論文の概要: ODEWS: The Overdraft Early Warning System
- arxiv url: http://arxiv.org/abs/2302.02455v1
- Date: Sun, 5 Feb 2023 18:44:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-07 18:07:04.683874
- Title: ODEWS: The Overdraft Early Warning System
- Title（参考訳）: ODEWS: オーバードラフト早期警告システム
- Authors: Avishek Kumar, Ivelin Georgiev Angelov, Kymm Kause, Tyson Silver
- Abstract要約: アメリカ人は年間150億ドルの不要なオーバードラフト手数料を支払う。
ML駆動のオーバードラフト早期警告システムは、Mintアプリで銀行やトランザクションデータを使用して、顧客のオーバードラフトのリスクを評価する。
リスクの高い顧客にはアラートが送られ、料金を回避するためのステップを踏むことができる。
- 参考スコア（独自算出の注目度）: 0.19116784879310023
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: When a customer overdraws their account and their balance is negative they
are assessed an overdraft fee. Americans pay approximately \$15 billion in
unnecessary overdraft fees a year, often in \$35 increments; users of the Mint
personal finance app pay approximately \$250 million in fees a year in
particular. These overdraft fees are an excessive financial burden and lead to
cascading overdraft fees trapping customers in financial hardship. To address
this problem, we have created an ML-driven overdraft early warning system
(ODEWS) that assesses a customer's risk of overdrafting within the next week
using their banking and transaction data in the Mint app. At-risk customers are
sent an alert so they can take steps to avoid the fee, ultimately changing
their behavior and financial habits. The system deployed resulted in a \$3
million savings in overdraft fees for Mint customers compared to a control
group. Moreover, the methodology outlined here can be generalized to provide
ML-driven personalized financial advice for many different personal finance
goals--increase credit score, build emergency savings fund, pay down debut,
allocate capital for investment.
- Abstract（参考訳）: 顧客がアカウントをオーバーロードし、残高が負の場合には、オーバードラフト手数料が評価される。
アメリカ人は年間約$150b(約150億ドル)、しばしば$35インクリメントで、mint personal financeアプリのユーザーは年間$250m(約2億5000万ドル)の手数料を支払っている。
これらのオーバードラフト手数料は過剰な財政負担であり、顧客を金融難に陥れさせてしまう。
この問題に対処するため、我々は、mintアプリ内の銀行およびトランザクションデータを使用して、来週のオーバードラフトのリスクを評価するml駆動の早期警告システム(odews)を作成しました。
リスクの高い顧客は、料金を回避するための措置を取るように警告を受け、最終的に行動や金融習慣を変える。
このシステムはMintの顧客に対して、コントロールグループに比べて300万ドルを節約した。
さらに、ここで概説されている方法論は、多くの個人的金融目標に対してml駆動の個人的金融アドバイスを提供するように一般化することができる。
関連論文リスト
- Atlas-X Equity Financing: Unlocking New Methods to Securely Obfuscate Axe Inventory Data Based on Differential Privacy [6.146022401628768]
Atlas-X Axe Obfuscationは、銀行が継続的に観察しながら、発行した軸リストを毎日難読化することを可能にする。
私たちの知る限り、これは金融セクターで展開される最初の差分プライバシーソリューションです。
論文 参考訳（メタデータ） (2024-04-10T02:19:37Z) - Shortchanged: Uncovering and Analyzing Intimate Partner Financial Abuse in Consumer Complaints [10.746634884866037]
デジタル金融サービスは、ユーザー、特に親密なパートナー金融悪用(IPFA)の生存者に新たなデジタル安全リスクをもたらすことができる
顧客270万件の苦情のデータセットから、言語モデリング技術と専門家による人間のレビューを利用してIPFAを記述した苦情を識別するbspokeワークフローを実装した。
我々の貢献は2つあり、我々はこの見落とされがちな害に対する最初の人間ラベル付きデータセットを提供し、IPFAの生存者のより良い支援と保護のための技術的実践、研究、設計に実践的な意味を提供する。
論文 参考訳（メタデータ） (2024-03-20T19:32:21Z) - Evading Black-box Classifiers Without Breaking Eggs [70.72391781899597]
決定に基づく回避攻撃は、ブラックボックス分類器に繰り返し問い合わせて敵の例を生成する。
以前の作業では、分類器に対して行われたクエリの総数によって、このような攻撃のコストを測定していた。
このメトリクスは欠陥があり、悪いクエリの数を1.5$-$7.3times$に削減する新たな攻撃を設計している、と私たちは主張する。
論文 参考訳（メタデータ） (2023-06-05T14:04:53Z) - Protecting User Privacy in Online Settings via Supervised Learning [69.38374877559423]
我々は、教師付き学習を活用する、オンラインプライバシ保護に対するインテリジェントなアプローチを設計する。
ユーザのプライバシを侵害する可能性のあるデータ収集を検出してブロックすることにより、ユーザに対してある程度のディジタルプライバシを復元することが可能になります。
論文 参考訳（メタデータ） (2023-04-06T05:20:16Z) - How Platform-User Power Relations Shape Algorithmic Accountability: A
Case Study of Instant Loan Platforms and Financially Stressed Users in India [16.415169392641026]
インドにおけるインスタントローンプラットフォームの利用者29名の質的研究について報告する。
即時融資の「報奨」に対して,利用者が過度に不信感を感じていることが判明した。
ローンプラットフォームに激怒する代わりに、ユーザはネガティブな経験に対して責任を負った。
論文 参考訳（メタデータ） (2022-05-11T17:43:12Z) - Feature-Level Fusion of Super-App and Telecommunication Alternative Data
Sources for Credit Card Fraud Detection [106.33204064461802]
クレジットカード不正を早期に検出するための,スーパーアプリ顧客情報,携帯電話回線データ,従来型の信用リスク変数を融合した機能レベルの有効性について検討する。
クレジットカードのデジタルプラットフォームデータベースから約9万人のユーザを対象に,我々のアプローチを評価した。
論文 参考訳（メタデータ） (2021-11-05T19:10:35Z) - Supporting Financial Inclusion with Graph Machine Learning and Super-App
Alternative Data [63.942632088208505]
スーパーアプリは、ユーザーとコマースの相互作用についての考え方を変えました。
本稿では,スーパーアプリ内のユーザ間のインタラクションの違いが,借り手行動を予測する新たな情報源となるかを検討する。
論文 参考訳（メタデータ） (2021-02-19T15:13:06Z) - Explanations of Machine Learning predictions: a mandatory step for its
application to Operational Processes [61.20223338508952]
信用リスクモデリングは重要な役割を果たす。
近年,機械学習や深層学習の手法が採用されている。
この分野における説明可能性問題に LIME 手法を適用することを提案する。
論文 参考訳（メタデータ） (2020-12-30T10:27:59Z) - PCAL: A Privacy-preserving Intelligent Credit Risk Modeling Framework
Based on Adversarial Learning [111.19576084222345]
本稿では,PCAL(Adversarial Learning)に基づくプライバシ保護型信用リスクモデリングの枠組みを提案する。
PCALは、ターゲット予測タスクのパフォーマンスの重要なユーティリティ情報を維持しながら、元のデータセット内のプライベート情報を隠蔽することを目的としている。
結果は,PCALがユーザデータから効果的なプライバシフリー表現を学習し,信用リスク分析のためのプライバシ保存機械学習の基盤となることを示唆している。
論文 参考訳（メタデータ） (2020-10-06T07:04:59Z) - NetDP: An Industrial-Scale Distributed Network Representation Framework
for Default Prediction in Ant Credit Pay [17.20470045724419]
Ant Credit Payは、Ant Financial Service Groupの消費者向けクレジットサービスである。
本稿では、Ant Credit Payのデフォルト予測のために、NetDPと呼ばれる産業規模の分散ネットワーク表現フレームワークを提案する。
論文 参考訳（メタデータ） (2020-04-01T02:22:33Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。