金融商品精準行銷名單與推薦系統

挑戰

銀行要推新商品時，客戶名單很多、行銷預算有限：線上投放便宜但轉換低，線下說明會成本高。多數機器學習專案只回報「準確率」，老闆看不出該寄給誰、寄了能賺多少。

解決方式

以 2019 年「玉山人工智慧公開挑戰賽」（T-Brain 平台）提供的去識別化資料為題，整理客戶基本資料、官網瀏覽行為（含解析加密過的網址）與四條產品線的交易紀錄，預測客戶未來 30 天是否會購買各項商品。

• 精準名單：比較邏輯迴歸、隨機森林、XGBoost 三種模型。不只看準確率，而是代入商品利潤與每位客戶的行銷成本，畫出「預期獲利 vs. 門檻」曲線，直接選出獲利最高的模型與門檻。
• 推薦名單：對還沒有購買紀錄的客戶，用以商品為基礎的協同過濾與 SVD 矩陣分解，推薦他最可能感興趣的商品，用來衝業績。
• 網頁工具：Node.js 加 MySQL 做成網站，選擇商品、輸入售價與成本，就能產出試算結果並下載名單。

成果

在模擬的「線下基金說明會」情境中，XGBoost 搭配 0.27 的門檻得到最高的預期獲利。這也說明了一件事：同樣的模型，線上、線下活動該用的門檻不同，要從成本反推。