CV Data

— 使用承包商的像素，我们收集有关访问我们银行网站的客户的几种类型的信息：他们的兴趣、有关他们使用的设备的数据以及浏览器历史记录。

承包商利用这些信息创建客户档案并将其发送给银行。我们则利用访问过我们网站的用户数据来训练模型，将申请和初步批准作为目标操作，并将其发送给承包商。输出结果如下：具有特定兴趣、使用特定设备、访问特定网站的人最有可能成功完成整个信贷流程。

接下来，承包商会对网络用户进行评分，形成细分（例如“差”、“一般”、“好”），这使我们能够在设置 Yandex.Direct 时排除低质量的受众，或根据细分调整点击价格。

— 您使用什么数据进行训练？

— 该公司分析用户流量，确定他们的兴趣和人口统计特征：

“兴趣”类别包括健康生活方式、财务状况、租房、旅游、生育孩子（年幼或成年）、爱好等数据——总共约 500 个参数。

“技术数据”是有关设备、登录浏览器、操作系统的信息——总共约 40 个参数。

训练的目标是零售信贷传送带 电话号码收集 中的应用程序。关键参数包括审批、访问发卡机构等。共使用10个目标参数。

— 您如何评价当前模型的质量？

— 模型质量不断提升，根据 ROC-AUC 指标，平均准确率已达到 80%。消费贷款指标表现最佳，信用卡和借记卡指标略差，但总体而言，我们对所有结果均感到满意。

该方法的唯一缺点是用于应用模型的 Cookie 数据覆盖率较高。并非所有浏览器都会收集网站访问者的数据，而且许多用户经常清除 Cookie，这使得身份识别和数据收集变得复杂。