對銀行和Fintechs Hyper-Personalization加速器使用信用卡交易

就像Netflix和特斯拉擾亂了媒體和汽車工業,許多fintech公司正在改變著金融服務業贏得民心的數字通過個性化服務活動的人口,無數信用卡這一承諾更安全,無摩擦omnichannel經驗。NuBank的成功的故事是一個8歲的創業成為拉丁美洲最具價值的銀行不是一個孤立的案件;超過280個其他fintechs獨角獸也願意擾亂整個支付行業。指出在金融市場行為監管局(FCA)研究”,有跡象表明,一些大型銀行的曆史優勢可能開始削弱通過創新,數字化和改變消費者的行為”。麵對的選擇破壞或被破壞,許多傳統金融服務機構(FSIs)像摩根大通最近宣布重大戰略投資與fintech競爭公司在自己的理由——在雲上,使用數據和人工智能(AI)。

給定的數據量需要推動先進的個性化,從實驗操作的複雜性AI(概念證明/ poc)管道企業規模數據,結合嚴格的數據和隱私法規的使用客戶數據在雲基礎設施,Lakehouse金融服務已經迅速成為許多幹擾和現有的戰略平台都加速數字轉換和提供數以百萬計的客戶提Beplay体育安卓版本供個性化的見解和增強銀行的經驗(見如何beplay体育app下载地址彙豐銀行與AI)重塑手機銀行。

在我們之前解決方案加速器,我們展示了如何識別品牌和商家從信用卡交易。在我們的新的解決方案加速器(靈感來自2019年研究的布魯斯等人從我們的工作經驗和全球零售銀行機構),我們利用,努力構建一個現代hyper-personalization數據資產策略,抓住消費者的全貌和超越傳統的人口、收入、產品和服務(你是誰),延伸到事務行為和購物偏好(你的銀行)。作為數據資產,同樣可以應用於許多下遊使用情況下,如網上銀行應用程序的忠誠度計劃,欺詐防範為核心銀行平台或信用風險“現在購買日後買單”(BNPL)計劃。Beplay体育安卓版本

事務上下文

而常見的方法任何分割用例是一個簡單的聚類模型,隻有少數現成的技術。另外,當把數據從原來的原型,一個人可以訪問一個廣泛的技術,往往會產生意想不到的結果。在這個解決方案加速器,我們原來的信用卡交易數據轉換為圖形模式和利用技術最初設計為自然語言處理(NLP)。

類似NLP技巧,一個詞的意義是由其周圍的環境,一個商人的類別可以從其客戶基礎和其他品牌的消費者支持。為了建立這種背景下,我們通過模擬生成“購物”顧客步行從一個商店到另一個,我們的圖結構。beplay体育app下载地址學習的目的是“嵌入”,的數學表示上下文信息由客戶在我們的網絡。beplay体育app下载地址在這個例子中,兩個商人前後文接近將會嵌入到大型向量在數學上彼此接近。推而廣之,兩個客戶表現出相同的購物行beplay体育app下载地址為將數學上彼此接近,為一個更高級的客戶細分戰略鋪平了道路。

商人嵌入

Word2Vec是由托馬斯Mikolov等人在穀歌使嵌入的神經網絡訓練更有效,並已成為事實上的標準開發pre-trained字嵌入算法。在我們的解決方案中,我們將使用默認從Apache火花™毫升wordVec模型API,我們訓練與我們前麵定義的購物之旅。

從pyspark.ml.feature進口Word2Vec與mlflow.start_run (run_name =“shopping_trips”)作為運行:
              word2Vec_model = Word2Vec () \.setVectorSize (255年)\.setWindowSize (3)\.setMinCount (5)\.setInputCol (“走”)\.setOutputCol \(向量).fit (shopping_trips)mlflow.spark.log_model (word2Vec_model“模型”)

最明顯的方式快速驗證我們的方法是眼球其結果和應用專業知識。在這個例子中,“保羅史密斯”等品牌,我們的模型可以找到保羅史密斯的最接近的競爭對手“Hugo Boss”,“拉爾夫•勞倫(Ralph Lauren)”或“湯米•希爾費格。”

我們並不是簡單地檢測品牌在同一類別(即時尚產業),但發現品牌類似的價格標簽。我們不僅可以分類不同的企業使用客戶行為數據,但是我們的客戶細分也可以由其購買商品的質量。這觀察證實了發現布魯斯等人。

商業集群

雖然初步結果是令人不安的,可能有一群商人比其他人或多或少的相似,我們可以進一步確定。最簡單的方法找到這些商人的重要組/品牌是嵌入式向量空間想象成一個3 d的陰謀。為此,我們將機器學習技術應用主成分分析(PCA)降低嵌入式向量到三維。

使用一個簡單的情節,我們可以識別不同種類的商人。雖然這些商家可能會有不同的業務線,乍一看似乎不同,他們都有一個共同點:他們吸引類似的客戶基礎。我們可以更好地證實這個假說通過聚類模型(KMeans)。

事務的指紋

word2vec模型的一個新奇古怪的特征向量是足夠大仍然可以聚合,同時保持較高的預測價值。換句話說,文檔的意義還能學到平均向量的每個詞成分(見白皮書從Mikolov等)。同樣,客戶消費偏好可以學到通過聚合向量的首選品牌。兩個客戶beplay体育app下载地址有相似的品味奢侈品牌,高端汽車,好酒理論上會彼此接近,因此屬於相同的部分。

customer_merchants =交易\.groupBy (“customer_id”)\.agg (F.collect_list (“merchant_name”).alias (“走”))
              customer_embeddings = word2Vec_model.transform (customer_merchants)

值得一提的是,這種聚合視圖將生成一個事務性的指紋是獨一無二的每個終端消費者。雖然兩個指紋特征相似(相同的購物偏好),這些獨特的簽名可以用來跟蹤客戶獨特的個人行為。

當一個簽名大大不同於以前的觀測,這可能是一個欺詐活動的跡象(如突然對博彩公司)。當簽名漂移隨著時間的推移,這可能表明生活事件(有一個剛出生的孩子)。這種方法是駕駛hyper-personalization零售銀行業務的關鍵:對實時數據跟蹤客戶偏好的能力將幫助銀行提供個性化營銷和提供,如推送通知,在各種生活事件,積極或消極。

客戶細分

盡管我們能夠產生一些信號,提供了很大的預測價值客戶行為分析,我們仍然沒有解決我們實際分割問題。借鑒零售同行時往往更高級的客戶360的用例包括分割、生產預防或客戶生命周期價值時,我們可以使用一個不同的解決方案加速器從我們的Lakehouse零售走我們通過使用不同的分割技術一流的零售組織。

零售行業最佳實踐之後,我們能夠部分我們整個客戶群對5種不同群體表現出不同的購物特點。

而集群# 0似乎偏向賭博活動(商人4級在上麵的圖),另一組更集中在在線業務和基於訂閱的服務(商戶類別6),可能表明一個年輕一代的消費者。beplay体育app下载地址我們邀請我們的讀者來補充這一觀點與額外的數據點他們已經知道他們的客戶(原始的部分,產品和服務,平均收入、人口、等)為了更好地理解這些行為驅動的細分市場和信貸決策的影響,最好的行動,個性化的服務,客戶滿意度、債beplay体育app下载地址務集合或營銷分析。

封閉的思想

在這種解決方案加速器,我們已經成功地應用概念的NLP卡交易在零售銀行客戶細分。我們也證明了相關性Lakehouse金融服務來迎接這一挑戰,圖分析,矩陣計算,NLP,和集群技術都必須被組合成一個平台,獲得和可伸縮的。Beplay体育安卓版本相比傳統的分割方法很容易通過SQL的世界中,分割的破壞性的未來構建更全麵的影響消費者,隻能解決數據+人工智能,在規模和實時。

雖然我們隻觸及表麵的可能使用現成的模型和數據在我們處理,我們證明了客戶消費模式可以更有效地驅動hyper-personalization比人口開放一個激動人心的新機遇從交叉銷售/向上促銷和定價/目標活動,客戶忠誠度和欺詐檢測策略。

最重要的是,這種技術允許我們從new-to-bank個人或弱勢消費者沒有已知的信用記錄通過利用別人的信息。全世界有17億成年人沒有進入銀行賬戶根據世界經濟論壇在2018年和5500萬年非銀行用戶僅在美國就根據美國聯邦儲備理事會(美聯儲,fed)這種方法鋪平了道路,朝著更以客戶為中心的零售銀行和包容的未來。

試的加速器筆記本電腦在磚來測試你的客戶今天和360年的數據資產策略聯係我們更多地了解我們如何幫助客戶提供類似的用例。beplay体育app下载地址