基于數(shù)據挖掘的銀行客戶流失預測

謝宇 許紅

（成都信息工程大學 四川成都 610103）

一、引言及文獻綜述

在第三次工業(yè)革命的推動下，信息時代繼往開來，重塑了各行各業(yè)，其中金融業(yè)也不例外。中國人民銀行、工業(yè)和信息化部、公安部等十部委聯(lián)合發(fā)布《關于促進互聯(lián)網金融健康發(fā)展的指導意見》，落實了互聯(lián)網支付、眾籌融資和互聯(lián)網消費金融等業(yè)態(tài)的監(jiān)管責任，明確其業(yè)務邊界?；ヂ?lián)網公司的入局，一方面爭奪傳統(tǒng)金融業(yè)的市場份額，另一方面以客戶至上為核心的理念在算法和流量加持下得到長足發(fā)展。歸根結底，這是對客戶的爭奪。很多銀行總是不停地獲得新用戶，而對于現(xiàn)有客戶缺少關注。而現(xiàn)在，金融市場用戶增長放緩，拉取新用戶的成本遠高于維護現(xiàn)有客戶的成本，且現(xiàn)有客戶也有著更高的價值。更嚴重的是，流失的客戶會壯大競爭對手的客戶隊伍和規(guī)模，還會導致銀行的聲譽受損。

針對潛在流失客戶進行積極聯(lián)系和營銷活動，可以極大挖掘這部分用戶的價值。這也是在私域流量大熱下，銀行日常運營應當關注的重點工作，根據客戶現(xiàn)有特征，預測客戶流失意向，有的放矢地進行召回，是提升銀行運營能力的關鍵一步。

對于客戶流失的研究，一般集中于三個方面。

首先是關于客戶流失因素的探究。國外學者提出服務缺失、定價問題、便利性缺失是商業(yè)銀行客戶流失的主要原因。國內學者在對流失因素進行多角度分析后，建立忠誠用戶分類模型，專門針對商業(yè)銀行客戶流失因素進行相關性分析，并指出主動交易時間間隔最為重要。

其次是對于客戶流失的預測研究?？蛻袅魇栴}屬于分類問題，國內外學者運用邏輯回歸、決策樹、隨機森林及神經網絡等方法進行相關研究。盧美琴結合某商業(yè)銀行客戶流失狀況，運用決策樹進行客戶流失預測，再采用聚類方法進行用戶分類，提出挽救措施。

最后是客戶的挽回策略研究。國外學者Farquhar通過與英國銀行業(yè)各級職員訪談，指出客戶價值、品牌價值、產品質量和管理渠道等七個要素是挽留客戶的關鍵要素。國內學者陳明亮根據客戶的當前價值和未來潛在價值進行分類，根據每類客戶的特征制定召回策略。李賽結合金融互聯(lián)網背景下的外部壓力，提出多渠道發(fā)揮優(yōu)勢，差異化提供產品，提升用戶體驗的對策。

二、理論準備

（一）相關算法介紹

本文涉及的建模問題為機器學習中的監(jiān)督學習，屬于分類問題中的二分類，有較多的經典模型可以使用。本文擬采用及時性和效果均得到認可的主流分類機器學習模型，如表1所示。

表1 主要分類器

（二）分類評價指標

本文需針對客戶的信息，構建分類模型以預測客戶流失情況。在實際的生產情況下，流失的用戶所占比例較大幅度低于留存客戶，所以該問題又屬于樣本不平衡的分類問題。對于此類問題，除了平時常用的基于ROC（Receiver Operating Characteristic）的曲線AUC(Area Under Curve)，評價指標需要顧及多個方面，尤其是要關注召回率。本文結合混淆矩陣，對準確率、召回率指標進行簡單介紹。

在監(jiān)督學習中，通常將關注的類看作正類，一般標注為1，其余的類為負類（標注為0），根據分類器在測試集的預測結果，將以上實際情況和預測結果進行兩兩組合，可以得到四種情況的數(shù)量情況，分別是：Ture Positive（TP）——正類預測為正類數(shù)；False Negative（FN）——正類預測為負類數(shù)；False Positive（FP）——負類預測為正類數(shù)；True Negative（TN）——負類預測為負類數(shù)?；诖?，部分常用指標如表2所示。

表2 常用評價指標

三、數(shù)據準備及清洗

（一）數(shù)據來源

本文所用數(shù)據來自kaggle——創(chuàng)建于2010年的數(shù)據科學競賽平臺。該平臺通過眾包的形式，由一方發(fā)布數(shù)據或者問題，平臺用戶提供解決方案。本文所用數(shù)據是一份銀行客戶流失數(shù)據，總共有10000個樣本，含有年齡、地區(qū)、賬戶余額和購買產品數(shù)等14個特征。

（二）數(shù)據基本情況

從流失客戶比例來看，在10000個樣本數(shù)據中，流失客戶占比為20.4%，屬于一般不均衡問題。

再看部分分類特征，其柱狀圖如圖1所示。從中可以看出，在地區(qū)上，法國人數(shù)最多，西班牙與德國人數(shù)相當。有趣的是，德國的流失客戶反而最多，法國整體的運營情況良好。在性別上，男性人數(shù)高于女性，但其流失客戶數(shù)略低于女性。這說明男性客戶相對更為穩(wěn)定，而女性用戶則是需要特別維護。有信用卡用戶的數(shù)量是無信用卡用戶的兩倍，但是流失比例在有無信用卡方面差距不大，這也是與常識略有不同的地方?；钴S客戶人數(shù)略高于非活躍客戶，但是活躍客戶流失比例低于非活躍客戶。銀行或考慮通過一些活動，促進非活躍客戶轉化為活躍客戶。

圖1 分類變量與流失客戶柱狀圖

部分連續(xù)型變量與客戶流失情況的箱線圖如圖2。從年齡來看，流失客戶的年齡分布極端值較少，但是流失客戶的年齡整體大于未流失客戶。未流失客戶的分布相較于流失客戶較為集中，銀行應當更加關注新獲取的用戶和高于平均留存年限的客戶。令人擔憂的是，流失客戶的賬戶余額分布更為均勻，且數(shù)額更大，這或許是由于含有部分加入時間長的客戶。而在用戶的信用分數(shù)、工資或者產品數(shù)方面，客戶流失與否沒有太明顯差異。整體來看，對流失客戶的關注是有章可循的，并且會產生積極影響。

圖2 連續(xù)變量與客戶流失箱線圖

四、模型建立

（一）特征工程

在傳統(tǒng)的數(shù)據科學建模步驟中，特征工程是第一步，是在描述性統(tǒng)計的基礎上對數(shù)據進行預處理，數(shù)據處理會根據變量類型采取不同方法。本次對連續(xù)變量，比如年齡、余額進行最大最小值編碼，以實現(xiàn)不同量綱的數(shù)據去量綱化，剔除了不同特征在數(shù)值絕對值上的差異，同時提升模型在訓練時的速度。而對于離散型變量，如性別、國籍等，借鑒于數(shù)字電路，運用二進制表示特征的取值。啞變量的引入使得屬性數(shù)據得到很好的處理，而獨熱編碼也會造成特征空間的膨脹，本次實踐中，特征數(shù)量不多，可以直接使用，在數(shù)據維度更加豐富的情況下，可以結合主成分分析等降維手段，提升模型的擬合能力。

預處理過后的特征工程，是建模中的關鍵環(huán)節(jié)。在輸入數(shù)據確定的情況下，通過特征工程，可以使模型的能力逼近真實情況，得到最接近實際情況的預測結果。常見的特征工程有結合業(yè)務背景的特征構造和基于數(shù)理變換的暴力構造。在數(shù)據科學的比賽中，選手為了提升精度會使用暴力構造，但該方法往往解釋性弱，故在實際工作中會缺少指導意義，也就用得相對較少。

根據該問題的背景和數(shù)據，構造余額薪酬比、會籍年限年齡比和信用評分年齡比幾個特征。余額薪酬比一定程度上反映客戶的消費透支情況，并能反映客戶的風險偏好和信用情況。會籍年限年齡比反映開通信用卡和年齡的相對關系，可以用于區(qū)分不同年齡段對卡的持有情況。信用評分年齡比，因為信用評分和客戶流失沒有描述性上的差異，這里創(chuàng)造性構造該指標，用于探究。

通過隨機種子200進行抽樣，以獲得8∶2的訓練集和測試集，以用于本地模型測試。

（二）參數(shù)調優(yōu)

一般的超參數(shù)調優(yōu)方法有網格搜索、隨機搜索和貝葉斯優(yōu)化，關于其原理此處不再贅述。本文采用應用最為廣泛、性能穩(wěn)定的網格搜索方法進行最優(yōu)超參數(shù)的選擇。具體調參結果如表3所示。

表3 主要超參數(shù)結果

從網格篩選的結果來看，樹模型在訓練集上的效果略優(yōu)于其他模型，但是會出現(xiàn)過擬合的情況。因此，在求得最優(yōu)參數(shù)的基礎上，利用各種方法的最優(yōu)模型進行測試集上的效果測試。

（三）實證結果分析

利用上一節(jié)中的結果，訓練各個方法下的最優(yōu)模型。各個模型在正類上的評價指標結果如表4所示。

表4 主要模型結果

由上表可知，樹模型的整體表現(xiàn)較好。由于屬于樣本不均衡問題，準確率方面不會有太明顯的差異。而極限提升決策樹的召回率最高，實現(xiàn)了最大限度地預測流失客戶，但是其精確率略低于支持向量機或者隨機森林，這表明預測結果中有少量錯誤的預測。

為了糾正模型的偏差，發(fā)揮模型的優(yōu)勢，通過對模型結果進行軟投票，以避免投票影響整體結果，最終樣本量為2000的驗證集精確率為0.80，召回率為0.37，F(xiàn)1值為0.51。模型精度尚可，有實際參考價值。

對于具體特征情況，可以參考圖3的極限提升決策樹特征重要性。這個特征重要性是根據特征在分類時所使用的次數(shù)得出的。從圖中可以看出，賬戶余額和年齡是較為重要的原始特征。這兩個變量在前面的描述性分析部分已體現(xiàn)出較為明顯的差異。緊隨其后的是余額薪酬比和信用評分年齡比兩個構造特征，證明了根據業(yè)務背景進行特征工程的實用性。

圖3 特征重要性樹狀圖

樹模型可以為我們提供特征的重要程度，即特征在分類時可以帶來最大信息增益的次數(shù)，反映特征的有用性。但是，特征對于客戶的流失情況起正向還是負向作用則需要借助回歸模型，通過其系數(shù)的正負來判斷對流失情況是積極還是消極影響。

在回歸模型的系數(shù)中，信用分、賬戶余額薪酬比和賬戶余額是對客戶流失有正向作用的特征。尤其是信用分高的優(yōu)質客戶，需要格外重視，而賬戶余額高的客戶流失也不是好的現(xiàn)象，需要進一步了解主要的流失原因，采取針對措施。信用評分年齡比、是否為活躍用戶和產品數(shù)量是抑制客戶流失的特征，證明高信用低年齡是穩(wěn)定的客戶群體?；钴S用戶和購買產品更多的客戶留存可能性更大，也是符合常識的。

五、結論與不足

綜上所述，活躍用戶及高信用低年齡的客戶群體是銀行的基本盤，需要重點監(jiān)測，比如當活躍度降低，銀行應當通過一些類似優(yōu)惠券的活動對客戶進行召回。而賬戶余額高的客戶存在著高流失風險，這部分用戶需要重點維護。客戶本來有著較強的購買力，卻沒有挖掘出其價值，銀行應當針對這部分用戶進行有的放矢的營銷。而對于信用分指標，高分值用戶也有著較高的流失可能性，一方面需要進一步研究信用分打分體系是否符合實際情況，能否對業(yè)務進行指導，另一方面則是關注這部分用戶流失的現(xiàn)實狀況，進一步探究。

本文的目的是識別流失客戶的概率并且提前采取運營措施以實現(xiàn)客戶召回，所以對于模型的整體準確率不必過多關注。數(shù)據整體的流失概率為20%，只要精確率大于這一比率，隨著該比例的增大，模型就越少浪費資源在錯誤的分類上。該模型已經較好地預測出流失客戶并且沒有過多浪費資源。

未來的工作可以收集更多數(shù)據維度，明確針對已有重點特征的召回或激活策略，并持續(xù)跟蹤，持續(xù)優(yōu)化。