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。

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”。
   

2. 数据处理。

❶数据字段名不是很清晰，可以通过预处理在”元数据编辑”节点修改。

点击最下方的“运行”按钮，再通过节点右击选择“查看输出”可以运行看一下结果情况。

❷“特征离散”。

现在开始对数据的处理，如对年龄上总资产数据来说是要进行离散的；就拿年龄来说如果其他特征都相同，年龄20岁还是40岁对预测影响比较大的，而20岁还是21岁影响不大，为了提前减少预测误差，需要对数据按照范围重新划分。

数据划分使用的是“特征工程下”的“特征离散”。

这里离散方法为等距离散，离散区间为10，离散特征列后缀名为Buckerizer可更改。

选择的特征列有：年龄、月均代发、最大代发、AUM月均、AUM月初。

查看一下执行结果：可以看到新增加了5列，即是对原数据进行的离散操作。数据处理到这里就完成了。

3. 算法模型。

这里需要说明的是，目前算法必须要有特征输入的过程。特征有2种途径，1种是特征选择，1种是卡方特征选择。两种的区别是如果已经知道哪种特效影响比较大，直接选择即可；如果不确定可以将字段列选择后，再设置可能影响的列的数量。

拖动节点进行特征选择。

“特征选择”，除去离散前的原字段、不必要的字段（如编码等）还有作为预测输出的字段（连续三个月AUM小于1000），所有的字段都可以选择来参与算法预测（此案例中共计16列）；“卡方特征选择”，同上选择16列后，比如我们认为有影响的特征只有8个可以设置。

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。

选择算法节点：分类算法-逻辑回归。

算法节点需要进行训练和验证的过程，需要先进行数据的拆分，拆分成训练数据集合测试数据集。拆分后可以对逻辑回归算法训练，模型算法训练好之后需要进行校验。

评估模型

选择数据预测节点左侧连接训练模型，右侧连接拆分的测试数据集。在通过评估节点进行算法预测的评估。

查看一下评估节点的分析结果，3万条数据中预测错误的仅有4834个。

主要看加权F1值（对精确率和召回率综合考评的结果），这里是0.8445还是不错的。

如果不满意预测结果，我们还可以更改模型参数等。当然还可以查看卡方特征选择下的预测情况。这个就是运行，不断调优的过程了。

以上就是银行零售客户流失预测案例分享。

Smartbi Mining通过提供基于Web的可视化的界面，数据挖掘的每一步流程通过功能点的拖动和参数（属性）配置即可实现。

---

(我是分割线)

Smartbi Mining 数据挖掘包括3个大的模块：

（1）机器学习：主要是建立和管理项目，是数据挖掘的主题功能

（2）模型管理：模型管理是针对机器学习里面的模型保存功能进行模型管理。模型保存功能是将已经训练好的模型进行保存，下次有相同案例的时候可以直接使用模型，不用重复训练；主要是用于大数据量或者训练时间比较久的模型。

（3）服务管理：与模型管理功能类似，也是针对已经训练好的模型。不同之处是在模型里以服务的方式进行发布，方便第三方使用。

现在主要介绍机器学习功能。

点击进入机器学习页面可以看到有两个列表：一个是实验项目一个是案例项目。

实验项目：展示目前存在的所有项目

案例项目：系统内置案例，主要用于产品学习。

比如聚类功能如何在产品上实现，可以查看“深圳企业信息聚类”这个案例。

点击创建项目可以基于示例模型进行学习修改，如需保存，点击另存为。

点击机器学习管理界面右上角“创建机器学习项目”，可以通过示例数据源学习数据挖掘的流程和操作（创建文件目录设置名称）。操作界面如下：

最左侧是节点树：包含了已经开发好的所有节点。中间是主要实现区域，将节点之间拖拽过来即可。右侧是节点的参数配置和属性配置。