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

客户挽留：信用卡客户流失管理相关推荐

python信用卡客户_信用卡客户画像作业讲解1
信用卡客户画像作业讲解1 信用卡客户画像作业讲解1 获取请求类型在很多情况下面,我们需要判断当前操作的请求类型是GET.POST.PUT.DELETE或者HEAD,一方面可以针对请求类型作出不同 ...
AI：人工智能实践六大场景(金融信用违约、反欺诈模型、客户偏好洞察、智能推荐、精准营销、客户流失管理)及其对应常用机器学习算法经验总结(不断更新)
AI:人工智能实践六大场景(金融信用违约.反欺诈模型.客户偏好洞察.智能推荐.精准营销.客户流失管理)及其对应常用机器学习算法经验总结(不断更新) 目录
构建信用卡客户风险识别模型
构建信用卡客户风险识别模型需求说明: 为了推进信用卡业务良性发展减少坏账风险,各大银行都进行了信用卡客户风险识别的相关工作,减少坏账风险,各大银行都进行了信用卡客户风险识别的相关工作.某银行研究的风 ...
R语言实训项目——信用卡客户风险分析
实训1 处理信用卡数据异常值(数据预处理) (1)读取信用卡数据. #读取数据 credit <- read.csv('F:/R-Project/data/credit_card.csv') ( ...
抽丝剥茧谈CRM：客户获取、客户转化、客户流失、客户流失挽回
我自从写了上一篇文章后,立刻有不少人来找. 许多人一上来就是:我的销售不力,怎么提高,给个痛快话. 我不是营销高手,当然无法从营销奇招妙术方面给出答案.可能叶茂中和史玉柱能给出这个答案. 我只属于客户 ...
浅析基于客户价值的客户关系管理
以客户为中心的经营模式的出现带来了市场营销模式由传统的4P (product, price, place, promotion)到4C(customer, cost, convenience, com ...
基于python的银行信用卡客户等级预测系统
目录一.设计要求二.技术综述三.需求分析四.系统实现数据来源一.设计要求 1.客户数据预处理.对数据集进行缺失值处理,包含删除缺失值.填充数据等,同时对数据进行归一化处理. 2.确定影响客 ...
分析企业要如何管理客户维护良好客户关系？
点击输入图片描述(最多30字) 客户对企业的发展起着至关重要的作用.销售人员不断开拓市场.挖掘客户,希望客户群体能够不断壮大,可实际上却是获得新客户,流失老客户,归根结底是没有维护好客户关系.我们都知 ...
01_Weblogic课程之概念篇：代理服务器，web服务器，应用程序服务器，JNDI概念，JTA概念，Java消息服务，Java验证和授权（JAAS）,Java管理扩展，Web客户机，客户机应用程序
1 什么是服务器 Weblogic中服务器分为两种,一种是受管服务器,另外一种是管理服务器. Weblogic课程(Weblogic是Oracle公司的,最开始的是BEA公司的) 一系统管理 ...

客户挽留：信用卡客户流失管理

客户挽留：信用卡客户流失管理相关推荐

最新文章

热门文章