Learning data representations that reflect the customers’ creditworthiness can improve marketing campaigns, customer relationship management, data and process management or the credit risk assessment in retail banks. In this research, we show that it is possible to steer data representations in the latent space of the Variational Autoencoder (VAE) using a semi-supervised learning framework and a specific grouping of the input data called Weight of Evidence (WoE). Our proposed method learns a latent representation of the data showing a well-defied clustering structure. The clustering structure captures the customers’ creditworthiness, which is unknown a priori and cannot be identified in the input space. The main advantages of our proposed method are that it captures the natural clustering of the data, suggests the number of clusters, captures the spatial coherence of customers’ creditworthiness, generates data representations of unseen customers and assign them to one of the existing clusters. Our empirical results, based on real data sets reflecting different market and economic conditions, show that none of the well-known data representation models in the benchmark analysis are able to obtain well-defined clustering structures like our proposed method. Further, we show how banks can use our proposed methodology to improve marketing campaigns and credit risk assessment.

学习反映客户信誉的数据表示形式可以改善营销活动，客户关系管理，数据和流程管理或零售银行的信用风险评估。在这项研究中，我们表明可以使用半监督学习框架和称为证据权重（WoE）的输入数据的特定分组来引导变量自动编码器（VAE）的潜在空间中的数据表示。我们提出的方法学习了数据的潜在表示，该数据显示了定义良好的聚类结构。聚类结构捕获了客户的信誉，这是先验未知的，无法在输入空间中识别。我们提出的方法的主要优点是，它可以捕获数据的自然聚类，建议聚类的数量，捕获客户信誉度的空间一致性，生成看不见客户的数据表示并将其分配给现有集群之一。我们的经验结果基于反映不同市场和经济状况的真实数据集，表明基准分析中没有一个众所周知的数据表示模型能够像我们提出的方法那样获得清晰定义的聚类结构。此外，我们展示了银行如何使用我们提出的方法来改进营销活动和信用风险评估。表明基准分析中没有一个众所周知的数据表示模型能够像我们提出的方法那样获得清晰定义的聚类结构。此外，我们展示了银行如何使用我们提出的方法来改进营销活动和信用风险评估。表明基准分析中没有一个众所周知的数据表示模型能够像我们提出的方法那样获得清晰定义的聚类结构。此外，我们展示了银行如何使用我们提出的方法来改进营销活动和信用风险评估。