Data Science -ratkaisujen kehitys fintech-alalle

Koneelliseen oppimiseen perustuva kauppiaan tunnistusratkaisu.

Asiakas

Tiedonkeruupalveluyritys.

Kipu

Tietojen riittämättömyys relevanttien kohderyhmien houkuttelemiseksi ja halutun asiakaspidätystason ylläpitämiseksi.

Ratkaisu

Koneoppimiseen perustuva datatieteen sovellus, jonka avulla pankit voivat poimia arvokasta tietoa kauppiaista lisäanalyysejä varten, mikä johtaa vahvempaan strategian rakentamiseen.

Hankkeen yksityiskohdat

Emerline oli mukana kehittämässä data science -ratkaisua, jonka tarkoituksena oli tarjota eurooppalaisille pankeille yksityiskohtaista, luokiteltua tietoa niiden tuotteiden - pankki- ja luottokorttien - käytöstä. Tavoitteena oli luoda mekanismi, joka havaitsisi automaattisesti pankkien kannalta arvokasta tietoa kauppiaista asiakkaiden suorittamien maksujen perusteella ja jakaisi nämä tiedot luokkiin. Tällä tavoin pankki voisi määrittää tärkeimmät kauppiaat ja saada tietoa niiden asiakkaiden käyttäytymisestä ja siihen liittyvistä riskeistä.

Tiimimme vastasi sellaisten ML-algoritmien luomisesta, jotka varmistaisivat seuraavien tietojen louhinnan:

• Kauppiaan URL-osoitteen pisteytys eri kriteerien perusteella.
• kelvollisten tietojen poimiminen
• Tuotteiden tunnistaminen
• Kauppiaan luokittelu oheisriskien mukaan

Luokitteluprosessi oli rakennettava asiakkaan toimittaman kategorialuettelon perusteella.

Haasteena oli myös optimoida URL-pisteytysprosessi siten, että se olisi mahdollisimman lähellä sitä, miten ihmiset valitsevat verkkosivustoja tietoja selatessaan.

Miten ratkaisu toimii?

Toimitetun ratkaisun toimintaperiaate voidaan kuvata seuraavasti:

1. Asiakas tekee ostoksen pankki- tai luottokortilla.
2. Pankkiin lähetetään lyhyet tiedot ostoksesta (ostopaikka, kauppiaan nimi, MCC-koodi jne.).
3. Pankin palvelimelta tiedot siirtyvät työstämämme datatieteellisen ratkaisun palvelimelle.
4. Palvelimet selaavat kauppiaan tietoja määritelläkseen - koneoppimisen avulla - mitä tuotteita tai palveluja kauppias tarjoaa.
5. Louhittujen tietojen perusteella ratkaisu määrittää kauppiaaseen liittyvät luokat ja lähettää nämä tiedot pankille.

Käytetyt teknologiat

KAUPPIAAN LUOKITTELU

• Gensim
• Doc2vec
• tf-idf
• logistinen regressio

URL-ARVOSTELU

• XGBoost
• LightGBM
• Log regressio
• Optuna

TUOTETUNNISTUS

• Oletus Python
• Numpy

Tulokset

Käsitellessämme kehitysvaiheessa ilmenneet haasteet, kuten virheellisiin URL-osoitteisiin liittyvät haasteet, ja kootessamme luettelon tuotteista järjestelmätunnistusta varten, tiimimme tarjosi asiakkaalle hyvin harkitun ratkaisun, joka kerää tärkeää tietoa kauppiaista ja asiakkaiden käyttäytymisestä. Tällaisen järjestelmän avulla asiakas voi vahvistaa asemaansa tiedonkeruupalvelujen tarjoajien markkinoilla ja tarjota sitä pankeille, jotka voivat käyttää sitä hyödyllisten tietojen poimimiseen.