當中國的一家國家商業銀行開展手機應用程序推廣活動時，移動手機應用下載量突破 2400 萬次。該宣傳活動的一項主要 KPI（關鍵績效指標）就是鼓勵用戶將信用卡關聯到移動應用，以提升消費使用頻率。遺憾的是，關聯信用卡的用戶只有1300 萬。

挑戰

銀行原本計劃發起另一項宣傳活動來鼓勵用戶將信用卡關聯到移動應用。然而，對于一個由 100 名電話營銷人員構成的團隊而言，即便每人每天致電 200 位用戶，也需要接近 2 年的時間才能成功聯絡另外 1300 萬未關聯信用卡的用戶。

他們要求 IT 部門的數據分析經理及其團隊利用現有機器學習工具，基于現有數據進行預測，據此找出合適的解決方案。該團隊曾設法訓練、評估及部署一個模型，希望通過該模型鎖定那些積極響應的目標客戶。然而，他們發現現有的軟件解決方案并不好用。其需要模型構建經驗才能作出這些高度精確的預測。此外，這個流程還需要優化及打造可擴展模型的相關經驗。

SPM 如何提供幫助

Minitab 的中國授權合作伙伴 QY Datatech Inc 為該銀行提供了 Salford Predictive Modeler (SPM)。項目團隊采用了 SPM 的兩款建模引擎 CART® 和 TreeNet®，這兩款功能強大的引擎非常適合處理包含多種變量、高度復雜的較大型數據集。在此案例中，變量指的是客戶詳細信息與其他數據的組合，比如客戶使用銀行應用的頻率。

舉例來說，CART 建模引擎會生成單一決策分類樹，利用類別數據來預測定性值，以及可細分到一組“是/否”規則中的歷史數據。這個分段將響應 (Y) 變量拆分到基于預測變量 (X) 設置的分區中。持續增長或“修剪”CART 樹能夠協助團隊快速確定此流程中過量變異的其他原因。一旦團隊將范圍縮小到幾個關鍵預測變量，他們便能夠妥善控制結果，將其限制在符合特定規則的客戶群，比如年滿或超過 25 歲的客戶，或年收入超過 40,000 美元的客戶。這些規則與客戶的分布統計息息相關，有助于找出那些更想將銀行賬戶關聯到移動應用的客戶。

該團隊發現 CART 模型能夠顯示部分隱藏的亮點，如符合特定規則的客戶群，而使用回歸和方差分析所生成的傳統查詢則難以顯示此類內容。上方圖形中的每個分割處均顯示數據基于一個預測變量值細分為兩組。

TreeNet 中的部分依賴圖直觀地解釋了一個變量與目標之間的反應。

之后，團隊使用 TreeNet 建模引擎快速縮小產生最大影響之變量的范圍，該引擎還可用于說明變量與結果之間的關系。客戶將銀行賬戶關聯到應用的概率便是所得結果，此示例中確定的變量包括上方圖形中所顯示的月收入。

數據分析經理使用 TreeNet 中的增益圖來評估模型。TreeNet 通過將訓練數據（裝袋）截短為多個片段來顯示增益/提升統計數據。用戶也可以選擇利用其他多種測量值來分析訓練/測試或合并裝袋數據，比如 Receiver Operating Characteristic (ROC)。ROC 曲線是對二元預測的重要評估。ROC 越高，模型性能就越好。

TreeNet 的匯總窗口能夠顯示某些關鍵統計數據。本圖顯示可用于模型檢查/比較的統計測量值“負對數似然”，用以強調對模型預測的概率解釋。

該團隊將響應緩慢的客戶移出了列表，并通過訓練、測試、優化和驗證模型，成功找出了目標客戶群。生成的模型能夠根據往年客戶對銀行促銷響應程度的歷史數據，對每個客戶的響應率進行評分和評估，由此確定“積極響應的”客戶群的特性。

銀行團隊稱，令他們印象最深刻的就是 SPM 的易用性。SPM 無需編碼，只需點擊幾下，便可生成初始模型并將整體建模時間從數個月縮短為幾天。事實上，訓練和部署一款能夠預測目標群體的精細模型只需要 7 天時間。

點擊了解SPM更多詳情

成果

由于只需聯絡精心篩選的 200 萬應用用戶（而非最初的 1300 萬），電話營銷團隊得以在數個月內聯絡到每一位用戶。將信用卡關聯到移動應用的用戶隨之增長了 300%。此外，銀行還節省了招聘更多電話營銷專員所產生的成本，在提升效率的同時向目標客戶推廣了這些創收服務。相較于此前的宣傳活動，電話營銷團隊成功將鼓勵客戶關聯信用卡的成功率提升了 35%。在 Salford Predictive Modeler 的鼎力協助下，項目團隊幫助銀行了解并使用其數據來生成基于事實的見解，進而做出有助于節省成本的決策。

推薦閱讀：

Minitab案例：中國某銀行如何利用SPM維系客戶，并將資金量提高 16%

機器學習軟件集成套件Salford Predictive Modeler帶你走向工業4.0