mejor cada uno de estos segmentos impulsados ​​por el comportamiento y su impacto en el crédito. decisión Next best action, servicios personalizados, satisfacción del cliente, cobro de deudas o análisis de marketing.

Pensamientos finales

En esta aceleradora de soluciones hemos aplicado con éxito conceptos del mundo de la PNL a las transacciones con tarjeta para la segmentación de clientes en banca minorista. También demostramos la relevancia de Lakehouse para que los servicios financieros enfrenten este desafío, donde el análisis gráfico, los cálculos matriciales, el NLP y las técnicas de agrupamiento deben combinarse en una plataforma segura y escalable. En comparación con los métodos de segmentación tradicionales que el mundo de SQL aborda fácilmente, el futuro disruptivo de la segmentación pinta una imagen más completa del consumidor y solo puede resolverse con datos + IA a escala y en tiempo real.

Si bien solo hemos arañado la superficie de lo que es posible con modelos y datos estándar a nuestra disposición, hemos demostrado que el comportamiento de gasto del cliente puede impulsar la hiperpersonalización de manera más efectiva que los datos demográficos, lo que abre una emocionante variedad de nuevas posibilidades. abre las actividades de venta cruzada/venta adicional y fijación de precios/objetivo a las estrategias de detección de fraude y retención de clientes.

Lo que es más importante, esta técnica nos permitió aprender de banqueros novatos o consumidores subrepresentados sin historial crediticio conocido, usando información de otros. Con 1.700 millones de adultos en todo el mundo sin servicios bancarios, según el Foro Económico Mundial, y 55 millones solo en los EE. UU. en 2018, según la Reserva Federal, este enfoque podría allanar el camino para un futuro más centrado en el cliente e inclusivo para la banca minorista. .

Pruebe los cuadernos aceleradores en Databricks para probar su estrategia de inventario de datos de 360° del cliente hoy y contáctenos para obtener más información sobre cómo hemos ayudado a los clientes con casos de uso similares.



Related post

Nanotechnology Now – Comunicado de prensa: La Sociedad Nacional del Espacio ayuda a financiar la expansión de la Academia de Empresarios de Verano de Brownsville de Frontier: La Sociedad Nacional del Espacio y el Club para el Futuro apoyan el Programa de Desarrollo Juvenil del Sur de Texas

Nanotechnology Now – Comunicado de prensa: La Sociedad Nacional…

Inicio > Prensa > La Sociedad Nacional del Espacio ayuda a financiar la expansión de la Academia de Empresarios de Verano…
Tesla establece un sorteo aleatorio para la Junta General de Accionistas de 2022

Tesla establece un sorteo aleatorio para la Junta General…

Tesla realizará un sorteo al azar para seleccionar accionistas para asistir a la AGM de 2022, informa oráculo de tesla, que…
Einride recibe la aprobación de la NHTSA para probar camiones autónomos

Einride recibe la aprobación de la NHTSA para probar…

Einride es una empresa sueca fundada en 2016 para promover una distribución de mercancías más eficiente a través de herramientas de…

Leave a Reply

Tu dirección de correo electrónico no será publicada.