Erhöhung der Akzeptanzrate durch maschinelles Lernen für Amplifi Capital
30% Steigerung der Angebotsannahme
Echtzeit-Modellreaktion in Millisekunden
End-to-End-Implementierung, die komplett in Cloud läuft
Projekt Kurzbeschreibung
Das Verhaltensmodell verbesserte die Annahmerate von Kreditangeboten eines digitalen Kanals durch maschinelles Lernen und Datenverarbeitung in Echtzeit.
Wir haben uns für Profinit als strategischen Partner für Datenanalyse und maschinelles Lernen entschieden, da sie einen sehr professionellen Ansatz, hervorragende Leistungen und fundierte Kenntnisse aufweisen. Dank unserer Zusammenarbeit haben wir wertvolle Erkenntnisse aus den Daten gewonnen und die Annahmequoten unserer Angebote zweistellig verbessert.
Petr Luksan
COO & Mitglied des Verwaltungsrats
Projekt-Hintergrund
Das britische Fintech-Unternehmen Amplifi Capital, der bekannteste Kreditgeber im britischen Credit-Union-Sektor, war auf der Suche nach einem strategischen Partner für maschinelles Lernen und Datenanalytik.
Der erste Schritt auf dem Weg zu einem optimierten Underwriting-Prozess mit einem personalisierten Angebot bestand darin, ein Verhaltensmodell zu erstellen, um die Wahrscheinlichkeit der Annahme eines jeden Kundenangebots mit den gegebenen Parametern vorherzusagen.
Profinit nahm eine Ausschreibung von Amplifi Capital in Form eines Wettbewerbs an, bei dem es darum ging, die besten Vorhersageergebnisse aus einem anonymisierten Datensatz zu erzielen. Unser Data-Science-Team nahm die Herausforderung erfolgreich an und lieferte innerhalb von zwei Wochen das beste Modell unter allen konkurrierenden Anbietern.
Business-Anforderungen
Die Lösung musste die folgenden Spezifikationen erfüllen:
- Verarbeitung von Hunderten von Kundenmerkmalen vom Underwriting-Prozess und externen Risiken bis zu Kreditbürodaten
- Hochpräzise Vorhersagen für Tausende von Angeboten täglich mit minimaler Latenzzeit (Millisekunden)
- Ermöglichen Sie mit einem einzigen Mausklick ein Failover-Modell-Retraining
- Erhöhung der Zahl der angenommenen Kreditangebote
- Gewinnen Sie wertvolle Erkenntnisse aus Angebotsdaten
Herausforderung
Das Modell muss Hunderte von Kundenmerkmalen verarbeiten, vom Underwriting-Prozess über das externe Risiko bis zu den Daten der Kreditbüros.
Darüber hinaus ist die Rechenzeit entscheidend, da jedes Angebot dem Kunden innerhalb von wenigen Sekunden angezeigt werden muss, wenn andere konkurrierende Angebote über Webaggregator-Vergleichsdienste wie Experian generiert werden.
Lösung: Maschinelles Lernen
Profinit entwickelte und implementierte das Modell zur Bewertung jedes einzelnen Kundenangebots. Das Verhaltensmodell verbessert den Underwriting-Prozess durch die Optimierung von Angeboten für unbesicherte Kreditprodukte mithilfe von maschinellem Lernen.
Die End-to-End-Implementierung besteht aus einer Echtzeit-Datenverarbeitungspipeline, die vollständig in AWS-Cloud und in der MLOps-Umgebung ausgeführt wird und mit einem einzigen Mausklick ein Failover-Modellretraining ermöglicht.
Die Lösung liefert stabile, sehr genaue Vorhersagen (85 % AUC) und trifft Entscheidungen in weniger als 100 Millisekunden. Die Anzahl der angenommenen Kreditangebote stieg durch den Einsatz der Lösung für das individuelle Angebot für jeden Kunden um 30 %.
Technologien
Python
R
MLflow
AWS
Jenkins
Flask
Zusammenfassung
Die von uns entwickelte und implementierte Lösung hat diese Ergebnisse für das Unternehmen erzielt:
- Wir haben ein verhaltensbasiertes Modell zur Optimierung des Underwritings mit einem personalisierten Angebot in Echtzeit und mit minimaler Latenzzeit entwickelt
- Das Modell berechnet die Wahrscheinlichkeit der Annahme eines jeden Kundenangebots auf der Grundlage von Hunderten von Merkmalen, einschließlich Daten der Kreditbüros
- Die Zahl der angenommenen Kreditangebote stieg durch das individuelle Angebot für jeden Kunden um 30 %
Könnte Ihr Unternehmen von einem ähnlichen Verhaltensmuster auch profitieren?
Profinit verbessert die Art und Weise, wie Unternehmen Daten intern nutzen und darauf zugreifen. Wir zeigen Ihnen wie.
Weitere Erfolgsgeschichten und Lösungen
Česká spořitelna (Erste Group) Prognosen-Berechnung gegen Betrugsversuche
Profinit half der Erste Group dabei, die Betrugserkennung extrem zu beschleunigen – durch die Analyse von 1,5 Milliarden Transaktionen pro Tag.
Mehr erfahren
Equa Bank Kaufneigung-Scores
Entwicklung eines Vorhersage-Modells, um mögliche Kreditkunden mit hoher Kaufneigung zu identifizieren und so das Kampagnen-Targeting zu optimieren.
Mehr erfahren
Raiffeisenbank Konsolidierung von Konkurrenz-Krediten
So unterstützte Profinit die Raiffeisenbank CZ dabei, doppelt so viele Kreditvergaben durch Konkurrenz-Banken zu erkennen – und betroffene Kunden davon zu überzeugen, ihre Kredite bei der “kundenfreundlichsten Bank” zusammenzulegen.
Mehr erfahren