Japan
サイト内の現在位置
sticky.io様
dotData導入事例
AI導入で800万ドルもの月間未払金を回収
dotDataのAI自動化で、支払い催促モデルを短期間で構築
金融機関
課題背景
- 顧客のクレジットカード未払金が毎月2,300万ドル以上発生していた
- AutoMLツールをいくつか評価したが、処理を最適化するためだけに自動化機能を使用することに価値を見出せなかった
- システムからデータを抽出し、適切なモデルを作成するには、多くの時間がかかり、繰り返しの作業が必要だった
成果
催促処理のタイミング最適化
dotDataのAI・機械学習モデルを使用して、催促処理のタイミングを最適化することで、未払金の35%以上を回収できると見込んでいます
予測モデル構築期間の短縮
プログラミングを一切必要とせずに、生データからAI予測モデル全体をごく短期間で構築しました
ROIの向上
わずか45日間で構築したAI・機械学習モデルの使用開始からわずか1年で、毎月800万ドル以上の未払金を回収できると予測しています
dotDataを選んだ理由
sticky.ioのデータサイエンス・分析部門は、AI・機械学習のモデルを構築するために有望なデータに対する勘所がありました。一方で、実際にモデルを作成し、予測を実行するのに適したデータを抽出するには、かなりの労力を要しました。たとえば、ある説明変数を使用してモデルを実行した時に、適切な予測値が得られていないことに気付き、説明変数を作り直す必要が生じたときの労力は大変なものでした。また、新しい説明変数を作り直すために、 非常に複雑なデータに対してクエリを一から作成していました。
チームは、いくつかのAutoMLツールを評価しましたが、これらのツールで予測値を得るために必要なデータを準備するのに多くの時間と労力を要することがわかりました。「全体の95%の時間がデータラングリング（ 前処理）に費やされ、プロセスの最後のわずか5%のみを自動化することに価値を見出せませんでした。それよりも、データパイプライン（データ処理の一連のプロセス）をしっかりと構築するのにもっと時間と労力を費やしたいと考えていました。」とShoolery氏は述べます。sticky.ioが使用しているデータの構造、複雑さ、性質を考えると、単に機械学習モデルのチューニングを自動化するだけではなく、入力変数である特徴量を設計・評価することがより重要でした。sticky.ioのチームがdotDataを選択する上で決め手となったのは、dotDataの特徴量設計の自動化機能でした。
dotDataを導入したことによって、sticky.ioはプロセス全体を劇的に簡便化することができました。