Для определения моделей переходных процессов был создан модуль инкрементального обучения для идентификации моделей переходных финансовых процессов, позволяющий динамически оценивать предсказуемость последовательности транзакций клиентов банка с целью преодоления снижения оценки прогнозирования на временном промежутке. Ключевыми особенностями применённого метода являются:
- динамическое измерение предсказуемости поведения клиентов на микроуровне для учета переходных процессов,
- раделение клиентов по классам предсказуемости с учетом внутренней или реализованной предсказуемостей,
- прогнозирование всей популяции на основе заданного класса клиентов с целью улучшения качества прогноза.
Схема работы алгоритма
- preprocessing.py - функции для предобработки данных,
- micro_help_functions.py - вспомогательные функции для работы с методом на микроуровне,
- micro_model_functions.py - функции для работы с моделью на микроуровне,
- macro_help_functions.py - вспомогательные функции для работы с методом на мезо- и макроуровне,
- macro_model_functions.py - функции для работы с моделью на мезо- и макроуровне.
Качество прогноза всех клиентов было улучшено:
- у базовых моделей на 5.88 процентных пункта в случае медианы MAPE (от 12.84% к 6.96%) и 0.19 пункта в случае доли попадания (от 0.19 к 0.38);
- у инкрементальных моделей на 0.57 процентных пункта в случае медианы MAPE (от 5% к 4.43%) и 0.06 пункта в случае доли попадания (от 0.5 к 0.56).