-->

客户背景

某银行作为中国国际化和多元化程度最高的银行,在中国内地、香港、澳门、台湾 及37个国家为客户提供全面的金融服务。主要经营商业银行业务,包括公司金融业务、个人金融业务和金融市场业务等多项业务。


需求和挑战

高端个人客户数量少、价值高、利润丰厚,对商业银行发展个人金融业务及至公司金融业务都极为重要,一般来说,20%的优质个人客户贡献了80%以上的利润。在中国,更为明显的社会收入差距使得优质个人客户的作用更为重要。研究表明,在中国10%的优质个人客户贡献了至少90%的利润。由于各种因素的不确定性和市场的不断增长,以及一些竞争对手的存在,很多客户不断地从一个供应商转向另一个供应商,只是为了求得更低的费用以及得到更好的服务,这种客户流失在许多企业中是普遍存在的问题。


因客户流失导致的损失是巨大的,因为获取一个新客户,要在销售、市场、广告和人员工资上花费很多,而且大多数新客户产生的利润不如那些流失的客户多。据统计,赢利一个新客户所花费的成本是保留住一个老客户的5到6倍。因此保住老客户,提前预测出潜在的流失客户,防止因客户流失而引发的经营危机,对于提高企业的竞争力具有战略意义。 


某银行上海分行现在中高端客户数大概在20万左右,去年是24万左右,相对于去年来说,中高端客户总量流失了16.7%,在银行领域来说这个比例相对较 高,因此分行现在急需一些有效措施对中高端客户流失进行识别,分析发现客户流失特征(例如资金流向特征、资产特征、持有产品特征、金融行为特征等),能够对客户流失进行实时预测预警并基于流失特征制定有针对性的差异化产品、服务、营销活动来提高客户满意度从而降低客户流失率。


解决方案

东软与该银行上海分行建立合作,通过使用RealSight大数据高级分析应用平台对该银行上海分行现有业务数据进行分析、特征提取、流失预警建模,从而能够对流失客户进行实时精准预测预警。


客户流失因素分析

资金流向

对客户资金流向交易行为进行分类,从资金量、交易对手、交易频率等维度,分析包括:异名同行汇划、同名他行汇划、异名跨行汇划、大额取现、三方支付、三方存管保证金等不同渠道的客户交易行为。


产品到期

分析客户持有的表内、外理 财产品、集合信托及各类代销产品到期后的资金流向,梳理由于产品到期未能有新产品承接导致客户流失的原因。


交叉覆盖

对中高端客户产品交叉持有覆盖情况进行分析,产品包括但不限于:存款、贷款、信用卡、网银、基金、第三方存管、表内理财、表外理财、债券、集合 信托、券商集合资产、借记卡、手机银行等。另外,对持有单一(只持有单一产品的客户还是单一产品的分析)产品(主要是存款或理财产品)的客户进行流失原因 分析。


信用卡交易

对中高端客户信用卡月消费额变动情况进行分析,寻找信用卡消费额的变动与客户流失之间是否存在一定关联性。


客群定位

对不同金融行为的中高端客户进行分类,包括:信用卡客户、跨境类客户、投资理财类客户、代发薪客户、养老金客户、个贷类户等进行分析。以上客户定义如下:

  • 信用卡客户群:名下有至少一张信用卡的客户(不含销户、转呆、冻结);

  • 代发类客户群:各代发类客户(不含养老金);

  • 养老金客户群:持有常青树卡客户;

  • 投资理财客户群:当年发生过理财产品、基金产品交易的客户;

  • 个贷客户群:有个人贷款余额的客户(不含国家助学贷款客户、GMAC项目客户);

  • 跨境客户群:办理过跨境业务产品的客户,包括结售汇、国际汇款、信用卡境外消费、外汇留学贷款、旅游保证金等业务的客户。


投诉处理

对有拨打客服电话进行业务反馈或投诉记录的中高端客户,分析其投诉当月及之后是否流失。


业务频率

分析一段时间内(时间跨度通过预警模型进行细分)客户在我行全渠道业务(活期)办理频率与客户流失之间的关联性。


互动记录

从我行客户维护端,围绕客户经理与客户之间的互动行为(包括:短信关怀、电话互动等)进行分析。


贷款业务

对贷款中高端客户还款情况进行分析,了解在客户贷款偿清前一段时间内的交易情况(可提前对这类客户进行其它产品的营销),以及偿清后是否存在流失情况。


客户基本信息

性别、年龄、房产、单位性质、单位所属行业、职业、客户等级、月收入,构建客户全景视图。


交易记录

分析客户交易的时间、地点、频率、金额、类型(取现、网上交易、转帐、购物、理财产品、贷款、缴费等等),分不同的时间段统计,总结客户的交易行为特点。


AUM(Assets Under Management)

客户在银行的可控资产,包括存款、理财投资基金、保证金等的变化情况



流失预警模型构建

利用随机森林算法构建客户流失模型,主要步骤如下:


1. 原始数据预处理,过滤原始数据中数据不全的用户,并按照可设置的比例分配建模数据和测试数据。
2. 模型构建。
  a) 建模测试数据比为9:1,流失客户数据放大倍数为20
  b) 随机森林模型参数配置,例如属性个数4,决策树个数40,分枝样本个数最小值50。


1.png

模型应用:在内存中直接加载模型进行实时客户流失预测。


关键收益

该银行上海分行通过使用RealSight对现有中高端用户进行多维度数据进行分析挖掘,提取客户流失相关因素12个,并利用上述特征通过机器学习算法 对流失客户进行数据建模,从而达到对客户流失实时监控预测预警。通过使用中国银行20万中高端用户的数据信息进行离线评估,RealSigh大数据高级分 析应用平台能够实现客户流失预测71.2%的召回率。