Розгляд можливостей застосування методів машинного навчання для аналізу даних при просуванні послуг клієнтам банку

Анотація

Об'єктом дослідження є сучасні онлайн-сервіси та бібліотеки машинного навчання для прогнозування ймовірності згоди клієнта банка на надання запропонованих послуг. Одним з найбільш проблемних місць є висока непередбачуваність результату в галузі банківського маркетингу за допомогою найпоширенішої техніки запровадження для клієнтів нових послуг – так званого холодного обдзвонювання. Тому особливо актуальним є питання оцінки ймовірності та прогнозування поведінки потенційного клієнта при просуванні нових банківських сервісів та послуг за допомогою холодного обдзвонювання.

В ході дослідження використовувалися бібліотеки методів машинного навчання та аналізу даних мови програмування Python. Була розроблена програма побудови моделі прогнозування поведінки клієнтів банку із застосуванням методів обробки даних за допомогою градієнтного бустингу, регуляризації градієнтного бустингу, алгоритму випадкового лісу та рекурентних нейронних мереж. Аналогічні моделі побудовано за допомогою хмарних сервісів машинного навчання Azure ML, BigML та бібліотеки Auto-sklearn.

Побудовані за допомогою бібліотек мови Python моделі аналізу та прогнозування даних мають досить високу якість – в середньому 94.5 %. Із застосуванням хмарного сервісу Azure ML побудовано прогнозну модель з точністю 88.6 %. Сервіс машинного навчання BigML дозволив побудувати модель з точністю 88.8 %. Методи машинного навчання з бібліотеки Auto-sklearn дозволили отримати модель з більш високою якістю – 94.9 %. Це пов'язано з тим, що запропоновані бібліотеки мови програмування Python дозволяють краще налаштувати методи обробки даних та машинного навчання для одержання більш точних моделей, ніж безкоштовні хмарні сервіси, які таких можливостей не надають.

Завдяки цьому забезпечується можливість отримання прогнозної моделі поведінки клієнтів банку із досить високим ступенем точності. Варто зауважити, щоб зробити передбачення (прогноз), необхідно вивчити контекст завдання, обробити дані, побудувати різні алгоритми машинного навчання, оцінити якість моделей та вибрати найкращу з них.