一、客戶流失管理過程

業(yè)務目標：預測客戶流失的概率和挽留的價值-->

數(shù)據(jù)準備：數(shù)據(jù)決定結(jié)果-->

流失預警：哪些客戶即將流失-->

客戶價值：哪些客戶更值得挽留-->

分客群挽留策略：收益和成本的平衡-->業(yè)務目標

?

二、目標理解

需要對客戶的銷卡行為和價值進行預測，制定差異化的挽留策略，實現(xiàn)收益和成本的最佳平衡。

典型聚類問題，將客戶按銷卡概率和客戶價值分為四類：

1. 價值高、銷卡概率低

2. 價值低、銷卡概率低

3. 價值高、銷卡概率高

4. 價值低、銷卡概率高

?

三、數(shù)據(jù)準備

1. 設定目標變量Y：客戶銷卡概率、客戶價值

2. 設定時間窗口，因為要預測，自變量X應該在應變量之前預測才有意義，變量Y取半年內(nèi)客戶提出銷卡請求，自變量在應變量之前一年，如圖

?

3. 設計預測變量（自變量X）

• 身份特征：性別、年齡、職業(yè)、學歷...
• 行為習慣：消費頻次、購物類型、活躍度
• 信用歷史：信貸產(chǎn)品逾期、拖欠、還款情況
• 產(chǎn)品偏好：產(chǎn)品數(shù)量、產(chǎn)品類型、渠道喜好
• 客戶關(guān)系：持卡時長、投訴次數(shù)、營銷響應、社交特征
• 生活形態(tài)：居住環(huán)境、網(wǎng)絡行為標簽、公共數(shù)據(jù)標簽

4.準備數(shù)據(jù)寬表

按客戶ID準備好包含目標變量(Y)和預測變量（X）的寬表

四、流失傾向預測

典型分類問題，使用Logistic回歸算法

1. 數(shù)據(jù)預處理非常重要，需要進行粗分類，比如某個變量的取值有100個，則將100個取值進行分組合并，減少變量取值的個數(shù)。原則是：組內(nèi)應變量差別小，組間應變量差別大。

2. 計算分組變量的WOE和IV值（帥選變量依據(jù)）

粗分類后，全部變量為類別變量，需計算WOE和IV值了解分組結(jié)果對應變量的顯著性

WOE(Weigh Of Evidence)

IV(Information Value): 體現(xiàn)自變量對目標變量的顯著性影響，一般來說IV在0.1到0.5直接表明變量X與目標變量有一定的相關(guān)性

3. 共線性檢查

檢查WOE分組變量之間的相關(guān)性，對具有相關(guān)性的一批變量，可選其中的一個變量作為代表，這樣可以減少變量的個數(shù)。

指標：方差膨脹因子VIF(Varience Inflation Factor)，VIF=1/（1-Rsquare）

• 0<VIF<5：存在較弱共線性
• 5<=VIF<10：存在較強共線性
• VIF>=10：存在強共線性

4. 模型訓練：顯著性檢驗

使用SAS Proc Logistic處理，一是得出與目標變量顯著相關(guān)的自變量，一是模型對訓練數(shù)據(jù)預測一致性百分比

5. 模型評估

運用驗證集數(shù)據(jù)，根據(jù)模型訓練計算出來的模型，進行打分。

首先，按預測概率P從大到小進行排序，將全部客戶分為若干組，然后計算每組客戶的實際銷卡率、平均預測概率（實際上是準確率）、累計銷卡率（ROC曲線）、KS、提升度

1）實際銷卡率vs平均預測概率曲線（準確率曲線）

二曲線重合度越高，則模型的準確度越高，曲線陡峭下降，說明模型的區(qū)分能力強，能夠?qū)撛诘匿N卡客戶鎖定在較小的范圍內(nèi)，曲線平滑，說明模型穩(wěn)定，無過擬合問題。

2）累計銷卡率（ROC曲線）

體現(xiàn)模型覆蓋銷卡客戶的能力，建設將客戶隨機等分20組，則每組應該還該5%的銷卡客戶，如果打分最高的5組客戶（占客戶總量的25%），覆蓋了75%的銷卡客戶，說明只要針對這25%的客戶進行挽留，就能獲得全部客戶挽留75%的效果

?

3）KS：累計銷卡率-累計未銷卡率

用于評價模型的區(qū)分度，KS在30%-60%之間，則說明模型具有較強的區(qū)分度，如果KS過高，需要檢查變量的設計是否存在問題，或者運用跟多的驗證集檢查過擬合情況。

4）LIFT：提升度

相對不使用模型，運用模型能夠縮小目標客戶分布范圍的能力，即使用模型累計銷卡率/隨機情況累計銷卡率，如將客戶隨機等分20組，最高預測概率組有累計23%的銷卡率，提升率為23%÷5%=4.6

?

五、潛在客戶價值預測

預測數(shù)值，是典型的慧谷問題，線下回歸是最常用的算法。這里用了Logistic回歸和線性回歸相結(jié)合方法，先用Logistic回歸預測客戶為高價值的概率Ph，再將Ph作為預測變量與其他變量X一起建立線性回歸模型。

1. 高價值概率Ph預測：認為根據(jù)客戶價值劃分為兩組，高價值客戶和低價值客戶，方法有二八法則，價值最高的20%的客戶定義為高價值客戶，也可以繪制Value分布圖，將拐點作為劃分依據(jù)。

然后按照流失傾向預測的方法進行建模。

2. 客戶價值數(shù)值預測

線性回歸模型，變量X一般為數(shù)值型變量，對于離散型變量，通常選擇其他方法選擇最有影響力的變量劃分客戶群，為每個客戶群分別建立線性回歸模型?；蛘咴诟邇r值概率Ph預測時轉(zhuǎn)化為WOE變量。

3. 模型評估

兩項指標：

1）R方：體現(xiàn)預測變量X對目標變量Y的解釋能力，介于0~1之間，越接近1，模型的擬合度越好。模型擬合度好并不代表在實際應用時能夠準確預測，也可能存在過擬合，所以R方是聘雇模型的必要條件，但不是充分條件。

2）擬合曲線：

根據(jù)驗證集的預測結(jié)果，對比客群預測值和實際值，這樣的對比很有說服力。通常根據(jù)預測值從高到低等分20組，繪制魅族平均預測值和實際值，繪制擬合曲線。曲線解讀方法包括曲線擬合程度，陡峭程度、光滑性等。

?

六、客戶細分：差異化營銷服務的基礎

兩個模型建立之后，已經(jīng)可以預測未來哪些客戶更可能流失以及其潛在客戶價值高低，需要做的是識別最值得挽留的客戶，有效的分配營銷資源

?

以上內(nèi)容來自《SAS金融數(shù)據(jù)挖掘與建模：系統(tǒng)方法和案例解析》第六章

?

總結(jié)

以上是生活随笔為你收集整理的客户挽留：信用卡客户流失管理的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。