Модел за прогнозиране на отпадането на клиенти за голяма банка

Клиентът

Клиентът е голяма банка на дребно, обслужваща разнообразна клиентска база с широка гама от финансови продукти. Задържането на клиентите е от решаващо значение за тяхната дългосрочна рентабилност. С нарастването на конкуренцията и развитието на очакванията на клиентите, те се нуждаеха от подход, основан на данни, за да идентифицират клиенти в риск и да действат преди да възникне отлив.
 

Предизвикателството

Отливът на клиенти в банковото дело се обуславя от сложни поведенчески модели, включително промени в транзакционната активност, използването на продукти и нивата на ангажираност. Идентифицирането на ранни сигнали за отлив изисква анализ на големи обеми от данни на ниво клиент в множество измерения.

Банката се нуждаеше от модел, способен да предсказва отлив в рамките на кратък, приложим период от два месеца. Това въведе допълнителна сложност, тъй като моделът трябваше да улавя краткосрочни промени в поведението, като същевременно поддържа висока точност на прогнозиране.

Традиционните подходи не притежаваха необходимата гранулираност и навременност за ефективна интервенция. Освен това, решението трябваше да работи на ниво отделен клиент и да се интегрира безпроблемно в съществуващите оперативни системи.

Без надежден прогнозен модел банката рискуваше да загуби ценни клиенти, без възможност за проактивна интервенция.
 

Какво направихме

Подход

Разработихме система за прогнозиране на отпадането на клиенти, базирана на машинно обучение, фокусирана върху откриване на краткосрочен риск. Фазата на откриване включваше идентифициране на ключови поведенчески индикатори и дефиниране на модели на преход на клиенти, свързани с отпадането.

Ключово решение беше да се моделира отпадането на клиенти като проблем с прогнозиране, ограничен във времето, като се фокусираме по-специално върху двумесечен хоризонт, за да се осигурят приложими прозрения. Бяха оценени множество архитектури на моделите и времеви прозорци, за да се определи оптималният баланс между точност и използваемост.

Крайното решение е проектирано за оперативна интеграция, позволявайки достъп в реално време до прогнози и подпомагайки вземането на решения от екипите за задържане на персонал.
 

Методология

• Оценка на данните:
  Анализирани данни на ниво клиент, включително поведение на транзакциите, използване на продукти, и показатели за ангажираност
• Избор на подход:
  Оценени множество модели за машинно обучение и времеви хоризонти за оптимизиране на прогнозната производителност
• Разработване на модели:
  Дефинирани модели на преход на клиенти и обучени модели за прогнозиране на риска от отлив на индивидуално ниво
• Рамка за валидиране:
  Тествана точност на модела в различни конфигурации и валидирана производителност върху невидими данни
• Интеграция:
  Внедряване на модела чрез API, което позволява достъп в реално време до прогнози за отлив в рамките на оперативните системи на банката
• Съответствие:
  Осигурено съответствие с разпоредбите за поверителност на данните и вътрешните политики за управление

Резултатът

Високоточно прогнозиране на отпадането на клиенти на ниво отделен клиент

Моделът успешно идентифицира клиенти, изложени на риск от отпадане в рамките на двумесечен период, което позволи навременни и целенасочени действия за задържане.
 

Вторични резултати:

• Персонализирано оценяване на риска от отпадане за всеки клиент
• Подобрена ефективност на кампаниите за задържане
• Достъп до прогнози в реално време чрез API интеграция
• Мащабируемо решение, адаптивно към променящото се поведение на клиентите

Сблъсквате се с подобно предизвикателство?

Ако трябва да идентифицирате клиенти в риск и да действате преди да се случи отпадане, ние можем да ви помогнем да изградите прогнозни системи, които превръщат данните в резултати за задържане.

Запазете техническа консултация