Кластеризация клиентской базы. Рекомендательная система банковских продуктов

Задача

Клиентская база банка неоднородна, но работают с ней часто как с единым целым. В результате клиент получает предложения, которые ему не подходят, а банк теряет конверсию. Нужна система, которая разбивает базу на интерпретируемые сегменты по реальному поведению и рекомендует каждому подходящий банковский продукт.

Решение

Мы построили систему тематической сегментации клиентов по банковским транзакциям и рекомендательную систему банковских продуктов.

Подход: Тематическое моделирование применяется к транзакционным данным клиентов по дебетовым картам. Каждая транзакция клиента разбивается на интерпретируемые типы потребления, которые складываются в уникальный поведенческий профиль.

Что строит система:

• Интерпретируемые типы потребительских трат клиентов банка
• Двухуровневую иерархию профилей потребления
• Систему поиска похожих клиентов (Look-a-like)
• Рекомендательную систему банковских продуктов по сегменту

Пример интерпретируемого типа "Больной":

• Терапевтические услуги: 28%
• Лицензированные врачи: 23%
• Стоматологи, ортодонты: 9%
• Больницы: 2%

Технологии

Topic Modeling, N-grammer, Text Preprocessing, Clustering, Word2Vec. Тематическое моделирование транзакционных данных с предобученными эмбеддингами. Двухуровневая иерархия профилей.

Результат

Метрики реального банковского проекта:

• Покрытие клиентов интерпретируемыми типами: 80%
• Доля интерпретируемых типов потребления: 85%
• Среднее число типов потребления на клиента: 5
• Среднее число категорий трат в одном типе: 6
• Решена задача поиска похожих потребителей (Look-a-like)

Банк видит клиентов не как однородную массу, а как набор поведенческих профилей с понятными характеристиками. Рекомендации строятся на реальном поведении клиента, что повышает релевантность предложений и конверсию кросс-продаж. Модель обновляется на свежих данных и масштабируется на всю базу.