Разработка модели склонности клиентов к покупке банковских продуктов для повышения продаж

1.

Магистерская диссертация на тему:
Разработка модели склонности клиентов к
покупке банковских продуктов для
повышения продаж
Выполнил: Кунгурцев Константин
Сергеевич, гр. М42381
Руководитель: Аксенов Виталий
Евгеньевич, доцент
Санкт-Петербург, 2023

2.

Решаемая проблема
На данный момент лишь 1.3% людей,
пользующихся мобильным приложением
компании, заходят в разделы, связанные с
долгосрочным инвестированием.
Агрессивная реклама поднимет продажи, но
отпугнет большую часть »холодных»
покупателей и людей, которые хотят, но не
могут решиться закрыть продукт.
Было принято решение использовать
модель склонности к покупке, для точечной
рекламной компании продуктов.
720 тысяч в
витрине
56 миллионов
в СБОЛ
2

3.

Цель модели
Увеличить продажи конкретных банковских продуктов:
• ИПП (индивидуальный пенсионный план);
• КПП (корпоративный пенсионный план);
• паевые продукты.
Достигнуть показателя в 3% переходов по «предсказанным» баннерам.
Достигнуть показателя в 0,1% по продажам продуктов.
0,1% – около 50 тысяч новых договоров.
3

4.

Данные по клиентам
Используем следующие основные
данные по клиенту:
• пол, возраст, город;
• доходы/расходы;
• банковские продукты.
Также в базах данных хранится до
15 тысяч переменных, касающихся
разных сфер жизни человека.
4

5.

Технические данные модели
Утвержденная модель: градиентный бустинг.
• Референс: LightJBM;
• тип модели используется в 60% работ по таргетированию;
• зафиксированное небольшое множество параметров клиента.
Идея для сравнительной модели: рекуррентная нейронная сеть.
• Референс: LSTM;
• открыта к масштабированию;
• больше параметров клиента к использованию.
5

6.

Тестирование продукта
Тестирование продукта
происходит в 2 этапа:
• проверки на этапе
разработки;
• тестирование продукта
методом «out of time».
LSTM показала себя
несколько лучше, однако
обучалась гораздо дольше.
0,3
0,2
0,2
0,1
0,1
0,0
Открытые продукты рекламной компании, %
Предсказанные градиентным бустингом продукты, %
Предсказанные LSTM продукты, %
6

7.

Out-of-time: закрытые продукты
0,16
0,14
0,12
0,1
0,08
0,06
0,04
0,02
0
ноябрь декабрь январь февраль
март
апрель
май
июнь
июль
август сентябрь октябрь
Закрытые продукты по результатам рекламной компании, %
Закрытые продукты градиентного бустинга, %
Закрытые продукты LSTM, %
7

8.

Результаты
Текущие результаты работы:
•результат на out of time – данных в
размере 2,5% повышения
конверсии;
• модель успешно прошла этап
приемо-сдаточных испытаний;
• идет внедрение модели и есть
первые продажи.
Реальные клиенты: выборка
команды внедрения, 100000
человек.
60
50
40
30
20
10
0
15
апреля
16
апреля
17
апреля
18
апреля
19
апреля
20
апреля
21
апреля
22
апреля
Покупки за первую неделю, шт.
8

9.

Выводы
Выводы по данной работе:
1. модель выполняет поставленную задачу;
2. модель отвечает всем требованиям компании, поставленным в
документации к проекту;
3. модель может быть использована в других проектах, связанных с
классификацией внутри компании;
4. модель градиентного бустинга выгодно отличается на фоне LSTM за
счет более быстрого обучения.
9

10.

Спасибо
за внимание!
Санкт-Петербург, 2023