其他行业 · AI应用
面向低收入金融服务的AI推荐引擎
Change Machine 是一家非营利科技组织，发现低收入社区往往缺乏量身定制的金融服务，阻碍了其财务安全。为解决这一问题，他们利用 IBM 的数据科学能力开发了一个AI驱动的推荐引擎，通过分析用户数据提供个性化的金融科技产品建议。这种创新方法使金融科技产品的持续使用率从60%大幅提升至98%。此外，通过敏捷冲刺，开发周期缩短至仅六周，实现了快速迭代和改进。最终，这一举措显著增强了服务不足人群的金融可及性和安全性。
金融科技产品持续使用率
98%
来源披露
模型开发周期
6周
来源披露
01
业务背景
Change Machine 是一家非营利科技组织，发现低收入社区往往缺乏量身定制的金融服务，阻碍了其财务安全。为解决这一问题，他们利用 IBM 的数据科学能力开发了一个AI驱动的推荐引擎，通过分析用户数据提供个性化的金融科技产品建议。这种创新方法使金融科技产品的持续使用率从60%大幅提升至98%。此外，通过敏捷冲刺，开发周期缩短至仅六周，实现了快速迭代和改进。最终，这一举措显著增强了服务不足人群的金融可及性和安全性。
02
遇到的问题
低收入社区（尤其是黑人和棕色人种女性）面临系统性金融排斥，缺乏量身定制且包容安全的金融服务，阻碍其财务安全；原有推荐引擎由少数教练在特定时空设计，无法自我更新，且未利用客户使用数据及接受/拒绝反馈来优化推荐。
03
AI 解决方案
Change Machine 于2021年3月联合 IBM Data Science and AI Elite 团队，在 IBM Data and AI for Social Impact 计划下，用 IBM Cloud Pak for Data as a Service 集中数据，Watson Studio AutoAI 开发可解释的自学习机器学习分类模型，Cognos Dashboard Embedded 做仪表板，经3个敏捷冲刺（共6周）将模型集成至 Salesforce 应用，由 AI 分析客户数据动态推荐相关金融科技产品。
- 1第一冲刺（2周）：与 Change Machine 理解并连接所有数据源
- 2第二冲刺（2周）：开发基线机器学习模型验证预测可行性
- 3第三冲刺（2周）：完善特征并将模型部署至生产环境，集成进 Salesforce 应用并开发管理仪表板
04
实施结果
金融科技产品持续使用率：98%（从60%提升至98%）
模型开发周期：6周（3个敏捷冲刺完成）
05
风险与边界
原推荐引擎由小群教练基于特定地点与时间设计，知识范围有限；未利用系统内客户数据（如常用服务、财务阈值）及客户接受/拒绝反馈，限制推荐质量与影响评估。
““The engagement with IBM taught us how to leverage our data in new ways and how to build a framework for creating and managing machine learning models.””
David Bautista · Director of Product Development, Change Machine
信息来源
1 个来源页面内容为结构化改写；关键结论应可追溯到以下材料。