[发明专利]基于监督学习的优质客户流失预测方法、装置及存储介质

说明书

本发明公开了一种基于监督学习的优质客户流失预测方法、装置及存储介质，其中方法包括：获取待流失预测的优质客户，并提取待流失预测的优质客户预设时间段内的流失特征数据；将待流失预测的优质客户的流失特征数据输入预先训练好的优质客户流失预测模型中，输出优质客户流失预测结果；其中，优质客户流失预测模型通过利用构建的优质客户流失预测样本数据集对基于XGBoost算法构建的预测模型进行训练得到。选优质客户群体作为研究对象，减轻了训练数据的类别不均衡情况，提升模型的训练速度和准确性，还能把握住银行的核心客户；使用了XGBoost算法，该算法对缺失值不敏感，无需对缺失值进行插值处理；且学习能力强、训练速度快、收敛速度快。

技术领域

本发明涉及商业银行客户流失预测技术领域，尤其涉及一种基于监督学习的优质客户流失预测方法、装置及存储介质。

背景技术

当前市场竞争日益激烈，银行间的产品或服务差异越来越小，越来越多的银行将“以产品为中心”转向“以客户为中心”，纷纷采用客户关系管理(CRM)等信息化系统来提高系统服务水平，客户流失是CRM关注的焦点，是银行业关注的核心问题之一。

相关研究发现，赢得一个新客户所花费的成本是保留住一个老客户的5至6倍。因此，保留住老客户，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。研究表明，在中国，10％的优质个人客户贡献了至少90％的利润，因而相对于全量的客户而言，维护和保持此类客户、防止此类客户流失的工作更具研究意义和价值。

目前的客户流失预测研究中分为主要三个步骤进行，分别为：1定义流失，2选择特征，3建立流失预测模型。在通常的研究中，流失往往是针对单独产品定义的，如存款、理财或者信用卡等等，流失的定义一般为现有的客户中止继续购买银行的商品或服务，转而购买其竞争对手的商品或服务，实际表现为销卡、销户。在选择特征时，通常认为处于流失风险中的客户与客户持有的产品数量、客户年龄和性别之间具有相关关系；拥有不同产品的客户其流失风险有所不同；上笔交易的间隔时间反映了客户的活跃程度，从而也与流失行为有关；另外，客户得到的折扣、所使用的渠道方式、服务的时间长度以及客户抱怨等也都是有助于预测流失的变量。在建立模型时，通常选择基于机器学习的方法，如SVM、决策树、Boosting等，以及基于统计分析的方法，如Cox比例风险模型、逻辑回归、判别分析等。

上述的每一步骤都决定了，流失预测模型在实际应用中的效果：利用销卡、销户动作来定义流失往往不具备说服力，如有的客户与银行脱离了联系，但是未必会有销户动作，因此在这种定义之下，往往缩减了目标群体的范围；选择单一产品进行流失判断往往是不准确的，如客户虽然减少或取消了定期存款，但是却购买了相应或更多金额的投资产品，这时用单一产品的销户来判断流失，会导致流失的定义与实际不符；同时，使用不符合模型基本假设的特征作为输入，将会得到错误的结论，如Cox比例风险模型要求使用的变量均与时间无关等；最后，模型的学习能力也决定了最终的预测效果。

发明内容

鉴于上述现有技术的不足，本发明的目的是提供一种基于监督学习的优质客户流失预测方法、装置及存储介质，以提升优质客户流失预测的准确率。

第一方面，提供了一种基于监督学习的优质客户流失预测方法，包括：

获取待流失预测的优质客户，并提取待流失预测的优质客户预设时间段内的流失特征数据；

将待流失预测的优质客户的流失特征数据输入预先训练好的优质客户流失预测模型中，输出优质客户流失预测结果；其中，所述优质客户流失预测模型，是使用XGBoost算法在构建的优质客户流失预测数据集上训练得到。

进一步地，所述优质客户流失预测样本数据集通过如下方法构建：

获取客户在银行的资产情况并与预设阈值比较，筛选出多个优质客户；