Данные

Для решения задачи участникам предоставляется информация о транзакциях клиентов банка. Объемом около 27 000 000 миллионов записей.

Каждая запись описывает одну банковскую транзакцию. Для каждого из ≈20 000 тестовых id, участникам необходимо с помощью обученной модели предсказать — в какую из возрастных групп попадает Клиент.

Мы подготовили два набора данных:

1. Обучающий transactions_train.csv, в котором для каждой транзакции известна дата, сумма, тип и id клиента;
2. Тестовый transactions_test.csv, содержащий те же поля:
   • сlient_id – уникальный номер клиента;
   • trans_date – дата транзакции (представляет из себя просто номер дня в хронологическом порядке, начиная от заданной даты);
   • small_group – группа транзакций, характеризующих тип транзакции (например, продуктовые магазины, одежда, заправки, детские товары и т.п.);
   • amount_rur – сумма транзакции (для анонимизации данные суммы были трансформированы без потери структуры).
   На базе данных файлов можно строить различные признаки, которые характеризуют возрастные группы.

Целевая переменная для обучающего датасета находится в файле train_target.csv. В нем содержится информация о Клиенте и метка возрастной группы, к которой он относится:

• client_id – уникальный номер Клиента (соответствует client_id из файла transactions_train.csv);
• bins – метка возраста. В файлe test.csv вам надо предсказать для указанных client_id соответствующую метку группы возраста.

Участникам также предоставлен информационный файл small_group_description.csv, который содержит расшифровку типов транзакций.

Формат решений

Для каждого примера из тестового набора необходимо предсказать возрастную группу к которой относится клиент. В систему необходимо предоставить для проверки CSV-файл с предсказаниями, он должен содержать две колонки:

1. client_id — идентификатор клиента;
2. bins — возрастная группа.

Пример выходных данных:

client_id,bins
0,0
7,1
9,0
10,2
11,1
15,3
...

Задача представляет из себя мультиклассовую классификацию (4 класса – от 0 до 3). Качество решения считается как доля верно угаданных меток возраста по всем тестовым примерам - accuracy.

Для решения удобнее всего использовать язык программирования Python, так как для него есть большое число библиотек для анализа данных: NumPy, Pandas, SciKit-Learn и другие. В качестве инструмента разработки — интерактивную среду Jupyter.

Участникам также доступен базовый пример решения от организаторов в виде Jupyter-notebook’а.