银行客户流失分析预测

最新推荐文章于 2024-06-11 16:01:31 发布

weixin_45302727

最新推荐文章于 2024-06-11 16:01:31 发布

阅读量8.9k

点赞数 3

分类专栏：笔记文章标签：数据分析

本文链接：https://blog.csdn.net/weixin_45302727/article/details/108802528

版权

本文通过对某银行10000条客户数据的分析，研究了客户流失特征，发现性别、信用卡持有、国家、活跃度、账户余额、年龄、信用积分、开户时长和产品数量等因素与流失率相关。数据处理包括删除无关字段、新增存款收入比、处理异常值和变量转换。通过决策树、KNN和SVM模型对比，选择SVM作为最佳预测模型，其在测试集上的准确率达到84.2%。该模型有助于银行预警客户流失，提升挽留策略的针对性。

摘要由CSDN通过智能技术生成

客户流失意味着客户终止了和银行的各项业务，毫无疑问，一定量的客户流失会给银行带来巨大损失。考虑到避免一位客户流失的成本很可能远低于挖掘一位新客户，因此对客户流失情况的分析预测至关重要。本文分析了某银行10000条客户信息，含14个字段，接下来我们将从这些数据中探索客户流失特征和原因，推测目前客户管理、业务等方面可能存在的问题，建立预测模型预警客户流失情况，为制定挽留策略提供依据。

1. 探索性分析

1.1 认识字段

首先，初步了解下这些数据。

在这里插入图片描述
字段依次表示行号、客户Id、姓氏、信用积分、地理位置、性别、年龄、开户时长、账户余额、产品数量、有无信用卡、是否活跃、收入估计、是否流失（即目标变量）。为了便于后续处理，对字段重新排列，将目标变量放在首列，并去除无用字段。显然其中行号、客户Id、姓氏对流失情况的分析预测意义不大，可以忽略，其余字段可分为分类变量和数值变量，在数据处理环节再做变换等操作。另外，剔除少量异常数据。

1.2 流失率与分类变量

从数据中不难得知流失率为20.4%，接下来先对分类变量做初步探索，为了便于观察流失占比，这里采用饼图，饼图大小代表用户数量，橙、蓝分别代表流失、留存用户：
在这里插入图片描述

按性别分，女性用户少于男性用户数量，但流失率更高。建议银行提升女性的用户体验，考虑到女性消费能力很强，可以考虑和商家联手推出倾向女性顾客的优惠活动。按有无信用卡分，有信用卡者明显居多，有信用卡的两类群体中流失率略低。按国家分，法国用户数量最多，德国用户与西班牙用户数量相近，但德国用户流失率远高于其他两国，建议对德国的客户管理情况做进一步深入调研。按照活跃度分，不活跃用户流失率远高于活跃用户，因此活跃度是个需要重点关注和提升的指标。