Sviluppo di soluzioni Data Science per il settore fintech

Soluzione di riconoscimento dei commercianti basata sull'apprendimento automatico.

Cliente

Società di servizi di raccolta dati.

Dolore

Insufficienza di dati per l'attrazione di un pubblico rilevante e il mantenimento del livello di fidelizzazione desiderato.

Soluzione

Applicazione di scienza dei dati basata sull'apprendimento automatico che consente alle banche di estrarre dati preziosi sugli esercenti per ulteriori analisi, con conseguente rafforzamento della strategia.

Dettagli del progetto

Emerline è stata coinvolta nello sviluppo di una soluzione di data science volta a fornire alle banche europee informazioni dettagliate e categorizzate sull'utilizzo dei loro prodotti - carte di debito e di credito. L'obiettivo era quello di creare un meccanismo in grado di rilevare automaticamente informazioni preziose per le banche sugli esercenti in base ai pagamenti dei clienti e di suddividere questi dati in categorie. In questo modo, una banca sarebbe stata in grado di determinare i propri esercenti chiave e di ricevere informazioni sul comportamento dei clienti e sui relativi rischi.

Il nostro team era responsabile della creazione degli algoritmi di ML che avrebbero garantito l'estrazione dei seguenti dati:

• Punteggio dell'URL dell'esercente in base a diversi criteri
• Estrazione di informazioni valide
• Riconoscimento dei prodotti
• categorizzazione dei commercianti in base ai rischi che li accompagnano

Il processo di categorizzazione doveva essere costruito in base all'elenco di categorie fornito dal cliente.

Un'altra sfida è stata quella di ottimizzare il processo di URL scoring in modo da renderlo il più simile possibile al modo in cui gli esseri umani selezionano i siti web quando navigano alla ricerca di informazioni.

Come funziona la soluzione?

Il principio di funzionamento della soluzione fornita può essere descritto come segue:

1. Un cliente effettua un acquisto con una carta di debito o di credito.
2. Vengono inviate alla banca brevi informazioni sull'acquisto (luogo in cui è avvenuto, nome del commerciante, codice MCC, ecc.
3. Da un server bancario, le informazioni vengono trasferite al server della soluzione di data science su cui abbiamo lavorato.
4. I server cercano le informazioni sul commerciante per definire - con l'aiuto del machine learning - quali prodotti o servizi fornisce il commerciante.
5. In base ai dati estratti, la soluzione determina le categorie relative al commerciante e invia queste informazioni alla banca.

Tecnologie utilizzate

CLASSIFICAZIONE DEI COMMERCIANTI

• Gensim
• Doc2vec
• tf-idf
• regressione logistica

SCOREGGIO URL

• XGBoost
• LightGBM
• Regressione logica
• Optuna

RICONOSCIMENTO DEL PRODOTTO

• Python predefinito
• Numpy

Risultati

Affrontando tempestivamente le sfide durante lo sviluppo, comprese quelle relative agli URL non validi, e compilando un elenco di prodotti per il riconoscimento del sistema, il nostro team ha fornito al cliente una soluzione ben congegnata che raccoglie informazioni importanti sugli esercenti e sul comportamento dei clienti. Con questo sistema, il cliente può rafforzare la propria posizione nel mercato dei fornitori di servizi di raccolta dati, offrendolo alle banche che possono utilizzarlo per estrarre informazioni utili.