Specifiche del progetto "Analisi di un sistema bancario" - Gabriele1197/My_Projects GitHub Wiki

Un'azienda vuole sviluppare un modello di machine learning supervisionato per prevedere i comportamenti futuri dei propri clienti, basandosi sui dati transazionali e sulle caratteristiche del possesso di prodotti. Lo scopo del progetto è creare una tabella denormalizzata con una serie di indicatori (feature) derivati dalle tabelle disponibili nel database, che rappresentano i comportamenti e le attività finanziarie dei clienti. Il nostro obiettivo è creare una tabella di feature per il training di modelli di machine learning, arricchendo i dati dei clienti con vari indicatori calcolati a partire dalle loro transazioni e dai conti posseduti. La tabella finale sarà riferita all'ID cliente e conterrà informazioni sia di tipo quantitativo che qualitativo.

Valore aggiunto atteso:

La tabella denormalizzata permetterà di estrarre feature comportamentali avanzate per l'addestramento di modelli di machine learning supervisionato, fornendo numerosi vantaggi per l'azienda:

  • predizione del comportamento dei clienti: analizzando le transazioni e il possesso di prodotti si possono identificare pattern di comportamento utili per prevedere azioni future come l'acquisto di nuovi prodotti o la chiusura di conti;

  • riduzione del tasso di abbandono: utilizzando gli indicatori comportamentali si può costruire un modello per identificare i clienti a rischio di abbandono, permettendo interventi tempestivi da parte del team di marketing;

  • miglioramento della gestione del rischio: la segmentazione basata su comportamenti finanziari consente di individuare clienti ad alto rischio e ottimizzare le strategie di credito e rischio;

  • personalizzazione delle offerte: le feature estratte possono essere utilizzate per personalizzare offerte di prodotti e servizi in base alle abitudini e preferenze dei singoli clienti, aumentando così la customer satisfaction;

  • prevenzione delle frodi: attraverso l’analisi delle transazioni per tipologia e importi il modello può rilevare anomalie comportamentali indicative di frodi, migliorando le strategie di sicurezza e prevenzione.

Questi vantaggi porteranno un miglioramento complessivo delle operazioni aziendali, consentendo una maggiore efficienza nella gestione dei clienti e una crescita sostenibile del business.