客户挽留：信用卡客户流失管理

一、客户流失管理过程

业务目标：预测客户流失的概率和挽留的价值-->

数据准备：数据决定结果-->

流失预警：哪些客户即将流失-->

客户价值：哪些客户更值得挽留-->

分客群挽留策略：收益和成本的平衡-->业务目标

 

二、目标理解

需要对客户的销卡行为和价值进行预测，制定差异化的挽留策略，实现收益和成本的最佳平衡。

典型聚类问题，将客户按销卡概率和客户价值分为四类：

1. 价值高、销卡概率低

2. 价值低、销卡概率低

3. 价值高、销卡概率高

4. 价值低、销卡概率高

 

三、数据准备

1. 设定目标变量Y：客户销卡概率、客户价值

2. 设定时间窗口，因为要预测，自变量X应该在应变量之前预测才有意义，变量Y取半年内客户提出销卡请求，自变量在应变量之前一年，如图

 

3. 设计预测变量（自变量X）

• 身份特征：性别、年龄、职业、学历...
• 行为习惯：消费频次、购物类型、活跃度
• 信用历史：信贷产品逾期、拖欠、还款情况
• 产品偏好：产品数量、产品类型、渠道喜好
• 客户关系：持卡时长、投诉次数、营销响应、社交特征
• 生活形态：居住环境、网络行为标签、公共数据标签

4.准备数据宽表

按客户ID准备好包含目标变量(Y)和预测变量（X）的宽表

四、流失倾向预测

典型分类问题，使用Logistic回归算法

1. 数据预处理非常重要，需要进行粗分类，比如某个变量的取值有100个，则将100个取值进行分组合并，减少变量取值的个数。原则是：组内应变量差别小，组间应变量差别大。

2. 计算分组变量的WOE和IV值（帅选变量依据）

粗分类后，全部变量为类别变量，需计算WOE和IV值了解分组结果对应变量的显著性

WOE(Weigh Of Evidence)

IV(Information Value): 体现自变量对目标变量的显著性影响，一般来说IV在0.1到0.5直接表明变量X与目标变量有一定的相关性

3. 共线性检查

检查WOE分组变量之间的相关性，对具有相关性的一批变量，可选其中的一个变量作为代表，这样可以减少变量的个数。

指标：方差膨胀因子VIF(Varience Inflation Factor)，VIF=1/（1-Rsquare）

• 0<VIF<5：存在较弱共线性
• 5<=VIF<10：存在较强共线性
• VIF>=10：存在强共线性

4. 模型训练：显著性检验

使用SAS Proc Logistic处理，一是得出与目标变量显著相关的自变量，一是模型对训练数据预测一致性百分比

5. 模型评估

运用验证集数据，根据模型训练计算出来的模型，进行打分。

首先，按预测概率P从大到小进行排序，将全部客户分为若干组，然后计算每组客户的实际销卡率、平均预测概率（实际上是准确率）、累计销卡率（ROC曲线）、KS、提升度

1）实际销卡率vs平均预测概率曲线（准确率曲线）

二曲线重合度越高，则模型的准确度越高，曲线陡峭下降，说明模型的区分能力强，能够将潜在的销卡客户锁定在较小的范围内，曲线平滑，说明模型稳定，无过拟合问题。

2）累计销卡率（ROC曲线）

体现模型覆盖销卡客户的能力，建设将客户随机等分20组，则每组应该还该5%的销卡客户，如果打分最高的5组客户（占客户总量的25%），覆盖了75%的销卡客户，说明只要针对这25%的客户进行挽留，就能获得全部客户挽留75%的效果

 

3）KS：累计销卡率-累计未销卡率

用于评价模型的区分度，KS在30%-60%之间，则说明模型具有较强的区分度，如果KS过高，需要检查变量的设计是否存在问题，或者运用跟多的验证集检查过拟合情况。

4）LIFT：提升度

相对不使用模型，运用模型能够缩小目标客户分布范围的能力，即使用模型累计销卡率/随机情况累计销卡率，如将客户随机等分20组，最高预测概率组有累计23%的销卡率，提升率为23%÷5%=4.6

 

五、潜在客户价值预测

预测数值，是典型的慧谷问题，线下回归是最常用的算法。这里用了Logistic回归和线性回归相结合方法，先用Logistic回归预测客户为高价值的概率Ph，再将Ph作为预测变量与其他变量X一起建立线性回归模型。

1. 高价值概率Ph预测：认为根据客户价值划分为两组，高价值客户和低价值客户，方法有二八法则，价值最高的20%的客户定义为高价值客户，也可以绘制Value分布图，将拐点作为划分依据。

然后按照流失倾向预测的方法进行建模。

2. 客户价值数值预测

线性回归模型，变量X一般为数值型变量，对于离散型变量，通常选择其他方法选择最有影响力的变量划分客户群，为每个客户群分别建立线性回归模型。或者在高价值概率Ph预测时转化为WOE变量。

3. 模型评估

两项指标：

1）R方：体现预测变量X对目标变量Y的解释能力，介于0~1之间，越接近1，模型的拟合度越好。模型拟合度好并不代表在实际应用时能够准确预测，也可能存在过拟合，所以R方是聘雇模型的必要条件，但不是充分条件。

2）拟合曲线：

根据验证集的预测结果，对比客群预测值和实际值，这样的对比很有说服力。通常根据预测值从高到低等分20组，绘制魅族平均预测值和实际值，绘制拟合曲线。曲线解读方法包括曲线拟合程度，陡峭程度、光滑性等。

 

六、客户细分：差异化营销服务的基础

两个模型建立之后，已经可以预测未来哪些客户更可能流失以及其潜在客户价值高低，需要做的是识别最值得挽留的客户，有效的分配营销资源

 

以上内容来自《SAS金融数据挖掘与建模：系统方法和案例解析》第六章