Klientų duomenų analizika — N4

Giluminiai modeliai ir praktinė taikymo galia Lietuvoje: segmentavimas, prognozavimas ir rizikos vertinimas.

Vardas Pavardė

Vyresnysis duomenų analitikas, SEB

Apžvalga

Šis leidinys (N4) aprašo mūsų požiūrį į klientų duomenų analizę: duomenų paruošimą, modeliavimą, interpretaciją ir diegimą banko veiklai. Pabrėžiame atsakingą duomenų valdymą bei atitiktį Lietuvos reguliaciniams reikalavimams.

Segmentavimas ir tikslinė komunikacija
Kliento gyvenimo vertės (CLV) prognozavimas
Rizikos modeliavimas ir tempinis stebėjimas

Metodai Duomenys

Metodai ir įrankiai

Naudojame klasikinius statistikinius metodus kartu su mašininio mokymosi įrankiais ir interpretavimo mechanizmais (SHAP, LIME).

K-means, hierarchical clustering ir PCA pagrindu atrenkami verslo logikai reikšmingi segmentai.

Gradient boosting, Random Forest ir laiko eilučių metodai klientų elgsenai prognozuoti.

Modelių paaiškinamumas, duomenų šaltinių atsekamumas ir privatumo apsauga pagal Lietuvos teisę.

Technologijų stack

Python, scikit-learn, XGBoost
SQL / Data Warehouse
BI: Power BI / Tableau

Duomenų šaltiniai ir apžvalga

Apjungti duomenys iš vidaus sistemų, transakcijų istorijos, viešų duomenų ir teisėtų trečiųjų šalių integracijų.

Šaltinis	Tipas	Atnaujinimas	Pritaikymas
Transakcijų POS	Struktūriniai	Realaus laiko (delta)	Fraud, CLV
KYC duomenys	Asmeniniai	Retkarčiais	Segmentavimas
Vieši finansiniai rodikliai	Laiko eilutės	Savaitinis	Makropriklausomybės