Utveckling av Data Science-lösningar för fintechbranschen

Lösning för igenkänning av handlare baserad på maskininlärning.

Kund

Serviceföretag för datainsamling.

Smärta

Otillräcklig mängd data för att attrahera relevanta målgrupper och bibehålla önskad nivå av kundlojalitet.

Lösning

Datavetenskaplig applikation baserad på maskininlärning som gör det möjligt för banker att extrahera värdefull data om handlare för vidare analys, vilket resulterar i starkare strategibyggande.

Detaljer om projektet

Emerline var involverat i utvecklingen av en datavetenskaplig lösning som syftade till att förse europeiska banker med detaljerad, kategoriserad information om användningen av deras produkter - betalkort och kreditkort. Målet var att etablera en mekanism som automatiskt skulle upptäcka värdefull information för banker om handlare baserat på kundbetalningar och sedan dela upp dessa data i kategorier. På så sätt skulle en bank kunna fastställa sina viktigaste handlare och få insikter om deras kundbeteende och åtföljande risker.

Vårt team ansvarade för skapandet av ML-algoritmerna som skulle säkerställa extraktionen av följande data:

• Poängsättning av handlarens URL baserat på olika kriterier
• Extrahering av giltig information
• Produktigenkänning
• Kategorisering av handlare efter medföljande risker

Kategoriseringsprocessen måste byggas upp med hänsyn till den lista med kategorier som kunden tillhandahöll.

Ytterligare en utmaning var att optimera processen för URL-scoring så att den skulle ligga så nära som möjligt hur människor väljer webbplatser när de söker efter information.

Hur fungerar lösningen?

Principen för hur den levererade lösningen fungerar kan beskrivas på följande sätt:

1. En kund gör ett köp med ett betal- eller kreditkort.
2. Kortfattad information om köpet (var det ägde rum, namnet på en handlare, MCC-kod etc.) skickas till banken.
3. Från en bankserver överförs informationen till servern för den datavetenskapliga lösning som vi arbetade med.
4. Servrarna söker efter information om handlaren för att - med hjälp av maskininlärning - definiera vilka produkter eller tjänster handlaren tillhandahåller.
5. I enlighet med de extraherade uppgifterna fastställer lösningen kategorier som är relaterade till handlaren och skickar denna information till banken.

Teknik som används

KLASSIFICERING AV HANDLARE

• Gensim
• Doc2vec
• tf-idf
• logistisk regression

URL-SCORING

• XGBoost
• LightGBM
• Logisk regression
• Optuna

PRODUKTIGENKÄNNING

• Standard Python
• Numpy

Resultat

Genom att snabbt ta itu med utmaningar under utvecklingen, inklusive de som rörde ogiltiga webbadresser och sammanställa en lista över produkter för systemigenkänning, gav vårt team kunden en väl genomtänkt lösning som samlar in viktig information om handlare och kundbeteende. Med ett sådant system kan kunden stärka sin position på marknaden för leverantörer av datainsamlingstjänster och erbjuda det till banker som kan använda det för att utvinna användbar information.