Die beste Zeit zum Anrufen

Problem: Unbekannte optimale Zeiten für die Kundenansprache

Die Kundensupport-Teams der vertraulichen portugiesischen Bank standen vor einer großen Herausforderung: Sie wussten weder, welcher Wochentag noch zu welcher Tageszeit der beste Zeitpunkt war, um jeden Kunden effektiv zu kontaktieren. Dieser Mangel an Einblicken wirkte sich negativ auf die Produktivität aus und schränkte den Erfolg der Vertriebsaktivitäten ein.

Ziel

Die Bank startete über Inocrowd einen Wettbewerb für Start-ups, um einen Algorithmus auf Basis von maschinellem Lernen zu entwickeln, der drei Vorschläge für den besten Zeitpunkt zur Kontaktaufnahme mit einem bestimmten Kunden liefert und so die Effizienz der Kundensupport-Teams steigert.

Two Impulse belegte unter 12 Teilnehmern den ersten Platz im Wettbewerb.

Lösung

Prädiktives Machine-Learning-Modell

Das Data-Science-Team von Two Impulse verfolgte einen systematischen Ansatz zur Analyse des Datensatzes vergangener Kundeninteraktionen:

1. Datenanalyse: Verschiedene Merkmale, wie beispielsweise die Arbeitszeiten der einzelnen Kunden und die Zeiten, zu denen Kunden die Bank persönlich besuchen, wurden untersucht. Diese Merkmale wurden zusammen mit eher klassischen Kennzahlen wie Präzision, Recall, F1-Score und Genauigkeit berücksichtigt.
2. Modellauswahl und -optimierung: Das Team führte einen Vergleich verschiedener Algorithmen durch und konzentrierte sich auf die Optimierung des F1-Scores, da die Klassen (besucht oder nicht besucht) nicht ausgewogen waren. Techniken wie Kolmogorov-Smirnov, Chi-Quadrat und Jensen-Shannon-Abstand wurden zur Erkennung von Konzept- und Datendrift eingesetzt.
3. Implementierung: Der ausgewählte Algorithmus wurde unter Berücksichtigung der Gewichtung und der Leistung des Modells sorgfältig optimiert. Das Team widmete sich intensiv der Vorverarbeitung und Normalisierung der Daten, wobei die Merkmalsauswahl anhand einer technischen Analyse erfolgte.
4. Integration: Die Lösung wurde in Python implementiert, mit Optionen für die Stapelverarbeitung aller Kunden oder die Erstellung einer WebService-API für Empfehlungen. Das Modell wurde außerdem für eine Skalierung mit PySpark vorbereitet, falls erforderlich.
5. Überwachung und Verbesserung: Es wurde ein System zur Quantifizierung der Modellverschlechterung im Laufe der Zeit eingerichtet, mit einer automatischen Neuausbildung des Modells, sobald eine bestimmte Verschlechterung festgestellt wurde. Kontinuierliches Feedback und neue Eingaben wurden ebenfalls berücksichtigt.

Ergebnisse

Höhere Erfolgsquote bei Kundenanrufen

Mit dem Vorhersagealgorithmus erzielte die Bank eine höhere Erfolgsquote bei der Kontaktaufnahme mit Kunden. Dies steigerte nicht nur die Produktivität, sondern trug auch zu höheren Umsätzen bei.

Skalierbare und vielseitige Lösung

Dank des optimierten Codes und der Flexibilität bei den Verarbeitungsoptionen war die Lösung sofort einsatzbereit und ließ sich an unterschiedliche Größenordnungen anpassen – so entstand eine robuste Lösung, die genau auf die Bedürfnisse der Bank zugeschnitten war.

Risiken und Überlegungen

Es wurden zwei Hauptansätze mit den damit verbundenen Risiken in Betracht gezogen. Bei der Stapelverarbeitung hätte das große Datenvolumen zu einer längeren Verarbeitungszeit geführt. Bei der PySpark-Umgebung war eine Neuimplementierung des Codes erforderlich.

Fazit

Die Lösung von Two Impulse löste ein entscheidendes Produktivitätsproblem für die vertrauliche portugiesische Bank und bot einen datengesteuerten Ansatz zur Optimierung der Kundenkontaktzeiten. Die methodische Analyse, die maßgeschneiderte Umsetzung sowie die Berücksichtigung von Skalierbarkeit und Risiken machen dies zu einer bemerkenswerten Fallstudie zur Anwendung von maschinellem Lernen zur Verbesserung der Kundenbindung im Bankensektor.