应用场景痛点简介

金融市场多元化使得获得新客的难度越来越大，存续客户的流失常导致巨大损失，而获取新客往往需要销售、市场、广告等方面的大量持续投入，并且，新客户初期产生的利润通常无法弥补老客户流失所造成的损失。一般来说，赢得一个新客户的平均成本约是留住一个老客户的五至六倍。因此，为挽留已有客户，有效提升可我关系，预测潜在的流失客户对企业至关重要。

目前，大多数银行对客户流失问题非常关注，但做出深入研究的相对较少，研究内容多处于描述性统计阶段。基于银行客户数据与业务经验，以客户流失管理为研究目标，以客观的分析、预测客户流失的真实原因与流失概率，并给予相应的干预和营销。

解决方案简介

为金融机构建设了“以客户为中心，业务为导向”的多层次客户流失预警分析系统，集成大数据机器学习、深度学习算法和行业分析逻辑，对客户流失状况进行预测、预警及监控，据此采取对口的客户挽留策略及营销措施，实现预知化、精细化的数字运营和决策，减少客户信息“黑箱”，精确管理客户营销生命周期进程，为实现银行数字化、信息化经营提供技术支撑。 

构建客户流失预警数据模型

首先，多维度分析客户价值，建立模型对客户分层；其次，建立模型分析客户生命周期阶段；建立模型预测价值客户流失率，提供流失客户短名单及流失概率。

模型应用实施

利用流失预警模型对银行高价值客户在不同时期的流失率预期进行预测。

通过“客户流失预警”与“金融产品智能推荐”的大数据分析模型对内部业务数据进行分析挖掘，建立机器学习模型，实现对高资产客户的流失预警大额金融产品智能推荐。

1、"金融产品智能推荐"宽表设计：实现相关业务系统（客户画像系统/数据平台）的数据整合、接入、提取和数据分析宽表设计和实现。

2、"金融产品智能推荐"分析建模：根据数据分析宽表完成对目标客户建模、训练和预测。

3、"金融产品智能推荐"营销名单：对预测结果的存储和提取。

数据建模：从源系统中抽取数据并形成预测模型所需的分析宽表。

数据探索：对数据进行描述性统计分析，对连续数据进行归一化或离散化，对空值进行必要填充，对无效变量进行清理，对输入特征变量进行相关性分析。

分析建模及评估：对输入特征变量和预测标签变量进行特征变量检验，使用机器学习算法完成特征变量降维，使用投票算法对梯度提升/神经网络/贝叶斯机器学习算法进行训练和评估。

模型应用：根据评估后模型获取特征变量重要性，对输入数据进行整理形成预测输入变量并预测，获得预测名单。

通过模型预测结果，银行为高价值流失客户提供大额理财产品，实现业务挽留近10亿资产，并拉新6亿。

解决方案亮点介绍

1·营销模式创新，实现了由数据支撑一线营销活动，通过数据分析用户需求，刻画客户全息视图，快速感知市场变化，提高了一线支撑响应和客户感知。

2·产品体系丰富，根据模型输出数据结合客户存款结构，设计了多款高端具有延续性的理财产品，吸引大量的新客户。

3·建立营销端的风险处理流程，从后端的数据建模分析，分析结果推送，流失风险处理，效果监控与反馈，建立体系化的风险处理流程，提升营销一线的风险处理效率和效果。

4·数据服务方式转变，传统数据分析主要面向领导决策，客户流失风险分析数据直接作用于一线营销，借助一线营销力量实现数据的快速消费。

5·数据驱动闭环服务体系建立，从后台历史数据分析、前端数据消费、消费结果数据重新作用于数据模型优化，建立完整的数据闭环，实现数据价值的大化。

6·基于APS产品的数据科学建模流程，在解决客户实际的需求的基础之上，帮助企业现有技术人员建立数据科学工作流程体系和方法论，实现对企业技术团队的赋能，提升企业自身的技术实力。

金融行业客户名单

部分金融行业客户名单：日照银行、太平洋保险集团、浦发银行等。

金融行业客户评价：

1.大大降低了现有客户流失率：对比分析结果表明，基于流失风险数据分析能够将客户流失率降低70%。

2.大大降低企业营销成本：发展一个新客户的成本是维护一个老客户的3~8倍，而一个老客户贡献的利润是新客户的10倍以上。

3.有效提升客户服务质量：通过数据预测客户的流失风险，针对不同风险等级提高专业服务关怀，结合客户画像，增强与客户的互动，提升客户黏性。

4.通过营销预测名单，对产品进行“交叉营销”，极大推动了产品转化率。

有效提升客户黏性：通过预测名单，对客户进行分类管理和服务，将沉睡客户转化为活跃客户，活跃客户转化为忠实客户。