Rozpoznejte vzorce chování klientů a určete pravděpodobnost nákupu produktů pro efektivnější marketingové kampaně.

Vytvořte model nebo sadu modelů strojového učení, které budou rozpoznávat vzorce digitálního chování klientů vedoucí k nákupu produktů KB. Výstupem takových modelů bude pro jednotlivé produkty KB seřazení klientů podle pravděpodobnosti, zda si produkt zakoupí nebo ne. Cílem je, aby na klienty s nejvyšší pravděpodobností mohly být směřovány marketingové kampaně.

Navrhněte řešení pro optimalizaci webu a zvýšení leadů pomocí dat a chování uživatelů.

Navrhněte řešení, které povede k predikci zanechání leadů, respektive ke zvýšení leadů na kb.cz. Vedle samotného modelu či signálů navrhněte také konkrétní akční doporučení – například jaké prvky webu by měly být změněny (např. design webu, umístění bannerů) a jaké chování či signály uživatelů by měly být zahrnuty do optimalizací.

Vytvořte modely pro optimalizaci služeb a procesů KB s využitím dat a digitální analytiky.

Využití AI, zákaznických dat z digitální analytiky KB a dalších veřejně dostupných dat pro personalizaci bankovních služeb retailovým klientům skupiny KB. Nebo jakýkoli jiný use case, který s využitím poskytnutých datasetů povede ke zvýšení optimalizace webu nebo procesů KB.

• Data pro Vás budou připravena a uložena v AWS S3
• Datový katalog a schéma bude k dispozici přes AWS Glue
• Pro kódování a spouštění Vašich spark/python skriptů můžete využít AWS EMR, v rámci které lze využívat prostředí Jupyter notebooků
• V případě potřeby lze využít i Bedrock, kde jsou pro Vás připravené populární GenAI modely dostupné přes SDK
• Několik měsíců anonymizovaných dat o pohybu klientů KB na webu KB, získaných z digitální analytiky pomocí nástroje Meiro
• Informace o prodejích několika různých produktů KB klientům KB
• Anonymizovaná data o pohybu těchto klientů v mobilním bankovnictví KB+
• Data o reálných marketingových kampaních směřovaných na tyto klienty v daném období
• Fiktivní data o finančním přínosu jednotlivých produktů

• Výstup v prezentovatelné podobě v anglickém jazyce, ideálně pomocí jednoduchého dema, včetně použitého postupu a využitých dat.
• Počet a kvalita vytvořených modelů strojového učení. Kvalitu budeme posuzovat pomocí metrik: navýšení na 1. decilu a Gini.
• Kreativita transformací dat z digitální analytiky, které budou určovat vzorce digitálního chování klientů a budou použity pro vytvoření užitečných prediktorů.
• Programové kódy vytvořené v rámci hackathonu (včetně docstringů).
• Postup výpočtu odhadu finančního přínosu z využití vytvořených modelů.
• Doporučení pro vylepšení, která může KB provést v datech, aby dosáhla vyššího obchodního přínosu, případně doporučení pro vylepšení cílení marketingových kampaní KB.