银行客户流失.pdfVIP

盛年不重来，一日难再晨。及时宜自勉，岁月不待人。 流失模型 是典型的学习模型， 有几个常用方法可以选决策树、逻辑回归 （或者尝试神经网络，不利于 应用和解释，也可以试试看） 。 决策树的特点：适用布尔、分类和连续的变量（对连续变量也会内部转化为分类变量） 、结 果容易解释、筛选变量快；但决策树不稳定，容易训练过度（在训练时看起来很准确，但应 用时预测准确率大打折扣） 逻辑回归的特点： 逻辑回归的底层思想和多元回归接近， 延续了回归算法不温不火的稳定风 格，相比回归算法， logistic 回归不要求变量有正态分布和等协方差前提，也可以尝试着用 哑变量来融入分类变量， 使用更方便，但逻辑回归准确率相对较低 （所谓成也萧何，败也萧 何）。和决策树相比，回归算法稳定性好的多 我习惯于： 1、使用决策树进行变量范围筛选 2 、使用逻辑回归进行预测 3 、个别时候尝试着用因子分析进行变量转载（我试过的模型，有时候有一点点小的提升， 和变量共线性特点有关，但不会有超乎意料的收获） 构建流失行为的特征 内部自有数据 ? 丰富的内部交易明细数据 ,包括本币活期储蓄波动率 ,本币活期储蓄月日均余额 ,电话银行总交易笔 数 ... ? 可以构建的特征 : ①不同交易的数额的比例 ②单笔交易的平均数额 ③某种交易的笔数占全部交易笔数的比例 例如： 最大波动 =max{本币一年以下波动 , 本币一年以上波动率 , 储蓄类 资产波动率 , 本币储蓄波动率 } 若信息存在冗余，需要按情况进行剔除 情况一： “本币活期月日均余额占比 ” = 1 “–本币定期月日均余额占比 ” 变量 “本币活期月日均余额占比 ”与 “本币定期月日均余额占比 ”存在冗余性 ,知道其一必知道其二 ,需要 剔除一个。 情况二 “资产当前总余额 ” = “本币储蓄当前总余额 ” + “外币储蓄当前总余额 ” 如果是 ( 广义 )线性回归模型 ,三者不能同时放进模型 。对于树模型 ,可以将其中任意两个放进模型 ,剩余的做转 换，比如做一个离散变换。 外部数据包含了客户在电信运营商的详情 包括 : ? 通话时间与次数 ? 话费详情 ? 特定的呼叫行为 ? 其他信息 可以衍生的特征 月平均通话时间的变化 = 过去三个月月平均通话时间 - 过去六个月月平均通话时间 月平均通话次数的变化 = 过去三个月月平均通话次数 - 过去六个月月平均通话次数 月平均缴纳话费的变化 = 过去三个月月平均缴纳话费 - 过去六个月月平均缴纳话费 评分模型 按照模型所预测的未来表现结果划分，有： 1 、风险评分模型：对违约拖欠的风险概率进行预测； 2 、收益评分模型：对消费者给信贷机构带来收益的潜力大小进行预测； 3 、流失倾向评分模型：对现有客户在未来一定时期内流失的概率进行预测； 4 、市场反应评分模型：对目标客户接受信贷机构营销的概率进行预测； 5 、转账倾向评分模型：对目标客户把贷款余额从别的银行转账过来的概率进行预测； 6 、循环信贷倾向评分模型：对目标客户或现有客户利用信用卡账户进行循环信贷的概 率进行预测； 7 、欺诈评分模型：对信用卡申请或信用卡交易为欺诈行为的概率进行预测。 第四章 数据挖掘与信用评分模型的技术 消费信贷管理实践中常用的数据挖掘和评分模型技术和方法包括： ? 对数据进行描述和总结的技术； ? 对变量进行栏位划分和信息转换的技术； ? 主成分分析； ? 因子分析； ? 变量类聚分析； ? 类聚分析； ? 逻辑回归模型； ? 神经网络模型； ? 判别分析； ? 决策树模型； ? 共性过滤分析； ?