案例名稱

信用卡外呼分期推薦項目

案例簡介

隨著金融市場的快速發展和消費者消費習慣的變化，信用卡分期成為越來越多用戶選擇的消費方式。對于銀行而言，準確預測用戶辦理信用卡分期的概率，不僅有助于提升用戶體驗，還能為銀行提供更精準的營銷策略和風險管理策略。因此，本項目旨在利用NSGA-II結合Lightgbm的算法，基于銀行用戶的歷史數據，構建預測模型，以預測用戶辦理信用卡分期的概率，進而有針對性地對高轉化概率用戶進行精準營銷。本項目數據來源于吉林銀行信用卡中心提供的全量數據集，采集自客戶信息數據、資產數據、賬單數據、分期數據、交易數據等。

創新技術/模式應用

在數字營銷領域，我們積極探索并應用創新技術和模式，通過精準的用戶分析和個性化的營銷策略，顯著提升了數字金融業務的效率和效果。特別是在特征篩選和概率預測方面，我們采用NSGA-II算法和LightGBM算法，實現了業務能力的跨越式提升。

一、NSGA-II算法在特征篩選中的創新應用

在數字營銷中，用戶數據的維度往往非常豐富，但并非所有特征都對營銷效果有重要影響。為了找到最有效的特征組合，我們引入NSGA-II算法進行特征篩選。該算法能夠在多目標優化問題中尋找非支配解，即同時滿足多個優化目標的解。通過NSGA-II算法，我們能夠在龐大的特征集中快速篩選出與預測目標最相關的特征，為后續的模型訓練提供有力的數據支持。

二、LightGBM算法在概率預測中的創新應用

在得到優化后的特征集后，我們采用LightGBM算法進行用戶行為的概率預測。LightGBM算法具有高效、準確、可解釋性強等優點，能夠處理大規模數據集，并在保持高精度的同時降低計算成本。通過LightGBM算法，我們能夠準確預測用戶辦理信用卡分期、購買金融產品等行為的概率，為制定個性化的營銷策略提供有力依據。

三、創新模式的實現

除了技術創新外，我們還通過創新模式來實現數字金融業務能力的提升。首先，我們建立了以用戶為中心的數據驅動營銷體系，通過收集和分析用戶數據，深入了解用戶需求和行為模式，通過構建機器學習模型，為精準營銷提供了更加細致的用戶標簽。最后，我們采用個性化外呼的營銷方式，為用戶提供符合其需求的服務，有效觸達的同時避免打擾。

綜上所述，我們通過應用NSGA-II算法和LightGBM算法等創新技術，并結合以用戶為中心的數據驅動營銷體系等創新模式，實現了數字金融業務能力的顯著提升。這些創新技術和模式不僅提高了營銷效率和效果，還為用戶提供了更加個性化、精準的產品和服務，進一步增強了我們在數字金融市場中的競爭力。

項目效果評估

我們的項目在數字營銷和金融業務領域取得了顯著成效，通過精準的用戶分析和概率預測，不僅解決了行業內的多個痛點，滿足了用戶需求，同時也實現了業務目標的關鍵成果。

一、業務/行業痛點解決與用戶需求滿足

我們的項目通過NSGA-II算法和LightGBM算法的組合應用，成功地對用戶進行了深入分析和精準畫像，識別出了高概率轉化的用戶群體，模型AUC=0.75，Precision=64%，Recall=30%，模型效果較好。這一突破性的方法解決了傳統金融營銷中用戶轉化率低、營銷成本高等痛點。具體來說，我們通過機器學習模型產出的用戶群體分期轉化率高達40%，相較于其余用戶的23%轉化率，這一成果顯著提升了銀行信用卡分期業務的效率和收益。同時，因模型圈定用戶范圍可控，因此對該人群進行外呼營銷的成本亦可控。

二、效果數據展示

在項目實施后，我們收集了一系列效果數據來驗證項目的成效。信用卡分期業務的轉化率提升了17%，其中高概率轉化用戶的分期轉化率更是高達40%，這直接證明了我們的模型在預測用戶行為方面的準確性和有效性。

三、平臺與方案版本迭代升級

我們對模型和方案進行了多次迭代升級。相較于無機器學習模型干預的方案，現行方案在以下兩個方面有了顯著的改進和優化：

1、效率提升：我們優化了模型訓練和預測的流程，使得數據加載及模型預測過程更加高效，降低了計算成本和時間成本。

2、體驗優化：我們改進了外呼觸達用戶的話術，提升用戶體驗；同時只對高轉化概率人群進行外呼，減少了對其他用戶的打擾。

項目牽頭人

邢睿佳 金融科技部 數據企管研發中心 研發設計崗

項目團隊成員

溫強、楊震山、柳京京、王碩、鄭浩然、王慧、王昊、周麗雯、谷羿鋒

責任編輯：陳愛