Smartbi助你解決銀行高價值客戶流失難題

目前銀行產品存在同質化現象，客戶選擇產品和服務的途徑越來越多，客戶對產品的忠誠度越來越低，所以客戶流失已經成為銀行業最關注的問題之一。而獲得新客的成本遠高於維護老客戶成本。

據調研表明，商業銀行客戶流失較為嚴重。國內商業銀行，客戶流失率可達20%甚至更高。而獲得新客戶的成本，可達維護現有客戶的5倍。因此，從海量客戶交易記錄中挖掘出對流失有影響的資訊，建立高效的客戶流失預警體系尤為重要。

下面小編就以某商業銀行客戶流失預測案例，幫助大家瞭解資料分析的過程。以下資料分析過程依託國內排名靠前的BI軟體Smartbi一站式資料分析平臺，可以大大降低 的複雜度，打破資料孤島的困境，並且通過簡單滑鼠拖拉拽的方式就可以快速輕鬆完成資料視覺化分析，讓企業都在第一時間瞭解到業務資料指標的變化情況。

首先我們需要對業務現狀進行分析，選取近一年的零售客戶某業務的高價值客群進行分析，如果發現發現流失率非常嚴重，需要建立高價值客戶群體的流失預警模型，尋出客戶流失的原因，指導業務加強客戶維護，增強客戶對本行產品的粘度。

分析思路可以從高價值客群的個人資訊、賬戶類資訊、交易類資訊等維度資料入手，以及結合第三方資料，利用隨機森林演算法構建客戶流失預警模型，並輸出影響客戶流失的主要因素。

資料來源：

資料來源於CRM系統中客戶基本資訊表、賬單表等；第三方資料，資料時間窗為近一年的資料，客群為高價值客群，本次案例已獲取到部分資料總共100000條資料。

資料維度資訊包含：

銀行自有欄位：賬戶類資訊、個人類資訊、存款類資訊、消費、交易類資訊、理財、基金類資訊、櫃檯服務、網銀類資訊；

外部三方資料：外呼客服資料、資產類資料、其他消費類資料；

本次案例流失定義為：3個月內沒有與銀行業務任何往來的客戶。

 

整個資料預處理流程圖：

 

 

相關性分析

 

我們通過相關性節點將各特徵指標資料進行  ，方便特徵選擇進入模型訓練，如圖：

 

通過分析發現：是否代發客戶、卡等級、月均代發金額、最多代發金額、月均AUM、月初AUM與是否流失都具有相關性，其他特徵與是否流失相關性為0。

因此我們通過特徵選擇出具有相關的特徵，如圖所示，標籤列為是否流失。

 

模型訓練

本案例取樣隨機森林演算法進行模型訓練，通過拆分節點將資料按照比例7:3拆分成訓練集和驗證集。

 

整個模型訓練流程如圖所示：

 

 

引數配置如圖：

 

 

模型評估

我們通過評估節點對資料進行評估，如模型訓練流程圖所示，評估結果如圖：

 

我們發現評估結果中F1得分為0.95，說明模型預測的效果比較好的。

 

業務分析

 

我們通過隨機森林特徵選擇節點輸出重要性較高的5個特徵，結果如圖：

 

 通過對某業務線條高價值客群進行流失預警分析，發現影響客戶流失的主要因素為：月均AUM、月初AUM、卡等級等。主要原因可能為產品缺乏競爭力、活動較少等。

 

因此，我們可以採取相關的措施建議，如：加強客戶關係維繫、產品跟進、維護訪問、追蹤制度、擴大銷售、機制維護等。