බැංකු සහ මූල්‍ය සේවා

මූල්‍ය ආයතන ද්විත්ව පීඩනයකට මුහුණ දෙයි: අවදානම් සහ නියාමන අනුකූලතාව කළමනාකරණය කරන අතරම ලාභදායීතාවය උපරිම කිරීම. හේතුඵල machine learning මඟින් ණය අවදානම, වංචා, පාරිභෝගික වටිනාකම සහ රඳවා තබා ගැනීමේ සැබෑ සාධක හඳුනා ගැනීමෙන් සහ නියාමන විගණනයන්ට ඔරොත්තු දෙන අර්ථකථනය කළ හැකි ආකෘති නිපදවීමෙන් එම අවශ්‍යතා දෙකම සපුරාලයි.

සංකීර්ණ ව්‍යාපාරික අභියෝග විසඳීම සඳහා අපිCausal Machine Learningඅංශයේ නවෝත්පාදනයන් ඇති කිරීම සඳහා අපි බැංකු සහ මූල්‍ය සේවාභාවිතා කරමු.

ණය අවදානම් ආකෘතිකරණය කළු පෙට්ටි අනාවැකිවලින් ඔබ්බට ගොස් ණය පැහැර හැරීම තීරණය කරන්නේ කුමන හේතුඵල යාන්ත්‍රණයන්ද යන්න තේරුම් ගනී. [උපකරණ විචල්‍ය ක්‍රම](/research#post-selection-inference) මඟින් නිරීක්ෂණය කළ නොහැකි ණය ගැණුම්කරුගේ ගුණාත්මකභාවය පාලනය කරන අතරතුර ණය-ආදායම් අනුපාත, රැකියා ස්ථාවරත්වය සහ ණය ඉතිහාසයේ සැබෑ බලපෑම් වෙන් කර හඳුනා ගනී. මෙය අනාවැකි නිරවද්‍යතාවය වැඩි දියුණු කරන අතරම වෙනස්කම් කරන ණය දීමේ ක්‍රම වළක්වයි. වංචා හඳුනා ගැනීම සඳහා සංඛ්‍යානමය විෂමතාවලින් බැහැරව සැබෑ වංචා රටා හඳුනා ගැනීමට හේතුඵල විශ්ලේෂණය භාවිතා කරයි, එමඟින් පාරිභෝගිකයින්ට අපහසුතා ඇති කරන වැරදි අනතුරු ඇඟවීම් (false positives) අඩු කරයි. පාරිභෝගික ජීවිත කාලය වටිනාකම පුරෝකථනය කිරීම රඳවා තබා ගැනීමේ සහ හරස් විකිණීමේ (cross-sell) නැඹුරුවේ හේතුඵල සාධක මත පදනම් වේ. පාරිභෝගිකයින් ඉවත් වීමේ (Churn) ආකෘතිකරණය මඟින් සැබවින්ම අවදානමේ සිටින පාරිභෝගික අංශ සහ එම ඉවත් වීම සැබවින්ම අඩු කරන්නේ කුමන මැදිහත්වීම්ද යන්න හඳුනා ගනී.

අපගේ වේදිකාව ක්‍රියාත්මක කරන බැංකුවලට වැඩිදියුණු කළ අවදානම් ඇගයීම හරහා ණය අලාභ අඩු කර ගැනීමටත්, වංචා හඳුනා ගැනීමේදී වැරදි අනතුරු ඇඟවීම් අනුපාත වැඩි දියුණු කිරීමටත්, නිවැරදි ඉලක්කගත කිරීම හරහා රඳවා තබා ගැනීමේ කාර්යක්ෂමතාව වැඩි කිරීමටත් හැකිය. ආකෘති අර්ථකථනය කළ හැකි සහ සාධාරණීකරණය කළ හැකි බැවින් නියාමන අනුකූලතාව වැඩි දියුණු වේ — පාරිභෝගිකයෙකු ප්‍රතික්ෂේප කළේ ඇයිද යන්න ඔබට නියාමකයින්ට හරියටම පැහැදිලි කළ හැකිය.

අපගේ විසඳුම් ප්‍රධාන බැංකු පද්ධති, ණය තොරතුරු කාර්යාංශ සහ නියාමන වාර්තාකරණ වේදිකා සමඟ ඒකාබද්ධ වේ.