如何利用 BI 工具做银行零售客户流失预测
现在银行产品同众化现象普遍存在,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。因此,从海量客户交易数据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,提前做好营销挽留,降低流失风险尤为重要。
这里提到了数据挖掘,那什么是数据挖掘呢?其实就是从大量的数据中去发现有用
的信息,根据这些信息来辅助决策。数据挖掘揭示的是未知的、将来的数据关系,主要
的作用就是预测,采用计算机技术、统计学、模型算法等。
模型算法有分类算法、回归算法、聚类算法等,每种算法类型又包含多种不同的算
法,例如分类算法,就包含逻辑回归、朴素贝叶斯、决策树等,使用的编程语言有 Java
语言、Python,大家听了是不是觉得很专业、很复杂?今天给大家推荐一款简单易用的
工具——Smartbi Mining,是由 Smartbi 推出的独立产品,旨在为个人、团队、企业所做
的决策提供预测性分析。
Smartbi Mining 具有流程化、可视化的建模界面,内置实用的、经典的统计挖掘算
法和深度学习算法,并支持 Python 扩展算法,基于分布式云计算,可以将模型发送到
Smartbi 统一平台,与 BI 平台完美整合。
简单拖拉拽就可轻松完成预测,实在是太方便。下面我们就看看银行零售客户流失
是如何进行预测的吧。
我们先了解一下数据的流程。数据挖掘有一套标准的流程,可以对数据进行各种科
学的处理和预测,从而发现数据本身隐藏的规律。具体流程如下:
第一步:业务理解。明确目标,明确分析需求。
第二步:数据准备。收集原始数据、检验数据质量、整合数据、格式化数据。
第三步:建立模型。选择建模技术、参数调优、生成测试计划、构建模型。
第四步:评估模型。对模型进行全面的评估,评估结果、重审过程。
数据准备
业务理解这里不再多说。数据准备,初步判断客户可能会流失的情况,如银行卡
交易量逐月下降等,对跟这些情况有关的数据进行采集、格式化。如下为本次示例中
整理的数据表字段。
age df_yue df_max aum_It_1000 aum_yue
连续三个月
AU M 小于
1000
含义 自动编号 年龄 月均代发 最大代发 性别 AU M 月均
level is_gd buy_lc down_app ger_app login_app credit_card auto_repaymenr
1 年内购 下载手机银 是否领过 月均手机银 是否持有信
是否关联还款
含义 AU M 月初 卡等级 是否个贷
买过理财 行 APP 权益 行登录次数 用卡
建立模型
客户是否流失,是一个分类问题,所以选择分类算法建立模型进行训练。
1) 选择数据源。本次使用的是已准备好的示例数据源中的“银行零售客户数据”。
评论0
最新资源