Kaufneigung-Scores von Kunden für Kleinkredit-Angebote

Herausforderung

Um ein ausreichend präzises Vorhersage-Modell zu entwickeln, mussten wir eine Vielzahl hochkomplexer Berechnungen durchführen – basierend auf einem gewaltigen, unstrukturierten Datensatz. Wir standen vor der Mammutaufgabe, mehrere 10 Millionen Transaktionsdaten und Hunderte Millionen von Links innerhalb des Kundennetzwerks zu analysieren.

Uns war klar, dass hierfür relationale Datenbanken oder konventionelle, statistische Methoden wie die segmentierte Regression nicht ausreichen würden. Diese Herausforderung verlangte nach einer ausgereiften, technologischen Lösung.

Lösung

Unser einzigartiger Ansatz zur Berechnung der Kaufneigungs basiert auf der Modellierung vom Kundenverhalten und Social Similarity Networks. Hieraus entwickelten wir die nötigen Insights, um Mikrosegmente im Kundenstamm zu erkennen. Dabei setzten wir auf moderne Methoden für maschinelles Lernen – entwickelt in enger Zusammenarbeit mit unseren Forschungspartnern der Charles Universität in Prag.

Um die gigantische Datenmenge bewältigen zu können, erschufen wir eine Big Data Pipeline unter Einsatz von eigens hierzu designten Datenstrukturen auf Apache Spark und der Hadoop Plattform. Die Resultate unserer Kundendaten-Bewertung, wurden unabhängig überprüft durch die Data Analysts der Equa Bank. Sie bestätigten die hohe Präzision unseres Vorhersage-Modells (87% AUC). Und nicht nur das: Sie kamen zu dem Ergebnis, dass unser Kaufneigungs-Score bei rund 70% des Kundenstammes effektiv war – inklusive neuer Kunden, inaktiver Kunden und jenen ohne Kredit-Vorgeschichte.