中國某大眾國有銀行的分行難以維系其私人銀行業(yè)務(wù)客戶。每個賬戶每天最低的存款額要求高達(dá) 1000 萬元人民幣（或 150 萬美元）。因此，銀行清楚知道，爭取新客戶要比維系現(xiàn)有客戶的成本高出數(shù)倍。不幸的是，最近幾個季度客戶流失率（也就是開戶人停止使用服務(wù)的百分比）已超過預(yù)期。

挑戰(zhàn)

該銀行檢測到私人銀行業(yè)務(wù)的客戶流失率介于 5% 和 13% 之間，在短短幾個月內(nèi)，這些客戶要么將其存款賬戶換為其他產(chǎn)品，要么轉(zhuǎn)投其他銀行。其中期貨部門和存款部門的客戶流失最為嚴(yán)重。銀行要求其營銷部門立即開展推廣宣傳活動，將目標(biāo)對準(zhǔn)那些最有可能取出存款的客戶。該部門所面臨的挑戰(zhàn)是如何找出最有可能流失的高額存款客戶，然后使用目標(biāo)營銷推廣活動來阻止這些客戶遷移賬戶。

SPM 如何提供幫助

項目團(tuán)隊采用了 Salford Predictive Modeler (SPM) 的機(jī)器學(xué)習(xí)引擎 TreeNet® 來預(yù)測潛在的客戶流失。Minitab 的中國授權(quán)合作伙伴 QY Datatech Inc 為該團(tuán)隊提供了 Salford Predictive Modeler (SPM)。TreeNet 的靈活性、準(zhǔn)確性，及其處理包含多個觀測值的數(shù)據(jù)結(jié)構(gòu)的能力是其備受團(tuán)隊青睞的原因所在。

點(diǎn)擊了解SPM更多詳情

TreeNet 協(xié)助項目團(tuán)隊快速縮小了影響最大的變量范圍，并直觀地說明了變量與包含已確定變量的流失概率之間的關(guān)系。TreeNet 模型有助于直觀地說明復(fù)雜變量間的不同交互作用層。在這個案例中，這些變量包括儲蓄額、黃金購入和其他投資、交易時間、交易量、公司、職位、社會保險、債務(wù)、信用卡額度、不動產(chǎn)和汽車持有。

將未能積極響應(yīng)的客戶從列表移出并對模型進(jìn)行驗(yàn)證，便可確定出目標(biāo) VIP 客戶群。模型能夠基于此前的營銷宣傳活動，預(yù)測客戶對營銷活動的響應(yīng)程度。

TreeNet 分析操作簡便，只需點(diǎn)擊幾下，便可通過自動化生成具有可靠結(jié)果的初始模型，并且能在之后的幾天內(nèi)完成更復(fù)雜的分析，因此受到了團(tuán)隊的青睞。

TreeNet 模型的雙變量依賴圖能夠一目了然地顯示“婚姻”和“不同地區(qū)家庭”這兩個變量與目標(biāo)變量或客戶對市場宣傳活動響應(yīng)概率的交互作用。之后，項目團(tuán)隊便可輕松、準(zhǔn)確地找出響應(yīng)程度較高或較低的范圍。

TreeNet 的變量重要性匯總顯示了哪些變量是項目團(tuán)隊所關(guān)注的目標(biāo)交互作用。變量評級越高，對目標(biāo)的貢獻(xiàn)就越大。

TreeNet 匯總報告以單一窗口顯示模型性能。報告中將列出量化統(tǒng)計數(shù)據(jù)，方便與其他模型進(jìn)行比較，由 ROC、Lift、K-S Stat 和 Misclassification Rate 等其他工具生成的模型也可與之進(jìn)行比較。

成果

最終，銀行預(yù)測在兩個月后，可能會有 1,700 名私人銀行業(yè)務(wù)客戶（共 1290 萬）轉(zhuǎn)投其他銀行或金融服務(wù)提供商，且準(zhǔn)確率介于 80% 和 90% 之間。

之后，銀行便針對這些客戶開展了營銷宣傳活動，并實(shí)現(xiàn)了減少 VIP 客戶流失的目標(biāo)，提升了銀行留存的資金量。此外，包括存款、期貨、股票及黃金在內(nèi)的銀行客戶資產(chǎn)管理規(guī)模 (AUM) 也擴(kuò)大了 16%。