Smartbi助你解决银行高价值客户流失难题

目前银行产品存在同质化现象，客户选择产品和服务的途径越来越多，客户对产品的忠诚度越来越低，所以客户流失已经成为银行业最关注的问题之一。而获得新客的成本远高于维护老客户成本。

据调研表明，商业银行客户流失较为严重。国内商业银行，客户流失率可达20%甚至更高。而获得新客户的成本，可达维护现有客户的5倍。因此，从海量客户交易记录中挖掘出对流失有影响的信息，建立高效的客户流失预警体系尤为重要。

下面小编就以某商业银行客户流失预测案例，帮助大家了解数据分析的过程。以下数据分析过程依托国内排名靠前的BI软件Smartbi一站式数据分析平台，可以大大降低数据分析的复杂度，打破数据孤岛的困境，并且通过简单鼠标拖拉拽的方式就可以快速轻松完成数据可视化分析，让企业都在第一时间了解到业务数据指标的变化情况。

首先我们需要对业务现状进行分析，选取近一年的零售客户某业务的高价值客群进行分析，如果发现发现流失率非常严重，需要建立高价值客户群体的流失预警模型，寻出客户流失的原因，指导业务加强客户维护，增强客户对本行产品的粘度。

分析思路可以从高价值客群的个人信息、账户类信息、交易类信息等维度数据入手，以及结合第三方数据，利用随机森林算法构建客户流失预警模型，并输出影响客户流失的主要因素。

数据来源：

数据来源于CRM系统中客户基本信息表、账单表等；第三方数据，数据时间窗为近一年的数据，客群为高价值客群，本次案例已获取到部分数据总共100000条数据。

数据维度信息包含：

银行自有字段：账户类信息、个人类信息、存款类信息、消费、交易类信息、理财、基金类信息、柜台服务、网银类信息；

外部三方数据：外呼客服数据、资产类数据、其他消费类数据；

本次案例流失定义为：3个月内没有与银行业务任何往来的客户。

整个数据预处理流程图：

相关性分析

我们通过相关性节点将各特征指标数据进行 相关性分析，方便特征选择进入模型训练，如图：

通过分析发现：是否代发客户、卡等级、月均代发金额、最多代发金额、月均AUM、月初AUM与是否流失都具有相关性，其他特征与是否流失相关性为0。

因此我们通过特征选择出具有相关的特征，如图所示，标签列为是否流失。

模型训练

本案例采样随机森林算法进行模型训练，通过拆分节点将数据按照比例7:3拆分成训练集和验证集。

整个模型训练流程如图所示：

参数配置如图：

模型评估

​

我们通过评估节点对数据进行评估，如模型训练流程图所示，评估结果如图：

我们发现评估结果中F1得分为0.95，说明模型预测的效果比较好的。

业务分析

我们通过随机森林特征选择节点输出重要性较高的5个特征，结果如图：

通过对某业务线条高价值客群进行流失预警分析，发现影响客户流失的主要因素为：月均AUM、月初AUM、卡等级等。主要原因可能为产品缺乏竞争力、活动较少等。

因此，我们可以采取相关的措施建议，如：加强客户关系维系、产品跟进、维护访问、追踪制度、扩大销售、机制维护等。