观远BI是如何防止银行高价值客户流失的
目前,银行产品存在同质化现象。客户选择产品和服务的方式越来越多,客户对产品的忠诚度越来越低。因此,客户流失已成为银行业最关注的问题之一。获取新客户的成本远高于维护老客户的成本。
据调查,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。而获取新客户的成本可能是维持现有客户的5倍。因此,从海量的客户交易记录中挖掘出对客户流失有影响的信息,建立高效的客户流失预警系统就显得尤为重要。
下面小编将通过一个商业银行客户流失预测案例来帮助大家了解数据分析的流程。下面的数据分析流程依托国内一流的BI软件观远BI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,可以快速轻松拖拽用鼠标放下。轻松完成数据可视化分析,让企业第一时间了解业务数据指标的变化。
首先,我们需要分析业务的现状,选择一个零售客户过去一年的高价值客户群进行分析。如果发现流失率非常严重,就要针对高价值客户群建立流失预警模型,找出流失客户的原因,指导业务加强客户维护,增强客户对本行产品的粘性。
分析思路可以从高价值客户的个人信息、账户信息、交易信息等维度数据出发,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,输出影响客户流失的主要因素。因素。
数据来源:
数据来源于CRM系统中的客户基本信息表、账单表等;第三方数据,数据时间窗为近一年的数据,客户群为高价值客户群。在这种情况下,总共100,000条Article数据中获得了一些数据。
数据维度信息包括:
银行自有领域:账户信息、个人信息、存款信息、消费、交易信息、理财、基金信息、柜面服务、网银信息;
外部第三方数据:出站客服数据、资产数据等消费者数据;
本案例中的流失定义为:3个月内没有任何银行业务的客户。
整个数据预处理流程图:
相关性分析
我们通过关联节点对各个特征指标的数据进行关联分析,方便特征选择进入模型训练,如图:
通过分析发现:是否发卡客户、卡等级、月平均代发量、最大代发量、月平均AUM、月初AUM都与是否发卡相关。是否流失,其他特征与是否流失的相关性为0。
因此,我们通过特征选择相关的特征,如图,标签列为是否流失。
模型训练
本例采用随机森林算法进行模型训练,通过节点分裂将数据按照7:3的比例分为训练集和验证集。
整个模型训练过程如图:
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的F1分数为0.95,说明模型预测效果比较好。
业务分析
我们使用随机森林特征选择节点输出5个重要度高的特征,结果如图:
通过对某业务线高价值客户流失的预警分析,发现影响客户流失的主要因素有:月均AUM、月AUM、卡级等,主要原因可能是产品缺乏竞争力、活动少等。
因此,我们可以采取相关措施和建议,如:加强客户关系维护、产品跟进、维护回访、跟踪系统、扩大销售、机制维护等。