為數碼支付平台開拓動態客戶互動之路

一家擁有數以十億計交易記錄的金融科技公司，希望展開其 AI 旅程，將手上豐富的數據轉化為可付諸行動的策略。項目分為三個階段：i) 探索、ii) 方案開發、iii) 移交。

ThinkCol 按照我們的 AI 設計思維方法，與不同部門溝通，為公司找出最合適的用例。我們與客戶就潛在的 AI 構思進行腦力激盪，提出超過 200 個想法，再根據可行性及商業價值，與客戶確定兩個對業務至關重要的具體用例。這個方向在業務用戶的支持下獲管理層批准，我們亦向管理層進行簡報，以統一願景。

ThinkCol 隨後建立了有意義的顧客分群策略：從數以十億計的交易數據中設計用戶屬性，並建立非監督式學習的分群模型。由於需要以分散式方式分析數以十億計的交易，項目採用了 Azure Databricks 及 Spark。

由於數據存在缺口，團隊透過分析 CRM 數據及建立新特徵、將既有數據與擷取所得的第三方數據結合，以及進行數據填補，豐富了數據內容。憑藉這個包含推斷數據及分群結果的數據庫，團隊以多種技術及演算法開發傾向模型，在 A/B 測試中令目標行為較對照組提升超過 40%。

在證明模型的預測能力後，團隊運用 Shapley 值（SHAP）進行模型可解釋性分析，從機器學習模型中了解驅使每位顧客採取特定行動的因素。這些屬性其後整合至客戶的 CRM 系統，自動向每位顧客投放合適的廣告。換言之，系統會根據模型預測最可能驅使 A 先生行動的因素，透過 CRM 系統自動向他發送專屬廣告。整個流程以 Azure DevOps 及 Azure ML 部署，確保運作順暢。

ThinkCol 與客戶共同建構兩個用例，達成以下目標：

• 透過分析數以十億計的交易數據，為每位顧客進行傾向建模；
• 提升數據質素，並將交易數據與外部數據整合；以及
• 將 CRM 與我們的 AI 模型整合並自動化。

項目實施後，團隊舉辦了賦能培訓講解技術細節，確保公司內部員工無需額外指導亦能有效運用 ThinkCol 的模型。ThinkCol 讓公司變得更具韌性及自給自足，並在金融科技業眾多選擇之中保持吸引力。