Долой обобщения: как банку понять, чего хотят его клиенты. Метод k-means
Об авторе
Дарын Калым — руководитель проектов в консалтинговом подразделении крупной платежной компании. Имеет опыт в разработке операционных и продуктовых стратегий, а также опыт внедрения машинного обучения в банках. Работал консультантом в консалтинговой компании Accenture в Москве, где принимал участие в технологических проектах для банков.
K-means, или кластерный анализ k-средних, или кластерный анализ, — прикладной статистический метод, позволяющий сгруппировать объекты в группы (кластеры) с учетом их сходства или закономерностей. Его используют для обработки данных в разных сферах науки и бизнеса.
Какие задачи решает k-means
В банкинге k-means можно использовать, когда не хватает информации, чтобы понять клиента, но есть тонна разрозненных числовых признаков. Вот чем он поможет:
- глубоко изучить профили клиентов — это невозможно сделать при простом анализе по первичным признакам: возраст, пол, продуктовое владение и т.д.;
- сократить время анализа: k-means — модель машинного обучения, где «машина» находит кластеры сама при правильно заданных вводных и параметрах;
- разработать предложения, нацеленные на узкие группы клиентов, а значит, более эффективные — например, предложить студентам-предпринимателям услуги по обслуживанию ИП, а просто студентам — студенческие карты.