Desarrollo de soluciones de Data Science para el sector fintech

Solución de reconocimiento de comercios basada en aprendizaje automático.

Cliente

Empresa de servicios de recogida de datos.

Dolor

Insuficiencia de datos para la captación de audiencias relevantes y el mantenimiento del nivel deseado de retención de clientes.

Solución

Aplicación de ciencia de datos basada en aprendizaje automático que permite a los bancos extraer datos valiosos sobre los comerciantes para su posterior análisis, lo que se traduce en una elaboración de estrategias más sólida.

Detalles del proyecto

Emerline participó en el desarrollo de una solución de ciencia de datos destinada a proporcionar a los bancos europeos información detallada y categorizada sobre el uso de sus productos: tarjetas de débito y crédito. El objetivo era establecer un mecanismo que detectara automáticamente información valiosa para los bancos sobre los comercios basándose en los pagos de los clientes y, a continuación, dividiera estos datos en categorías. De este modo, un banco podría determinar sus comercios clave y recibir información sobre el comportamiento de sus clientes y los riesgos que conllevan.

Nuestro equipo se encargó de la creación de los algoritmos de ML que garantizarían la extracción de los siguientes datos

• Puntuación de la URL del comerciante en función de diferentes criterios
• Extracción de información válida
• Reconocimiento de productos
• Categorización de los comerciantes en función de los riesgos que los acompañan

El proceso de categorización debía construirse con respecto a la lista de categorías proporcionada por el cliente.

Un reto más era optimizar el proceso de puntuación de URL de tal forma que fuera lo más parecido posible a cómo los humanos seleccionan los sitios web cuando navegan en busca de información.

¿Cómo funciona la solución?

El principio de funcionamiento de la solución suministrada puede describirse del siguiente modo:

1. Un cliente realiza una compra con una tarjeta de débito o crédito.
2. Se envía al banco una breve información sobre la compra (dónde se ha realizado, el nombre del comerciante, el código MCC, etc.).
3. Desde un servidor bancario, la información se transfiere al servidor de la solución de ciencia de datos en la que trabajamos.
4. Los servidores buscan la información del comerciante para definir -con ayuda del aprendizaje automático- qué productos o servicios ofrece.
5. De acuerdo con los datos extraídos, la solución determina categorías relacionadas con el comerciante y envía esta información al banco.

Tecnologías utilizadas

CLASIFICACIÓN DE COMERCIOS

• Gensim
• Doc2vec
• tf-idf
• regresión logística

CLASIFICACIÓN DE URL

• XGBoost
• LightGBM
• Regresión logarítmica
• Optuna

RECONOCIMIENTO DE PRODUCTOS

• Python por defecto
• Numpy

Resultados

Al abordar con prontitud los retos durante el desarrollo, incluidos los relacionados con URL no válidas, y recopilar una lista de productos para el reconocimiento del sistema, nuestro equipo proporcionó al cliente una solución bien pensada que recopila información importante sobre los comercios y el comportamiento de los clientes. Con un sistema así, el cliente puede reforzar su posición en el mercado de proveedores de servicios de recopilación de datos, ofreciéndolo a bancos que pueden utilizarlo para extraer información útil.